La fraude à l’IA en entretien est une seule étiquette étirée sur trois problèmes distincts, et le contrôle qui règle l’un ne fait rien pour les deux autres. Substitution d’identité : quelqu’un d’autre que la personne candidate passe l’entretien, soit un proxy humain, soit un face-swap en temps réel piloté par l’opérateur. Provenance des réponses : la personne est bien celle qu’elle prétend être, et un modèle hors écran écrit ses réponses. Fabrication de persona : le nom, le parcours professionnel et les références ont été manufacturés pour coller au poste. La réponse courte à la question de savoir comment l’arrêter : pas en détectant davantage à l’intérieur de l’entretien. Vous ancrez l’identité à une porte que vous contrôlez, vous publiez la règle d’usage de l’IA avant le processus pour que la provenance des réponses devienne une question de politique et non une devinette, et vous posez des questions dont un modèle ne peut pas fournir les réponses.
Ce que ce n’est pas. Ce n’est pas une personne qui utilise l’IA pour rédiger son CV ou pour s’entraîner : c’est de la préparation, et c’est devenu la base. Ce n’est pas du proctoring, et ce n’est pas de la détection d’émotion, de stress ou d’honnêteté : l’article 5(1)(f) de l’EU AI Act interdit d’inférer des émotions à partir de données biométriques sur le lieu de travail, et les lignes directrices de la Commission de février 2025 sur les pratiques interdites lisent « lieu de travail » comme couvrant les personnes candidates pendant la sélection. Ce n’est pas le même problème que le biais du screening par IA, qui porte sur qui vos modèles rejettent, pas sur qui est en visio. Et ce n’est pas un problème d’analyse forensique de média que l’on règle en achetant un détecteur.
Les trois classes, et ce qu’exige chacune
| Classe | Ce qui se passe réellement | Le contrôle qui tient | Le contrôle qui ne tient pas |
|---|---|---|---|
| Substitution d’identité | Un proxy ou une couche de face-swap passe le processus ; la personne recrutée n’est pas celle qui a été vue en entretien | Pièce d’identité officielle plus contrôle de vivacité, rattachés à une porte nommée ; un point de contrôle synchrone en présentiel ou supervisé | Le jugement du recruteur sur la vidéo ; un score de détection de deepfake |
| Provenance des réponses | Personne réelle, modèle caché fournissant les réponses en temps réel | Une règle d’usage de l’IA publiée, plus des questions ancrées dans les artefacts propres à la personne et des relances qui interrompent | Le partage d’écran ; demander la promesse de ne pas utiliser l’IA |
| Fabrication de persona | Identité synthétique ou volée, parcours inventé, références contrôlées | Vérification d’emploi et d’identité au moment de l’offre, appels de références à des numéros que vous avez trouvés vous-même | Tout ce qui se passe dans l’entretien : le processus n’est pas l’endroit où un parcours fabriqué casse |
Cette taxonomie compte parce que la plupart des programmes achètent un contrôle et croient avoir couvert les trois. Une vérification d’identité à l’offre ne fait rien contre une personne réelle qui lit depuis Cluely. Un modèle de détection de triche ne fait rien contre un ordinateur portable expédié à l’adresse d’un réexpéditeur.
Ce que les preuves soutiennent réellement
Fabriquer un candidat synthétique, c’est le travail d’une pause déjeuner. Unit 42 a publié le 21 avril 2025 une recherche dans laquelle un chercheur sans expérience en manipulation d’image a construit en 70 minutes une identité synthétique capable de passer un entretien vidéo, sur un ordinateur vieux de cinq ans équipé d’une GTX 3070, avec des outils gratuits et des visages générés par IA. La même recherche nomme les modes de défaillance du face-swap temps réel : la cohérence temporelle casse sur les mouvements rapides de tête, la gestion de l’occlusion casse quand une main traverse le visage, l’adaptation à la lumière casse sur les changements brusques de luminosité, et la synchronisation audio-vidéo dérive.
Les acheteurs institutionnels traitent désormais le sujet comme un vecteur de fraude de premier plan. Les prévisions fraude d’Experian, publiées le 13 janvier 2026, ont nommé les candidats générés par IA parmi les menaces de l’année, en avertissant que des employeurs intégreront des personnes qui ne sont pas celles qu’elles prétendent être et leur donneront accès à des systèmes sensibles.
