La triche à l'entretien assistée par IA est devenue la norme. Voici comment y remédier

La triche à l’entretien assistée par IA consiste à utiliser des assistants IA en temps réel, des LLM en mode vocal ou des deepfakes pour réussir malhonnêtement un entretien en direct. Lors d’un audit mené en 2026 sur 19 368 entretiens conduits par IA, 38,5 % des candidats ont été signalés pour triche assistée par IA, et 61 % d’entre eux ont tout de même obtenu une note supérieure au seuil de réussite. À lui seul, l’entretien en direct ne garantit plus les compétences — ni, de plus en plus, l’identité.

Voilà le constat qui dérange quiconque prend pour argent comptant l’idée qu’« un candidat a réussi la partie technique ». Le signal sur lequel repose tout votre tunnel de recrutement a cessé, sans bruit, de distinguer le vrai du faux. Ce guide explique l’ampleur réelle du problème, pourquoi votre note de passage a perdu son sens, la vague distincte — et plus inquiétante encore — de candidats qui ne sont pas de vraies personnes, et les changements concrets de processus qui restaurent la confiance sans acheter le moindre logiciel espion de télésurveillance.

Quelle est l’ampleur de la triche par IA aux entretiens en 2026 ?

Considérable, et elle s’aggrave rapidement, en particulier dans l’ingénierie. Les données les plus nettes viennent de Fabric, une plateforme d’entretiens par IA qui a audité 19 368 entretiens en direct entre juillet 2025 et janvier 2026 et signalé 38,5 % des candidats pour comportement de triche assistée par IA.

C’est la trajectoire qui inquiète. Le taux de signalement de Fabric est passé de 9 % en juillet 2025 à 45 % en septembre 2025, puis est resté élevé jusqu’en janvier 2026. Cela représente une multiplication par cinq en un seul trimestre, et non le « triplement » rapporté par certains articles. Quel que soit le multiple exact, la triche est passée d’un cas marginal rare à une probabilité proche de pile ou face en quatre-vingt-dix jours environ.

L’ingénierie en est l’épicentre. Dans le même jeu de données, les entretiens d’ingénierie logicielle affichaient un taux de triche de 48 %, contre 12 % pour les postes commerciaux. Cet écart n’a rien de mystérieux. Les questions de code appellent des réponses nettes et vérifiables, précisément le type de production qu’un assistant IA en temps réel réussit bien. Un jeu de rôle commercial est brouillon et relationnel ; un problème de structures de données n’est qu’à une invite d’une solution correcte.

N’interprétez pas non plus ces 48 % comme « un problème réservé aux profils juniors ». Les outils qui alimentent ce chiffre sont indifférents au poste et ne demandent aucun effort : une surcouche ne se soucie pas de savoir si la question est un LeetCode de difficulté moyenne ou un sujet de conception de système pour profil senior, et le même assistant qui résout un parcours d’arbre binaire rédigera volontiers une réponse d’architecture plausible. Plus le poste est élevé, plus l’erreur coûte cher — et plus le candidat guidé par une surcouche paraît maîtriser son sujet devant la caméra.

Une réserve, en toute honnêteté, avant d’aller plus loin : Fabric vend à la fois des entretiens par IA et de la détection de triche ; l’entreprise a donc un intérêt commercial à avancer un chiffre inquiétant. Prenez ses données comme des indications de tendance. Si l’on peut malgré tout se fier à cette tendance, c’est que des points de repère indépendants, abordés plus bas, racontent la même histoire sous des angles complètement différents.

Pourquoi votre note de passage ne veut plus rien dire

Le mode d’échec n’est pas que les tricheurs ratent l’entretien. C’est qu’ils le réussissent. Dans l’audit de Fabric, 61 % des tricheurs signalés ont tout de même obtenu une note supérieure au seuil de réussite de 7,0 sur 10 et seraient passés à l’étape suivante sans aucune détection.

Mesurez bien la portée de ce constat. La note que votre ATS enregistre, celle qu’un responsable du recrutement lit comme « compétence vérifiée », a validé la majorité des personnes qu’elle aurait dû recaler. La triche n’a pas dégradé le signal à la marge. Elle l’a inversé. Une note élevée à un test de restitution en temps réel est désormais corrélée à la qualité de l’outillage au moins autant qu’à celle des compétences.

