AI-ondersteunde codeervaardigheden in technische interviews beoordelen
De interviewvraag is veranderd
Twee jaar lang was de luidste vraag in tech-recruiting: gebruikte de kandidaat ChatGPT? Dat was de verkeerde vraag. De echte vraag is: hoe goed gebruiken ze het? — want tegen midden-2026 zal elke engineer die u aanstelt half de dag met een AI-assistent werken. Kandidaten die geen AI gebruiken weren, betekent dat je tegen het werk zelf aan het selecteren bent.
Meta, Shopify en Google gingen voer: AI is toegestaan, soms zelfs vereist, en de rubric beoordeelt hoe de kandidaat prompts geeft, resultaten verifieert en herstelt. Als uw interview nog steeds wordt beoordeeld op of de oplossing in 30 minuten netjes compileert, meet u een vaardigheid die niet meer aansluit op het daadwerkelijke werk.
Dit is de rubric en het format dat wij aanbevelen voor het beoordelen van AI-ondersteunde codeervaardigheden — en hoe u het signaal eerlijk houdt met de integriteitshulpmiddelen die u al hebt.
Waarom het oude "geen AI"-interview mislukt
Drie redenen waarom dit niet meer werkt:
- De taak in de praktijk is AI-ondersteund. Uw senior engineers leveren code op met Copilot of Claude. Aanstellen op basis van de ongepaarde versie selecteert voor een kleiner, nauwer vaardigheidsspectrum dan de rol daadwerkelijk nodig heeft.
- Detectie is asymmetrisch. Zelfs met code-coherentieanalyse en toetsenbordbiometrie sluipen gedisciplineerde bedrieger door en raken goedbedoelde kandidaten onder vuur. De voordeel-nadeel-verhouding werkt alleen voor hoogrisicorollen.
- Sterke kandidaten zelf-selecteren zich uit. Een senior die de hele dag met AI werkt gaat niet doen alsof ze het niet doen voor uw 45-minuten screening. Ze zullen een aanbod accepteren bij een bedrijf dat ze op hun manier laat werken.
De oplossing is niet om integriteitschecks af te schaffen — toetsenbord- en code-coherentiesignalen zijn nog steeds belangrijk om zich voorgeven op te sporen. Het is om te veranderen wat u beoordeelt: van "zelf geschreven" naar "AI goed aangestuurd."
De vier-dimensionale rubric
Beoordeel elke dimensie op schaal 1–5 met de onderstaande ankerpunten. Voeg ze toe aan uw bestaande interviewscorekaart — op senior niveau vervangen ze de "code quality"-as, op junior niveau lopen ze erlangs.
1. Promptkwaliteit
Wat u meet: kunnen ze het model nuttig werk laten doen zonder lange heen-en-weergesprekken?
- 5 — Prompts bevatten het doel, de beperkingen, relevante code of schema, en het gewenste uitvoerformat. Een enkele prompt levert een bruikbare respons op.
- 3 — Prompts bereiken het doel in 2-3 rondes. Enige onnodige scope of ontbrekende context.
- 1 — Eenliners zoals "fix dit." Hopen dat het model raadt wat ze bedoelen.
2. Uitvoerverificatie
Wat u meet: vertrouwen ze het model of controleren ze het?
- 5 — Voert gegenereerde code tegen testgevallen uit voordat ze het lezen. Spot een ontbrekend randgeval, een subtiel fout standaardwaarde, een verouderde API. Schrijft nog een test om het te bevestigen.
- 3 — Leest de code zorgvuldig maar vertrouwt grotendeels dat het werkt. Vangt alleen voor de hand liggende bugs.
- 1 — Plakt en verstuurt. Als je vraagt "weet je zeker?" kunnen ze niet zeggen waarom.
3. Herstel van slechte gegenereerde code
Wat u meet: wanneer het model in de fout gaat, kunnen ze het terugstuuren?
- 5 — Herkent het foutpatroon (gefantaseerde methode, wrong framework, verzonnen env var) binnen enkele seconden. Herformuleert de prompt met de ontbrekende context of schrijft zelf de fix.
- 3 — Merkt het op na een mislukte run. Probeert een andere prompt. Bereikt soms het doel.
- 1 — Vast in een lus. Geeft steeds dezelfde prompt en plakt dezelfde gebroken code terug.
4. Communicatie
Wat u meet: kunnen ze uitleggen wat ze de AI hebben gevraagd, wat ze terugkregen en waarom ze het hebben behouden of verworpen?