L’outillage de provenance des réponses est financé et grand public. Cluely a levé une Série A de 15 M$ menée par Andreessen Horowitz le 20 juin 2025, à une valorisation post-money d’environ 120 M$, après un seed de 5,3 M$ en avril. Ses fondateurs ont été suspendus de Columbia à cause d’Interview Coder, le prédécesseur construit spécifiquement pour passer les entretiens techniques sans être détecté. Ce n’est pas une capacité marginale qu’une politique pourrait faire disparaître par un vœu.
Les chiffres de prévalence sont directionnels, pas mesurés. Le chiffre le plus cité de 2026 — 38,5 % de 19 368 entretiens signalés pour comportement de triche à l’IA entre juillet 2025 et janvier 2026, avec 48 % sur les postes techniques contre 12 % en vente — vient de Fabric, un éditeur qui vend un logiciel d’entretien avec détection de triche intégrée. Un signalement y est la sortie d’un modèle au-dessus d’un seuil de probabilité de 40 %, pas une constatation tranchée, et aucun taux de faux positifs n’est publié à côté. Lisez-le comme la preuve que la tendance monte et que le volume n’est pas trivial. Ne le mettez pas dans un board deck comme un taux mesuré.
La revue humaine n’est pas un contrôle. iProov a testé 2 000 consommateurs britanniques et américains en février 2025 ; 0,1 % ont identifié correctement chaque élément réel et synthétique de la batterie, et les participants ont été 36 % moins bons sur la vidéo synthétique que sur les images synthétiques. La lecture honnête est plus étroite que le titre : 0,1 % est un taux de sans-faute sur un ensemble complet, pas la probabilité qu’un recruteur donné repère un faux donné. Cela écarte tout de même « formez les recruteurs à le voir » comme défense principale.
Pourquoi partir de la détection échoue
Trois raisons, et elles se cumulent.
Les taux de base. Un filtre qui attrape 80 % des candidats frauduleux avec un taux de faux positifs de 5 %, face à un prior de 2 %, produit un signalement qui est réel environ une fois sur quatre. Trois signalements sur quatre visent des personnes innocentes. Le calcul est développé dans la Skill de détection de fraude en entretien, et c’est la raison pour laquelle un signalement part en vérification et jamais en refus.
La généralisation des détecteurs. Les détecteurs de deepfake s’effondrent hors de leur distribution d’entraînement, et l’adversaire choisit le générateur. Un score que vous ne pouvez pas comparer au modèle réellement utilisé est un nombre, pas un contrôle.
L’exposition juridique va dans le mauvais sens. Analyser la vidéo pour en extraire une géométrie faciale ou une empreinte vocale vous fait entrer dans la BIPA de l’Illinois et dans l’AI Video Interview Act, avec des obligations d’information, de consentement et de suppression attachées. Acheter à un tiers un score portant sur une personne candidate soulève des questions de décision automatisée au titre de la NYC Local Law 144. Plus la pile de détection est lourde, plus vous possédez de surface de conformité — pour un signal qui ne survit pas à son propre taux de base.
Les contrôles qui tiennent
- Ancrez l’identité à une porte nommée, pas dans le processus. Pièce d’identité officielle plus contrôle de vivacité à l’offre ou à l’onboarding, confrontés au nom du registre de paie. Comparez l’adresse du document d’identité à l’adresse de livraison du matériel de l’entreprise ; une divergence là est le signal le moins cher disponible et presque personne ne le regarde.
- Gardez un point de contrôle synchrone qu’un proxy ne peut pas occuper. Google, Cisco et McKinsey ont rétabli des tours en présentiel au cours de 2025 exactement pour cette raison : Scott McGuckin, VP global talent acquisition chez Cisco, a lié le changement directement aux faux candidats qui s’infiltrent dans le recrutement à distance. Un tour suffit ; une journée onsite complète n’est pas la demande.
- Publiez la règle d’usage de l’IA avant le premier entretien. Décidez si l’assistance est interdite, autorisée avec déclaration, ou autorisée sans plus, et dites-le dans l’invitation. Si rien n’est publié, la valeur par défaut honnête est « autorisée », et filtrer contre une règle non énoncée est indéfendable.