Les méthodes expliquent pourquoi une détection à l’instinct échoue. Fabric détaille ainsi les façons de tricher :

Les deux premières catégories, soit environ quatre cas sur cinq, ne laissent aucune trace lors d’un partage d’écran classique. Des outils d’assistance à l’entretien comme Cluely et Interview Coder sont ouvertement commercialisés comme des surcouches invisibles qui soufflent les réponses pendant un appel en direct sans apparaître quand le candidat partage son écran. Vous ne repérerez pas cela en observant le regard de quelqu’un. C’est le format lui-même qui est compromis.

Pour mémoire, Fabric a également constaté que 83 % des candidats déclaraient qu’ils tricheraient s’ils étaient sûrs de ne pas se faire prendre. C’est une attitude déclarée, pas un comportement : à pondérer avec prudence. Mais cela recadre correctement le problème : il ne s’agit pas de quelques individus mal intentionnés. C’est la réaction par défaut à un système qui a rendu la triche triviale et la détection purement symbolique.

Le second problème : le candidat est-il même une vraie personne ?

La triche aux réponses suppose un vrai candidat qui reçoit une aide illicite. La vague plus récente, et plus inquiétante, balaie cette hypothèse. Dans une proportion croissante de cas, la personne à l’appel n’est pas celle qu’elle prétend être — et n’est parfois même pas une seule vraie personne.

La démonstration qui devrait clore l’argument « nos entretiens vidéo repèrent ce genre de choses » vient de l’Unit 42 de Palo Alto Networks. Un chercheur sans aucune expérience de manipulation d’images, avec un GPU grand public vieux de cinq ans, a fabriqué un candidat vidéo synthétique convaincant en 70 minutes environ. Pas un laboratoire d’État. Un après-midi et une carte graphique grand public. Si c’est là le plancher, quatre entretiens vidéo en direct ne valent pas une vérification d’identité.

L’ampleur du phénomène est corroborée par des sources qui ne vendent pas de logiciels d’entretien. Le rapport 2026 de GetReal Security révèle que 41 % des responsables IT, cybersécurité, risque et fraude affirment que leur organisation a recruté et intégré un candidat frauduleux, et 88 % déclarent avoir été confrontés à des tentatives de deepfake ou d’usurpation d’identité au moins occasionnellement. Gartner, un cabinet d’analystes qui n’a aucun intérêt dans la bataille de la détection, prévoit que d’ici 2028, un profil de candidat sur quatre dans le monde sera falsifié. À ranger dans les prévisions, mais cela pointe dans la même direction que tout le reste.

Cette fraude n’a rien d’hypothétique. C’est une filière active et industrialisée. Le ministère américain de la Justice a engagé une série de poursuites contre un dispositif nord-coréen systématique qui recourt aux deepfakes et à des identités volées pour infiltrer des opérateurs dans des postes tech américains à distance, et CNBC a rapporté les témoignages de dirigeants de la tech décrivant de faux candidats qui submergent leurs tunnels de recrutement à distance. L’éditeur d’analyse vocale Pindrop a mesuré une hausse de 1 300 % des tentatives de fraude par deepfake en 2024. Prenez ces multiples précis d’éditeurs comme des indications de tendance, mais l’essentiel tient à la convergence entre forces de l’ordre, analystes et chercheurs indépendants.

Le cas d’école, c’est l’opérateur nord-coréen de KnowBe4. En juillet 2024, cette entreprise de formation à la sécurité a recruté un « ingénieur logiciel » qui s’est révélé être un opérateur nord-coréen utilisant une identité américaine valide volée à une personne réelle, avec une photo de banque d’images retouchée par IA pour correspondre à l’identité. Le personnage a passé un contrôle des antécédents, une vérification des références et quatre entretiens vidéo distincts. À peine arrivé, le Mac fourni par l’entreprise s’est mis à charger un logiciel malveillant ; l’outillage de KnowBe4 a détecté l’anomalie et verrouillé l’appareil en moins de 25 minutes. Aucune intrusion n’a eu lieu, mais la leçon est brutale : quatre entretiens vidéo en direct ne valent pas une vérification d’identité, et il s’agit désormais d’une opération systématique et documentée, pas d’un cas isolé.

Notez que la plupart des statistiques d’identité les plus frappantes proviennent aussi d’éditeurs qui vendent de la détection de deepfakes. C’est pourquoi les affirmations qui portent l’argumentation s’appuient ici sur les points de repère indépendants : la prévision de Gartner, la démonstration concrète de l’Unit 42 et l’incident KnowBe4 entièrement documenté. Les chiffres des éditeurs sont cohérents avec ces repères, sans s’y substituer.

