Alors que les employeurs s'appuient de plus en plus sur des évaluations préalables à l'embauche pour sélectionner les talents de première ligne, une nouvelle étude de HiringBranch met en garde contre une pratique courante : rapporter des compétences non techniques telles que l'empathie, l'écoute active et la réassurance sous forme de scores isolés. La recherche, présentée dans le dernier épisode du podcast « You Should Know », suggère que cette approche ne produit qu'une corrélation modérée avec le jugement humain, tandis qu'un modèle propriétaire combiné donne des prédictions beaucoup plus fortes de la performance en poste.
L'épisode, intitulé « Évaluer les compétences une par une vous coûte de meilleures embauches », a été publié le 26 août 2026 et animé par William Tincup. Il met en vedette Assaf Bar-Moshe, directeur de la recherche et du développement chez HiringBranch, une entreprise d'évaluation basée à Montréal. La conversation survient alors que les entreprises repensent la manière dont elles mesurent les représentants du service client, les agents de vente et les associés de vente au détail face aux réalités des interactions client en direct.
Bar-Moshe a expliqué que la conception de l'évaluation de HiringBranch utilise des invites vocales et écrites ouvertes pour évaluer les candidats. L'entreprise mesure quatre piliers du service client : la reconnaissance, la réassurance par un langage positif, l'empathie et l'écoute active. Ceux-ci sont évalués à travers des flux de conversation et des tâches basées sur des scénarios, calibrés par client, région et rôle.
La recherche a révélé que lorsque ces compétences sont notées séparément, la corrélation avec les annotateurs humains n'est que modérée. Cependant, lorsqu'elles sont combinées dans un modèle unique, la corrélation se renforce considérablement. Bar-Moshe a illustré ce point avec un exemple de vente au détail : « Si un candidat peut exprimer de l'empathie, mais est incapable de résoudre le problème correctement, de comprendre le problème correctement ou de rassurer le client, alors cette empathie est agréable, mais en fait inutile. »
Cette approche linguistique, plutôt que les tests basés sur la personnalité, est au cœur de la méthodologie de HiringBranch. Bar-Moshe, linguiste de formation, a décrit la méthode comme une « analyse sociopragmatique des mots que le candidat prononce réellement ». L'équipe de psychologues industriels et de linguistes de l'entreprise utilise des années de données textuelles pour construire des modèles d'apprentissage automatique qui prédisent l'empathie, la reconnaissance et les compétences connexes. Ces prédictions sont ensuite validées par rapport à la performance en poste des mois après l'embauche.
Le calibrage est essentiel, car les pondérations de notation varient selon le client, le secteur et même la géographie. Par exemple, les variations régionales sur des marchés comme Vancouver, Toronto et Montréal peuvent façonner la notation pour le même rôle. Bar-Moshe a également présenté un aperçu d'une capacité en libre-service en cours de développement qui permettrait aux responsables du recrutement de construire des évaluations à partir d'une bibliothèque de flux de conversation et de compétences, réduisant ainsi la dépendance à des descriptions de poste faibles ou génériques.
L'étude complète sera disponible sous l'onglet « AI research » sur le site Web de HiringBranch. Les implications pour les employeurs sont significatives : en s'éloignant de la notation isolée des compétences non techniques, les entreprises pourraient améliorer leur capacité à sélectionner des candidats capables de gérer efficacement les interactions avec les clients, réduisant ainsi le turnover et améliorant la qualité du service. Cette recherche remet en question des hypothèses de longue date dans l'évaluation préalable à l'embauche et pourrait remodeler la manière dont le recrutement de première ligne est mené dans toutes les industries.
Pour plus d'informations, l'épisode est disponible sur la page du podcast You Should Know.