- Posez des questions auxquelles un modèle ne peut pas répondre à leur place. Leurs propres commits, leurs propres décisions, le tradeoff qu’ils regrettent. Interrompez. Relancez hors script. Un assistant caché traite la question qu’on lui a donnée, pas la troisième relance sur un choix fait en 2023.
- Utilisez des défis en direct contre les modes de défaillance connus, sans leur donner trop de poids. Un tour de profil, une main qui traverse le visage, un changement d’éclairage : la recommandation d’Unit 42 elle-même, visant l’occlusion et la cohérence temporelle. En rater un est un motif de vérification. Réussir les trois ne prouve rien.
- Routez chaque signalement vers une conversation de vérification. Un suivi structuré de 45 minutes règle la plupart des signalements. C’est le résultat de cette conversation, pas le score, qui atteint la décision de recrutement.
- Vérifiez emploi et identité à l’offre, indépendamment du processus. Les parcours fabriqués cassent face aux registres de paie et à des références que vous avez trouvées vous-même, jamais face à une bonne performance en entretien.
Pièges courants
Acheter un détecteur de deepfake et appeler ça un programme. L’éditeur mesure sur sa propre distribution ; votre adversaire choisit un autre générateur. Garde-fou : traitez tout score de détecteur comme un signal de routage vers l’étape 6, et mettez le budget dans la porte d’identité de l’étape 1.
Refuser sur la base d’un signalement. À des taux de base réalistes, la plupart des signalements visent des personnes innocentes, et un dossier d’accusations non tranchées contre des personnes nommées est communicable dans toute réclamation ultérieure. Garde-fou : rendez le refus structurellement impossible — le champ de signalement route vers la vérification et n’a pas de chemin de refus.
Filtrer contre une règle que vous n’avez jamais publiée. Garde-fou : la politique d’usage de l’IA part dans l’invitation à l’entretien et sur la page carrières avant le premier signalement.
Lire le chiffre d’iProov comme « 0,1 % des gens savent repérer un deepfake ». C’est un taux de sans-faute sur une batterie d’images et de vidéos. Garde-fou : citez l’étude pour la conclusion qu’elle soutient — la revue humaine n’est pas un contrôle — et pas comme un taux de détection par élément.
Traiter le tour en présentiel comme la réponse complète. Il ferme la substitution d’identité et ne fait rien contre un salarié réel qui transmet ses identifiants à quelqu’un d’autre après le premier jour, ni contre un parcours professionnel fabriqué. Garde-fou : combinez-le avec la vérification à l’offre et avec des contrôles d’accès qui postulent le cas de l’initié.
Des défis de type challenge-response qui pénalisent les personnes en situation de handicap. Les défis de mouvement, les signaux fondés sur le regard et les seuils de latence de réponse désavantagent les personnes ayant des différences motrices, visuelles ou de traitement. Garde-fou : publiez un chemin d’aménagement avec la politique d’usage de l’IA, excluez entièrement les signaux de regard et d’affect, et ne laissez jamais un seuil de latence agir seul.
Laisser la réponse à la fraude dégrader le processus pour tout le monde. Ajouter quatre étapes de vérification à un processus en cinq étapes vous coûte de vrais candidats. Garde-fou : limitez les contrôles lourds aux postes avec accès à la production ou onboarding entièrement à distance, et mesurez l’abandon à chaque nouvelle étape.
Ressources liées
- Examiner les traces d’entretien pour détecter la fraude d’identité et de provenance des réponses — la Claude Skill, et le calcul de taux de base derrière la règle du routage vers la vérification
- Entretien structuré — la conception des questions qui rend visible la provenance des réponses
- Conception du parcours d’entretien — où placer le point de contrôle synchrone dans le processus
- Illinois AI Video Interview Act — les obligations d’information, de consentement et de suppression qui s’appliquent si vous analysez la vidéo
- NYC Local Law 144 — la ligne de décision automatisée qu’un score de fraude acheté peut franchir
- Politique d’IA pour les équipes recruiting — où vit la règle publiée d’usage de l’IA