Pourquoi les entretiens de codage en direct sont devenus le maillon faible

L’entretien de codage en direct est exposé comme aucun autre, car il combine deux choses que l’IA réussit bien : produire des réponses nettes et vérifiables, et le faire de manière invisible. C’est la cible à plus forte valeur de votre tunnel de recrutement, et la plus facile à compromettre.

Réfléchissez à ce qu’une épreuve de code en temps réel mesure réellement. Il récompense la restitution rapide de schémas algorithmiques sous observation — précisément la tâche où un grand modèle de langage excelle et où un humain nerveux échoue. Un candidat qui fait tourner une surcouche n’a pas besoin de comprendre la solution. Il lui suffit de la lire à l’écran en hochant la tête. Le recruteur voit un partage d’écran d’apparence tout à fait normale, parce que l’assistant s’affiche en dehors de la surface partagée.

C’est la même faiblesse structurelle qui a déjà tué le tableau blanc comme signal autonome. Comme nous l’avons soutenu dans le réquisitoire contre les entretiens au tableau, les formats d’énigme sous surveillance mesurent la performance sous observation plus que le jugement d’ingénierie, et les surcouches IA ont achevé le travail en rendant ces énigmes triviales à résoudre en silence. La réponse qui fonctionne n’est pas un logiciel de surveillance, mais un changement de format vers des évaluations qui testent le raisonnement et la communication, les deux choses qu’une surcouche ne peut toujours pas simuler dans un échange en direct.

Il existe ici un raccourci tentant, qu’il vaut la peine de nommer pour mieux le rejeter. Quand les équipes comprennent que l’épreuve en direct est compromise, le premier réflexe consiste généralement à acheter de la télésurveillance : enregistrement des frappes clavier, suivi du regard, verrouillage du navigateur, balayages caméra imposés de toute la pièce. Résistez-y. Cela inflige aux candidats honnêtes une expérience digne d’un interrogatoire, cela ne fait rien contre un deepfake trop heureux de se plier à chaque contrôle, et les éditeurs de surcouches itèrent plus vite que les détecteurs. On ne se sort pas d’un problème de format à coups de surveillance. On refond le format.

Une distinction s’impose clairement : c’est un problème différent du biais de l’IA dans la présélection des CV. Ce dernier concerne un algorithme injuste envers de vrais candidats. Ici, il s’agit de vérifier qu’un candidat est bien qui et ce qu’il prétend être. Les deux comptent, et les remèdes ne s’opposent pas, mais ne les confondez pas.

Ce qui vérifie réellement un candidat : trois points de contrôle

Les données appuient trois changements structurels, dont aucun n’exige de détecteur de deepfakes. L’objectif : faire de la légitimité une propriété de votre tunnel de recrutement, plutôt qu’une supposition qu’un recruteur épuisé formule un vendredi après-midi.

1. Lier l’évaluation à une identité vérifiée

Les appels vidéo anonymes sont le maillon faible, parce que rien ne rattache la personne à une identité stable et auditable tout au long de votre processus. Remplacez le lien d’appel improvisé par une connexion au portail candidat, de sorte que chaque soumission et chaque étape soient rattachées à la même session authentifiée. Cela ne prouve pas, en soi, qu’une personne n’est pas un prête-nom. En revanche, cela crée un fil d’identité continu sur lequel raisonner, et cela vous donne l’endroit naturel où ajouter un point de contrôle d’identité strict (par exemple, la vérification d’une pièce d’identité officielle à l’étape de l’offre) là où les enjeux le justifient.

2. Déplacer le poids de la restitution en temps réel vers les échantillons de travail

La restitution en temps réel est le format que l’IA alimente le mieux. Un échantillon de travail évalué — une tâche liée au poste que le candidat réalise puis défend — est bien plus difficile à falsifier de façon convaincante dès que l’on creuse. Il prédit aussi mieux la performance qu’un sprint au tableau. Les données appellent ici une réserve : d’anciennes méta-analyses situaient la validité de l’échantillon de travail autour de 0,54, mais une réanalyse de 2022 menée par Sackett et ses collègues a revu bon nombre de ces estimations à la baisse, plaçant les échantillons de travail près de 0,33 (les entretiens structurés autour de 0,42). Même au chiffre prudent, un échantillon de travail est un signal solide et juridiquement défendable, parce qu’il échantillonne directement le poste. Associez-le à une défense en direct où le candidat explique et révise ses propres décisions, et la surcouche n’a plus rien à souffler.

