KI-sichere technische Interviewfragen: Was 2026 noch funktioniert

Das Problem mit „KI-sicher"

Streng genommen ist keine Interview-Frage vollständig KI-sicher. Ein entschlossener Kandidat mit einem zweiten Monitor und schneller Tippfähigkeit kann fast jede Antwort durch ein LLM filtern. Das realistische Ziel ist nicht Unmöglichkeit — es ist ungünstige Wirtschaftlichkeit: Fragen, bei denen der Aufwand, KI gut zu nutzen, höher ist als die Antwort selbst zu geben.

Wenn KI-Nutzung keine Abkürzung mehr ist, ist es kein Problem mehr. Die Muster unten sind die Muster, die wir in unserer eigenen Aufgabenbibliothek und in Kundeninterviews 2026 noch zuverlässig sehen.

Muster 1: Jede Frage in Code verankern, den der Kandidat erst lesen muss

Eine isolierte Aufgabe — „schreib eine Funktion, die X macht" — ist im Trainingsdatensatz enthalten. Eine Aufgabe, die von 80 Zeilen Code abhängt, die der Kandidat noch nie gesehen hat, ist es nicht.

Konkrete Struktur:

• Geben Sie ein kleines Repository oder eine Datei (40–200 Zeilen).
• Stellen Sie eine Frage, deren Antwort ein Verständnis dieses spezifischen Codes erfordert: „Was würde passieren, wenn zwei Anfragen processOrder gleichzeitig mit derselben Order-ID treffen?"
• Dann fragen Sie nach einer Lösung.

Ein LLM ohne Zugriff auf die Datei kann eine generische Antwort erraten. Ein Kandidat, der den Code gelesen hat, kann eine spezifische geben. Die Lücke zwischen den beiden ist das Signal.

Dies ist die gleiche Logik wie beim fix-the-codebase-Format, angewendet auf die Formulierung der Frage statt das Format selbst.

Muster 2: Mehrdeutige Anforderungen, die verfrühtes Codieren bestrafen

LLMs sind darauf trainiert, sichere und vollständig aussehende Lösungen zu produzieren. Sie sind schlecht darin, mit Mehrdeutigkeit umzugehen. Fragen, die das Stellen von Klärungsfragen vor dem Codieren belohnen, wählen natürlicherweise gegen KI-Einfügungen aus.

Beispiel-Aufgabe: „Wir möchten unserer Notes-App eine ‚als Favorit markieren'-Funktion hinzufügen. Wie würdest du das bauen?"

Ein erfahrener Ingenieur fragt: pro Benutzer oder global? Synchronisiert über Geräte? Reihenfolge beibehalten? Was passiert, wenn eine Notiz gelöscht wird? Jede Klärungsfrage ist Signal. Eine KI-eingefügte Antwort springt direkt zu einem favorites-Tabellenplattform-Schema und offenbart nie einen einzigen Kompromiss.

Bewerten Sie die Anzahl der aussagekräftigen Klärungen vor dem Code, nicht nur den Code selbst. Dies ist das gleiche Prinzip wie bei einer System-Design-Bewertungsrubrik, die keine Buzzwords belohnt — beide bestrafen selbstbewusste, aber kontextlose Antworten.

Muster 3: Anschlussfragen, die Verantwortung für die vorherige Antwort erfordern

Der einzige stärkste KI-resistente Zug in jedem Interview ist die Live-Anschlussfrage. Ein LLM kann Code schreiben. Es kann seinen eigenen Code nicht in Echtzeit nachverfolgend mit dem Interviewer dabei ansehen.

Nützliche Anschlussmuster:

• „Warum hast du hier eine Hash-Map gewählt? Was würde sich ändern, wenn die Eingaben sortiert wären?"
• „Erkläre mir, was passiert, wenn diese Funktion von zwei Threads aus aufgerufen wird."
• „Ich änder die Anforderungen: statt ein Benutzer, eine Million. Was bricht zuerst?"
• „Du hast const result = x ?? 0 geschrieben. Was ist der Unterschied zwischen ?? und || hier?"

Kandidaten, die ihren eigenen Code geschrieben haben, können darüber improvisieren. Kandidaten, die eingefügt haben, können normalerweise eine Anschlussfrage beantworten, manchmal zwei, und kollabieren dann. Drei Anschlussfragen sind fast ein perfekter Filter — und die gleiche Spielweise, die bei Take-Home-Einreichungen funktioniert, funktioniert auch in Live-Runden.

Muster 4: Fragen mit neuartigen Zwängen, nicht neuartigen Themen

Sie brauchen keinen exotischen Algorithmus, um Trainingsdatensatz-Memorisierung zu besiegen. Sie brauchen einen kleinen Dreh zu einem vertrauten Problem. Der Dreh erzwingt echtes Nachdenken statt Pattern-Matching-Rückruf.