- 5 — Vertelt het live: "Ik gaf het het schema en vroeg om een query die de soft-delete-kolom verwerkt — het returnnde een join die ik niet nodig heb dus ik snoei die weg." Staat achter het resultaat.
- 3 — Legt achteraf uit. Grotendeels accuraat.
- 1 — Kan niet uitleggen waarom de code er zo uitziet. De AI schreef het; zij leverden het op.
Deze vier assen correleren veel beter met AI-productiviteit in het echte werk dan de erfenis "schrijft correcte code in 25 minuten"-beoordeling.
Het interviewformat dat deze signalen aan het licht brengt
Een sessie van 60 minuten gebouwd rond AI-ondersteund werk, niet ertegenin:
- 0-5 min: briefing. Geef de kandidaat een klein ambigu probleem — breid een bestaande repo van 200 regels uit met een nieuwe feature, of debug een subtiel probleem in echte code. Zeg hun dat een AI-assistent aangemoedigd wordt en de prompts die ze gebruiken deel van de beoordeling zijn.
- 5-45 min: bouwen met AI. Kijk hoe ze werken in een collaboratieve code-editor met hun AI-assistent naar keuze. Onderbreek de eerste 10 minuten niet. Maak notities per rubric-as.
- 45-55 min: verdedigen van het resultaat. Voer de code samen uit. Vraag hen om één functie die ze van de AI overnamen en één die ze herschreven door te lopen. Waarom elk? Waarin had het model ongelijk?
- 55-60 min: uitbreiding. "Als de invoer 100x groter was, hoe zou de AI-oplossing van je kapot gaan?" De kandidaat die de code werkelijk begrijpt, noemt het probleem in 30 seconden.
Een kleine twist op een LeetCode-vrij format: in plaats van de kandidaat te vragen de feature zonder AI uit te breiden, vraag je hem/haar het met AI te doen en beoordeel je de samenwerking.
Vragen die AI-vaardigheid aan het licht brengen
Gebruik deze halverwege het interview, niet aan het eind:
- "Laat me de prompt zien die je hiervoor zou schrijven."
- "Wat is één ding wat het model je zojuist vertelde dat je niet vertrouwt? Waarom?"
- "Als je AI offline was, hoe zou je dit anders oplossen?"
- "Loop me door deze functie — wat genereerde het en wat heb jij veranderd?"
De laatste is de meest signaalsterke vraag in het interview. Een kandidaat die een functie die ze "twee minuten geleden schreven" niet meer weet is AI-output aan het leveren die ze niet begrijpen. Dat is de foutmodus waartegen je aan het selecteren bent.
Veel voorkomende foutmodi en wat ze betekenen
- Prompt-en-plak, nooit testen. Lage verificatiescore. Zal gebroken code in productie leveren.
- Eindeloos re-prompting op dezelfde gebroken output. Lage herstelcore. Kan hun tools niet debuggen.
- Slimme verbale uitleg, kan geen vervolgvraag beantwoorden. Waarschijnlijk vooraf met AI geoefend voordat het gesprek begon. Duw harder door op de "wat zou je veranderen?" vraag, vergelijkbaar met de techniek voor het grondiger ondervragen van een take-home inzending.
- Weigert de AI helemaal te gebruiken. Niet vanzelf een mislukking — maar in 2026 is het de moeite waard te vragen hoe ze bij hun huidinge baan leveren.
Houd integriteitssignalen aan
AI toestaan is niet hetzelfde als integriteitsverificatie uitschakelen. Houd toetsenbordgebeurten en gezichtsaanwezigheidschecks aan zodat u nog steeds zich voorgeven en schermoverdracht kunt oppikken. Wat verandert is wat wordt gemarkeerd: een burst paste van ChatGPT in de editor is niet langer een rode vlag — het is een datapunt over promptkwaliteit. Het integriteitsrapport wordt bewijs van hoe de kandidaat werkte, niet of ze hebben valsspeeld.
Wat nu doen
Drie veranderingen betalen zich dit kwartaal uit:
- Voeg de vier-dimensionale AI-rubric toe aan uw scorekaart voor één rol. Voer het uit op vijf kandidaten en vergelijk met oude scores.
- Herschrijf één technische interviewvraag om AI-gebruik aan te nemen. Behoud het gestructureerde interviewformat — alleen de rubric verandert.
- Kalibreer het panel. Bekijk samen één opgenomen sessie en beoordeel elke as onafhankelijk voordat u discusseert. Meningsverschil over de communicatie-as is meestal waar je je sterkste signaal vindt.
Stel aan voor het werk dat de rol daadwerkelijk doet. In 2026 is dat werk AI-ondersteund; uw interview zou dat ook moeten zijn.