3. Conserver une piste d’audit au niveau de chaque étape

Quand la légitimité d’un recrutement est remise en cause six mois plus tard, « je me souviens qu’il s’était bien présenté en entretien » n’est pas une réponse. Il vous faut une piste reconstituable : qui a évalué le candidat à chaque étape, quand, sur quel livrable et quelle note a été attribuée. Une piste d’audit n’empêche pas la fraude à elle seule, mais elle transforme une question sans réponse en une chronologie documentée — et c’est ce que réclameront les auditeurs, les équipes de sécurité et, demain, vous-même.

Comment repenser vos étapes d’entretien autour de la vérification

Le changement d’état d’esprit est le suivant : la vérification n’est pas un outil que l’on rajoute par-dessus, mais une propriété d’un tunnel de recrutement où chaque étape et chaque exercice sont des objets à part entière, rattachés à une identité de candidat authentifiée. Quand votre ATS modélise le processus ainsi, les trois points de contrôle ci-dessus cessent d’être une discipline manuelle pour devenir le fonctionnement même du système.

C’est précisément pour cela que Kit traite le cycle de vie des étapes d’entretien comme des données structurées, et non comme un dossier de notes. Quelques primitives concrètes correspondent directement aux points de contrôle :

• Portail candidat lié à l’identité. Kit utilise l’authentification par lien magique : chaque action du candidat se déroule ainsi dans la même session authentifiée plutôt que lors d’un appel anonyme. Le travail est rattaché à un fil d’identité stable à chaque étape, socle indispensable de toute démarche de vérification.
• Les exercices de code comme échantillons de travail asynchrones. Les exercices de code de Kit sont intégrés à GitHub et évalués de manière asynchrone — précisément le changement de format que recommandent les données : s’éloigner de la restitution en temps réel qu’une surcouche peut alimenter, vers un échantillon de travail défendu qu’elle ne peut pas alimenter.
• Revue d’équipe et grilles d’évaluation. La notation structurée et collaborative est le moment où les anomalies remontent : une réponse en direct qui contredit l’échantillon de travail, une note qui ne colle pas avec le CV, une soumission « trop propre pour être vraie ». Voyez cela comme un processus que votre équipe mène grâce aux fonctions de revue et de vote déjà présentes dans Kit, et non comme un détecteur de fraude automatisé.
• L’historique au niveau de chaque étape comme piste d’audit. Comme les étapes et les exercices sont des objets modélisés, horodatés et dotés d’un propriétaire, vous obtenez la piste reconstituable sans effort. La légitimité devient quelque chose que vous pourrez montrer plus tard, et non quelque chose que vous espérez vous rappeler.

Soyons clairs sur ce que ce n’est pas : Kit ne propose ni détection de deepfakes, ni vérification biométrique, ni télésurveillance vidéo, et vous devriez vous méfier de tout éditeur promettant un détecteur de mensonges miracle. Le remède durable est structurel. La vérification d’identité proprement dite, là où vous en avez vraiment besoin, est un point de contrôle que vous ajoutez aux étapes à forts enjeux, par-dessus un tunnel de recrutement qui sait déjà qui a fait quoi et quand.

À retenir

L’entretien en direct a cessé d’être une preuve. Avec 38,5 % des candidats signalés pour triche, 61 % d’entre eux qui passent malgré tout, et un candidat synthétique fabricable en 70 minutes, « il a réussi la partie technique » n’est plus un fait sur lequel vous pouvez compter. Le réflexe de combattre cela par davantage de surveillance est un piège : les surcouches sont invisibles et les deepfakes coûtent peu, si bien que la détection aura toujours un temps de retard.

Le levier qui tient est structurel. Liez les évaluations à une identité vérifiée, faites pencher votre cycle d’entretiens vers des échantillons de travail défendus plutôt que vers la restitution en temps réel, et conservez une piste d’audit pour que la légitimité de tout recrutement puisse être reconstituée. Faites cela, et la vérification cesse d’être un outil distinct que l’on achète pour devenir une propriété du fonctionnement de votre tunnel de recrutement. Si vous voulez un processus de recrutement conçu ainsi dès la première étape, découvrez comment Kit modélise le cycle de vie de l’entretien.