Domande Tecniche d'Intervista a Prova di IA: Cosa Funziona Ancora nel 2026

Il problema con "a prova di IA"

Rigorosamente parlando, nessuna domanda di intervista è completamente a prova di IA. Un candidato determinato con un secondo monitor e un dattilografo veloce può far passare quasi qualsiasi risposta attraverso un LLM. L'obiettivo realistico non è l'impossibilità, bensì l'economia sfavorevole: domande dove il costo di usare bene l'IA è più alto del costo di rispondere semplicemente.

Quando l'uso dell'IA smette di essere una scorciatoia, smette di essere un problema. I modelli sottostanti sono quelli che vediamo resistere nella nostra libreria di valutazioni e nei loop di intervista dei clienti nel 2026.

Modello 1: Ancorare ogni domanda a un pezzo di codice che il candidato deve leggere prima

Un prompt autonomo — "scrivi una funzione che fa X" — è nel dataset di addestramento. Un prompt che dipende da 80 righe di codice che il candidato non ha mai visto non lo è.

Forma concreta:

• Fornisci un piccolo repository o file (40–200 righe).
• Poni una domanda la cui risposta richiede di comprendere quel codice specifico: "cosa accadrebbe se due richieste colpissero processOrder contemporaneamente con lo stesso ID ordine?"
• Poi chiedi una correzione.

Un LLM senza visione del file può indovinare una risposta generica. Un candidato che ha letto il codice può fornire una specifica. Il divario tra i due è il segnale.

Questa è la stessa logica dietro il formato fix-the-codebase, applicata al wording della domanda piuttosto che al formato della domanda.

Modello 2: Requisiti ambigui che puniscono la programmazione prematura

Gli LLM sono addestrati a produrre soluzioni sicure e complete. Sono scarsi nel convivere con l'ambiguità. Le domande che premiano il fare domande di chiarimento prima di scrivere codice selezionano naturalmente contro l'incollare di IA.

Prompt di esempio: "Vogliamo aggiungere una funzione 'segna come preferito' alla nostra app di note. Dimmi come la costruiresti."

Un ingegnere senior chiede: per utente o globale? Sincronizzazione tra dispositivi? Ordine preservato? Cosa accade quando una nota viene eliminata? Ogni domanda di chiarimento è segnale. Una risposta incollata dall'IA salta direttamente a uno schema della tabella favorites e non mette mai in superficie un singolo compromesso.

Assegna un punteggio al numero di chiarimenti significativi prima del codice, non solo al codice. Questo è lo stesso principio dietro una rubrica di system design che non premia i buzzword — entrambe puniscono risposte sicure ma cieche al contesto.

Modello 3: Domande di follow-up che richiedono proprietà della risposta precedente

La mossa più resistente all'IA in qualsiasi intervista è il follow-up dal vivo. Un LLM può scrivere codice. Non può fare un follow-up sul suo stesso codice in tempo reale, con l'intervistatore che guarda.

Modelli utili di follow-up:

• "Perché hai scelto una hash map qui? Cosa cambierebbe se gli input fossero ordinati?"
• "Illustrami cosa accade se questa funzione viene chiamata da due thread."
• "Cambio i requisiti: invece di un utente, sono un milione. Cosa si rompe per primo?"
• "Hai scritto const result = x ?? 0. Qual è la differenza tra ?? e || qui?"

I candidati che hanno scritto il loro codice possono improvvisare su di esso. I candidati che hanno incollato riescono solitamente a rispondere a un follow-up, talvolta due, e poi crollano. Tre follow-up sono un filtro quasi perfetto — e lo stesso playbook che funziona su submit da portare a casa funziona anche nei round dal vivo.

Modello 4: Domande con vincoli nuovi, non argomenti nuovi

Non hai bisogno di un algoritmo esotico per battere la memorizzazione del dataset di addestramento. Hai bisogno di una piccola variante di un problema familiare. La variante forza il ragionamento effettivo piuttosto che il recall con pattern matching.