Konkrete Drehungen, die funktionieren:

• Eine benutzerdefinierte Datenform („die Eingabe ist ein Stream von {userId, eventType, ts}-Objekten, nicht ein Array von Ganzzahlen").
• Ein ungewöhnliches Kostenmodell („Lesevorgänge sind kostenlos, Schreibvorgänge kosten 100x — konzipiere entsprechend").
• Ein Zwang, der die offensichtliche Lösung kippt („du kannst keine Hash-basierte Struktur verwenden").
• Eine Echtzeit-Dimension („die Funktion läuft in einem Lambda mit 6-MB-Speicherlimit").

Das klassische Problem („finde Duplikate") ist in jedem Modell-Trainingsdatensatz. Das gleiche Problem mit {userId, ts}-Ereignissen und Speicherlimit ist es nicht — zumindest nicht in einer Form, die das Modell direkt einfügen kann. Der Kandidat muss sich anpassen, und Anpassung ist die Fähigkeit, die du wirklich einstellt.

Muster 5: „Erkläre einen Kompromiss, den du persönlich getroffen hast"-Fragen

Reine Erlebnis-Extraktionsfragen sind extrem schwer, spontan zu fälschen. Das LLM kann eine plausibel klingende Kriegsgeschichte generieren; es kann die Geschichte nicht spezifisch zu einem System machen, das dieser Kandidat wirklich ausgeliefert hat, und es kann definitiv nicht vier gezielt Anschlussfragen zu diesem spezifischen System beantworten.

Das Muster:

1. Stellen Sie eine Kompromiss-Frage: „Erzähle mir von einer Zeit, in der du eine auf dem Papier schlechtere Lösung gewählt hast, weil die bessere falsch für den Kontext war."
2. Nach ihrer Antwort fragen Sie: „Was war die Metrik, die du optimiert hast?"
3. Dann: „Was war das stärkste Argument gegen deine Wahl?"
4. Dann: „Was würdest du jetzt anders machen?"

Kombiniert mit einer strukturierten Verhaltens-Rubrik, sind diese Fragen fast unmöglich zu fälschen bei der Auflösung, mit der Interviews tatsächlich laufen. Der Kandidat, der das System wirklich ausgeliefert hat, antwortet in 90 Sekunden. Der Kandidat, der ChatGPT in einem anderen Tab fragt, braucht 30 Sekunden, um zu beginnen, gibt eine generische Antwort, und scheitert bei der zweiten Anschlussfrage.

Was funktioniert 2026 nicht

Zur Vollständigkeit, die Muster, die jetzt meist totes Signal sind:

• Klassische LeetCode-artige Algorithmus-Aufgaben — in jedes LLM eingefügt, gelöst in Sekunden.
• „Schreib eine Funktion, die…" ohne umgebenden Code — gleiches Problem.
• Trivial-artige Sprachfragen („was ist der Unterschied zwischen let und var?") — gelöst vom ersten Token des Modells.
• „Design Twitter" / „design Uber"-Aufgaben — jeden YouTube-Interview-Prep-Kanal deckt diese ab, und jedes LLM gibt die Referenz-Architektur zurück.

Wenn deine aktuelle Befragung auf diese verlässt, verschlechtert sich dein Hiring-Signal, ob du es bemerkt hast oder nicht. Wir haben die breitere Frage, ob Coding-Assessments mit KI noch funktionieren, anderswo behandelt — die kurze Antwort ist ja, aber nur, wenn du die Fragen umgestaltest.

Paare Design mit Erkennung

Auch gut konzipierte Fragen profitieren von einer zweiten Schicht. Wir bewerten jede Bewertung mit Keystroke-Biometrie für Einfügungs-Burst-Muster und führen einen LLM-Kohärenz-Pass über die finale Einreichung durch. Der Punkt ist nicht, jeden Betrüger zu fangen — es ist, den einfachen Weg zu entfernen, damit Kandidaten sich selbst für die eigentliche Arbeit auswählen.

Wenn du die vollständige Taxonomie von Signalen möchtest, erklärt der Integrity-Bericht, was wir oberflächen und wie man es liest.

Was als nächstes zu tun ist

Überprüfe deine aktuelle Fragebank gegen die fünf Muster oben. Alles, was:

1. Keinen Code oder Kontext zu lesen vor der Antwort hat,
2. Eine einzige „korrekte" Lehrbuch-Lösung hat,
3. Nicht für drei Runden nachverfolgend wird, oder
4. Erkennbar ein Big-Tech-Referenzproblem ist,

ist jetzt eine Frage mit niedrigem Signal. Schreib sie um oder pensioniere sie. Ersetze sie durch eine Frage, die verankert, mehrdeutig, nachverfolgung-freundlich, verdreht oder erfahrungsorientiert ist — idealerweise mehrere auf einmal.

Die Teams, deren Hiring-Signal 2026 stabil bleibt, sind die Teams, die diese Arbeit 2024 und 2025 geleistet haben. Die Teams, die sich beschweren „Kandidaten bestehen unser Interview und können am ersten Tag nicht codieren", haben das meist nicht getan.