기술 면접, 엉뚱한 엔지니어를 거른다?

게시글은 기술 면접이 지원자의 실제 역량을 제대로 평가하지 못하는 근본적인 이유로 면접관의 주관적인 판단과 획일화된 평가 방식을 지적한다. 특히, LeetCode와 같은 알고리즘 문제 풀이 중심의 면접 방식은 실제 업무와 연관성이 낮으며, 면접관의 주관적인 기준에 따라 결과가 달라질 수 있다는 점을 강조한다. Dunning-Kruger 효과(Dunning-Kruger effect)로 인해 면접관 스스로가 자신의 평가 능력을 과대평가하는 경향도 문제점으로 지적된다. 이러한 문제점들은 면접의 정확성을 떨어뜨리고, 우수한 엔지니어를 놓치는 결과를 초래한다.

저자는 면접 과정 자체를 평가하기 위한 FATE 지표(Feedback, Accuracy, Time, Effort)를 제시한다. 각 지표는 면접 피드백의 유용성, 실제 업무와의 연관성, 면접 진행 시간, 지원자의 노력 투입 정도를 측정한다. 특히, Accuracy는 실제 업무와 유사한 문제 출제를 통해 평가의 정확성을 높이는 것을 강조한다. 예를 들어, 언어 관련 지식보다는 특정 비즈니스 상황에 맞는 도메인 지식(Domain Knowledge)을 평가하는 것이 중요하다고 주장한다. 이러한 지표를 통해 면접 과정의 문제점을 파악하고 개선할 수 있다.

게시글은 Big Five 성격 모델(Big Five personality model)을 활용하여 지원자의 잠재력을 평가하는 방안을 제시한다. 개방성(Openness), 성실성(Conscientiousness), 외향성(Extraversion), 친화성(Agreeableness), 신경성(Neuroticism)의 다섯 가지 요소를 통해 지원자의 직무 적합성을 판단할 수 있다는 것이다. 특히, 소프트웨어 엔지니어링 분야에서는 성실성과 더불어 개방성이 중요하며, 내향적인 성향도 프로그래밍 능력과 연관될 수 있다고 분석한다. 하지만, 성격 평가만으로는 모든 것을 판단할 수 없으며, 다각적인 평가 방법의 일부로 활용해야 한다고 강조한다.

커뮤니티에서는 FAANG을 포함한 대기업의 기술 면접 방식에 대한 비판적인 시각이 주를 이룬다. 일부 사용자는 LeetCode와 같은 문제 풀이 능력이 실제 업무 능력과 무관하다고 지적하며, 면접 과정의 획일성과 주관성을 비판한다. 또한, 면접 결과가 면접관의 주관적인 판단에 크게 좌우된다는 점을 지적하며, 면접 과정의 객관성 확보를 위한 노력이 필요하다고 강조한다. 하지만, FAANG과 같은 기업의 면접 방식이 여전히 효과적이라는 반론도 존재한다.