Google dit oui à l'IA en entretien. Les experts jubilent. Tous les autres devraient s'inquiéter.
Les épreuves de codage assistées par IA du géant de la recherche révèlent bien plus qu'une simple mise à jour de politique. Elles exposent une vérité que le secteur a longtemps refusée : le meilleur utilisateur d'IA dans la pièce est toujours celui qui connaît le mieux son sujet.
Pendant des décennies, l'entretien de codage a été le rituel le plus sacré de la tech. Un marqueur à la main devant un tableau blanc, un candidat face à son interlocuteur : pas d'indices, pas de documentation, pas d'outils. Juste la mémoire brute contre le chronomètre. Google a perfectionné ce format, et le secteur s'est incliné en conséquence. Ce que Google testait, le reste de la Silicon Valley le testait aussi.
Cette époque vient de s'achever.
Selon un document interne consulté par Business Insider, Google expérimente un nouveau format d'entretien qui autorise, et évalue activement, l'usage de l'IA pendant une session de codage en direct. À partir du second semestre 2026, certains candidats ingénieurs logiciels juniors et intermédiaires pourront utiliser Gemini, l'assistant IA de Google, pendant l'épreuve de compréhension de code. Au lieu d'écrire du code à partir de zéro, les candidats liront, déboguront et optimiseront une base de code existante avec l'aide d'un assistant IA.
La justification est presque désarmante d'honnêteté : les trois quarts du nouveau code écrit chez Google sont désormais générés par l'IA. L'entreprise ne voit guère de logique à tester les candidats sur un mode de travail qui ne reflète plus la manière dont les ingénieurs travaillent réellement.
« J'imagine que c'est comme demander à un enfant de passer un examen de maths sans calculatrice. »
— Emily Cohen, Head of People & Operations, Cognition AI
Ce que Google teste réellement
Lisez les petites lignes et un point important apparaît. Les recruteurs évalueront explicitement la « maîtrise de l'IA » : la capacité à concevoir des prompts efficaces, à valider les résultats produits et à déboguer quand le modèle se trompe. Ce n'est pas un blanc-seing donné à la dépendance envers l'IA. C'est un test structuré de la façon dont un candidat pilote l'IA pour atteindre un résultat correct.
Cette distinction est capitale. Car à l'instant où vous laissez l'IA entrer dans la salle d'entretien, vous introduisez une variable qui départage les candidats plus vite que n'importe quel tableau blanc : la profondeur de maîtrise du domaine.
Google n'abaisse pas la barre. Il la relève dans une direction pour laquelle la plupart des candidats ne sont pas préparés. Savoir ouvrir une interface de chat ne signifie rien. Savoir poser la bonne question, reconnaître une mauvaise réponse et pousser vers la solution optimale : cela exige une véritable expertise.
La thèse cachée : les experts du domaine gagnent toujours
Quand deux candidats s'assoient devant le même outil d'IA et font face au même problème, ce qui les distingue n'est pas qui tape le plus vite. C'est qui comprend assez profondément le problème pour savoir si la réponse de l'IA est bonne, médiocre ou dangereusement fausse.
L'IA est un multiplicateur. Comme tout multiplicateur, elle amplifie ce que vous lui apportez. Un prompt superficiel de la part d'un novice renvoie un résultat superficiel, simplement plus vite. Un prompt précis d'expert renvoie une analyse que le novice ne saurait même pas demander. L'IA ne comble pas l'écart d'expertise. Elle le creuse.
La façon la plus claire de le voir est de comparer comment un expert et un utilisateur moyen abordent la même tâche dans différents domaines.
Expert contre utilisateur moyen : la même IA, des résultats très différents
« Analysez l'évolution du free cash flow de cette entreprise sur 5 ans, signalez tout écart avec le résultat net publié et identifiez les ajustements non monétaires pouvant révéler des problèmes de qualité des résultats. Utilisez la décomposition DuPont pour isoler les moteurs du ROE. »
Applique un cadre nommé, anticipe les endroits où les modèles se trompent et délimite précisément la demande.