Varianti concrete che funzionano:

• Una forma di dati personalizzata ("l'input è un flusso di oggetti {userId, eventType, ts}, non un array di interi").
• Un modello di costo insolito ("i lettori sono gratuiti, le scritture costano 100x — progetta di conseguenza").
• Un vincolo che capovolge la soluzione ovvia ("non puoi usare nessuna struttura basata su hash").
• Una dimensione del mondo reale ("la funzione verrà eseguita in un Lambda con un limite di memoria di 6 MB").

Il problema classico ("trova duplicati") è nel dataset di addestramento di ogni modello. Lo stesso problema con eventi {userId, ts} e un limite di memoria non lo è — almeno non in una forma che il modello può incollare direttamente. Il candidato deve adattarsi, e l'adattamento è la competenza che stai effettivamente cercando di assumere.

Modello 5: Domande "Spiega un compromesso che hai personalmente fatto"

Le domande di pura elicitazione di esperienza sono estremamente difficili da fingere al volo. L'LLM può generare una storia di guerra dal suono plausibile; non può rendere la storia specifica per un sistema che questo candidato ha effettivamente lanciato, e definitivamente non può rispondere a quattro follow-up mirati su quel sistema specifico.

Il modello:

1. Fai una domanda di compromesso: "Raccontami di un momento in cui hai scelto una soluzione peggiore sulla carta perché quella migliore era sbagliata per il contesto."
2. Dopo che rispondono, chiedi: "Quale era la metrica per cui stavi ottimizzando?"
3. Poi: "Quale era l'argomento più forte contro la tua scelta?"
4. Poi: "Cosa faresti diversamente ora?"

Combinato con una rubrica comportamentale strutturata, queste domande sono quasi impossibili da fingere alla risoluzione con cui le interviste effettivamente si svolgono. Il candidato che ha effettivamente lanciato il sistema risponde in 90 secondi. Il candidato che sta chiedendo a ChatGPT in un'altra scheda impiega 30 secondi per iniziare, fornisce una risposta generica e inciampa al secondo follow-up.

Quello che non funziona nel 2026

Per completezza, i modelli che ora sono per lo più segnale morto:

• I classici prompt di algoritmi nello stile di LeetCode — incollati in qualsiasi LLM, risolti in secondi.
• "Scrivi una funzione che…" senza codice circostante — stesso problema.
• Domande di trivia nello stile del linguaggio ("qual è la differenza tra let e var?") — risolte dal primo token del modello.
• "Progetta Twitter" / "progetta Uber" — ogni canale di preparazione per interviste su YouTube copre questi, e qualsiasi LLM restituirà l'architettura di riferimento.

Se il tuo loop attuale si basa su questi, il tuo segnale di assunzione si sta degradando che tu l'abbia notato o no. Abbiamo coperto la domanda più ampia se le valutazioni di programmazione funzionano ancora con l'IA altrove — la risposta breve è sì, ma solo se redesigni le domande.

Accoppia il design con il rilevamento

Anche le domande ben progettate traggono vantaggio da un secondo strato. Assegniamo un punteggio a ogni valutazione con biometria della tastiera per i modelli di paste-burst e eseguiamo una valutazione di coerenza LLM sulla presentazione finale. Il punto non è catturare ogni imbroglione — è rimuovere il percorso facile in modo che i candidati si auto-selezionino verso il fare effettivamente il lavoro.

Se vuoi la tassonomia completa dei segnali, il rapporto di integrità spiegato guida attraverso quello che facciamo emergere e come leggerlo.

Cosa fare dopo

Controlla la tua attuale banca di domande rispetto ai cinque modelli sopra. Qualsiasi cosa che:

1. Non ha codice o contesto da leggere prima di rispondere,
2. Ha una singola soluzione "corretta" da un manuale,
3. Non può essere seguita per tre round, o
4. È riconoscibilmente un problema di riferimento di Big Tech,

è ora una domanda a basso segnale. Riscrividla o ritirala. Sostituiscila con una domanda che sia ancorata, ambigua, favorevole al follow-up, contorta, o guidata dall'esperienza — idealmente più di una insieme.

I team il cui segnale di assunzione sta resistendo nel 2026 sono i team che hanno fatto questo lavoro nel 2024 e nel 2025. I team che si lamentano "i candidati superano la nostra intervista e non riescono a codificare il primo giorno" per lo più non lo hanno fatto.