« Est-ce une bonne action à acheter ? »
Aucun cadre, aucun contexte. L'IA renvoie des mises en garde génériques et un résumé superficiel, utile à personne.
« Ce service Node.js traite 10 000 requêtes/s. La latence p99 connaît un pic toutes les ~4 minutes. Je soupçonne une pression sur le GC due à de grosses allocations d'objets dans le pipeline de requêtes. Proposez des étapes de profilage ciblées et des options de refactorisation qui évitent la fragmentation du tas. »
Pose le diagnostic avant de demander. Fournit le contexte système, nomme la cause probable, demande une solution délimitée.
« Mon appli est lente. Comment la réparer ? »
Aucun contexte, aucune hypothèse. L'IA renvoie une liste de vérifications génériques, dont aucune ne s'applique peut-être à cette architecture.
« Patient de 58 ans, de sexe masculin, DT2, MRC stade 3, fibrillation auriculaire de survenue récente. Traitements en cours : metformine, lisinopril. Évaluez les options d'anticoagulation en tenant compte des contraintes d'adaptation posologique rénale et du risque hémorragique, avec les scores CHA₂DS₂-VASc et HAS-BLED. »
Applique des outils de score clinique structurés, tient compte des comorbidités, demande des options adaptées sur le plan pharmacocinétique, et non une liste générale.
« Mon cœur bat bizarrement. Quel médicament dois-je prendre ? »
Ne peut ni préciser la pathologie, ni évaluer la réponse, ni agir en sécurité sur celle-ci. L'IA botte en touche, à raison.
« Examinez ce contrat-cadre SaaS pour repérer les clauses d'indemnisation déséquilibrées, l'exposition à une responsabilité non plafonnée et les conditions de tacite reconduction contraires aux politiques d'achat des grands comptes. Signalez toute ambiguïté sur la titularité de la propriété intellectuelle dans la clause de travail réalisé pour autrui. »
Emploie une terminologie juridique précise, définit exactement le périmètre de la revue, sait quelles clauses portent un risque réel.
« Pouvez-vous vérifier ce contrat et me dire si je peux le signer ? »
Aucun cadre juridique appliqué. L'IA peut relever les problèmes évidents mais passe à côté des clauses à risque subtiles qu'un expert repère immédiatement.
« Concevez une séquence de 3 leçons pour des élèves de CE1 sur la valeur positionnelle, selon la progression CPA de Bruner (Concret–Imagé–Abstrait). Incluez des points d'évaluation formative et des stratégies de différenciation pour des élèves lisant 1 à 2 niveaux en dessous. »
Applique un cadre pédagogique nommé, précise le profil des apprenants et structure la réponse comme on conçoit réellement un enseignement efficace.
« Comment apprendre les nombres à mon enfant ? »
Trop vaste, sans repère de niveau, sans cadre. L'IA renvoie des activités génériques déconnectées de la manière dont la classe de l'enfant aborde la notion.
« L'IA ne comble pas l'écart d'expertise. Elle le creuse. Dans chaque domaine, pour chaque tâche, à chaque prompt. »
— TIBLOGICS AI Times
Ce que cela implique pour votre carrière
Dans tous les domaines ci-dessus, le schéma est identique. L'expert n'obtient pas seulement une meilleure réponse : il obtient une réponse réellement exploitable. L'utilisateur moyen obtient du bruit qu'il ne peut pas évaluer. Et cet écart se creuse avec le temps : l'expert utilise l'IA pour accélérer son expertise, tandis que le novice l'utilise pour contourner un apprentissage qu'il n'a pas encore fait, et finit par caler quand les résultats ne suffisent plus.
Le pilote de Google inscrit cette réalité dans le recrutement. En évaluant l'ingénierie de prompts, la validation des résultats et le débogage au cours d'une session en direct, il mesure quelque chose de précis : savez-vous reconnaître quand l'IA se trompe ? Cette question n'a qu'une réponse honnête : pas sans connaître le sujet.
Les professionnels les plus menacés à l'ère de l'IA ne sont pas ceux qui manquent de compétences en IA. Ce sont ceux qui manquent de compétences métier et comptent sur l'IA pour combler le vide. Elle n'y parvient jamais. Pas durablement. Approfondissez votre domaine. Le meilleur ingénieur de prompts dans n'importe quelle pièce est toujours celui qui connaît assez bien son sujet pour savoir quand le modèle ment.
Un bilan à l'échelle du secteur
Google n'avance pas seul. Meta a lancé des épreuves de codage avec IA fin 2025. Canva a déclaré publiquement qu'il attend de ses candidats ingénieurs qu'ils utilisent Copilot, Cursor et Claude pendant les entretiens techniques. Shopify et Rippling ont suivi. L'entretien au tableau blanc seul est un artefact d'un monde d'avant l'IA, et le secteur le sait.
Reste à voir si les entreprises suivront Google dans la structuration de l'évaluation : non seulement ouvrir la porte à l'IA, mais mesurer activement la façon dont les candidats interagissent avec elle. Autoriser l'IA est facile. Bâtir un cadre d'évaluation qui distingue un expert utilisant l'IA d'un novice qui s'appuie sur elle exige une réflexion profonde sur ce que signifie réellement la compétence professionnelle en 2026.
Google parie sur l'expertise. Les entreprises les plus avisées l'ont toujours fait.
Je veux ajouter un élément dont le secteur n'a pas encore parlé, et qui deviendra, je pense, un véritable critère d'évaluation plus tôt qu'on ne le croit.
La consommation de tokens.
Réfléchissez-y. Si les entreprises autorisent déjà l'IA en entretien, l'étape logique suivante est d'instrumenter la session. Et dès lors qu'on peut mesurer en temps réel la façon dont un candidat utilise un outil d'IA, l'un des signaux les plus révélateurs à capter est : combien de tokens lui a-t-il fallu pour arriver à la bonne réponse ?
« L'expert arrive à la solution en trois prompts précis. Le novice en brûle vingt en cherchant la question à poser. »
— Tieyiwe Bassole, fondateur, TIBLOGICS
Voici ma thèse : les experts atteindront systématiquement la bonne solution en consommant nettement moins de tokens que les novices. Non parce qu'ils tapent moins, mais parce qu'ils partent d'une courbe d'apprentissage bien plus courte. Le novice entre dans la session en cherchant encore à comprendre le domaine et l'outil en même temps. Sa consommation ressemble à de l'exploration. L'expert sait déjà ce qu'il cherche. Sa consommation ressemble à de l'exécution.
Un ingénieur logiciel expert ne demande pas à l'IA d'expliquer ce qu'est le ramasse-miettes avant de l'interroger sur la pression du GC. Un analyste financier chevronné ne demande pas à l'IA de définir le free cash flow avant de réclamer une décomposition DuPont. Ils sautent entièrement la phase d'orientation, et cette compression apparaît directement dans le journal des tokens.
Cela dépasse largement le cadre des entretiens. En environnement de travail réel, la consommation de tokens est un coût d'exploitation. Une équipe d'utilisateurs d'IA superficiels qui brûle 6 fois plus de tokens qu'une équipe d'experts pour produire un résultat équivalent, c'est la voie directe vers des marges érodées et des livraisons plus lentes. L'efficacité en tokens est sur le point de devenir un indicateur de compétence professionnelle, et, à grande échelle, une vraie ligne du compte de résultat.
Dans les deux prochains cycles de recrutement, au moins une grande entreprise tech ajoutera l'efficacité en tokens à sa grille d'évaluation des entretiens avec IA, en mesurant non seulement si le candidat a trouvé la solution, mais aussi avec quelle économie il y est parvenu. Faites une capture d'écran.
Google a ouvert la porte à l'IA en entretien. L'étape suivante sera de mesurer la qualité de l'usage qu'en font les candidats. Et quand cela arrivera, le journal des tokens dira tout de ceux qui maîtrisent réellement leur métier, et de ceux qui espéraient que l'IA le ferait à leur place.
L'expertise n'a jamais été optionnelle. Elle est simplement devenue mesurable d'une manière tout à fait nouvelle.
Ready to implement AI in your business?
Our team builds the AI systems you just read about. Start with a free 30-minute discovery meeting.