AI-bewijs Technische Interviewvragen: Wat nog steeds werkt in 2026

Het probleem met "AI-bewijs"

Strikt genomen is geen enkele interviewvraag AI-bewijs. Een gemotiveerde kandidaat met een tweede monitor en snelle typer kan bijna elk antwoord via een LLM leiden. Het realistische doel is niet onmogelijkheid — het is ongunstige economie: vragen waarbij de kosten van goed AI-gebruik hoger zijn dan de kosten van gewoon antwoorden.

Wanneer AI-gebruik geen omleiding meer is, is het geen probleem meer. De onderstaande patronen zijn de patronen die wij zien standhouden in ons eigen assessmentbibliotheek en in klantinterviewloops in 2026.

Patroon 1: Verankering elke vraag in een stuk code dat kandidaten eerst moeten lezen

Een zelfstandige prompt — "schrijf een functie die X doet" — staat in de trainingsset. Een prompt die afhankelijk is van 80 regels code die de kandidaat nog nooit heeft gezien, niet.

Concrete vorm:

• Geef een kleine repository of bestand (40–200 regels).
• Stel een vraag waarvan het antwoord inzicht in die specifieke code vereist: "wat zou er gebeuren als twee verzoeken tegelijkertijd processOrder zouden raken met dezelfde order-id?"
• Vraag vervolgens om een oplossing.

Een LLM zonder zicht op het bestand kan een generiek antwoord raden. Een kandidaat die de code heeft gelezen, kan een specifiek antwoord geven. Het gat tussen de twee is het signaal.

Dit is dezelfde logica achter het fix-the-codebase format, toegepast op vraagformulering in plaats van vraagformat.

Patroon 2: Ambigue vereisten die voortijdig coderen bestraffen

LLM's zijn getraind om zelfverzekerde, volledig uitziende oplossingen te produceren. Ze zijn slecht in het omgaan met ambiguïteit. Vragen die belonen door clarificatievragen te stellen voordat code wordt geschreven, selecteren van nature tegen AI-plakken.

Voorbeeldprompt: "We willen een 'markeer als favoriet'-functie toevoegen aan onze notitie-app. Loop me door hoe je dit zou bouwen."

Een senior engineer vraagt: per gebruiker of globaal? Synchroniseren op apparaten? Volgorde behouden? Wat gebeurt er wanneer een notitie wordt verwijderd? Elke clarificatievraag is signaal. Een AI-geplakt antwoord gaat rechtstreeks naar een favorites tabelschema en brengt nooit een enkel compromis aan het licht.

Score het aantal zinvolle verduidelijkingen voordat code wordt geschreven, niet alleen de code. Dit is hetzelfde principe achter een system design rubric die geen punten geeft aan buzzwoorden — beide bestraffen zelfverzekerde maar contextblinde antwoorden.

Patroon 3: Vervolgvragen die eigendom van het vorige antwoord vereisen

De meest AI-resistente zet in elk interview is de live vervolgvraag. Een LLM kan code schrijven. Het kan niet live opvolgen op zijn eigen code, terwijl de interviewer kijkt.

Nuttige vervolgpatronen:

• "Waarom heb je hier een hash map gekozen? Wat zou veranderen als de inputs gesorteerd waren?"
• "Loop me door wat er gebeurt als deze functie vanuit twee threads wordt aangeroepen."
• "Ik ga de vereisten veranderen: in plaats van één gebruiker, het zijn er een miljoen. Wat breekt het eerste?"
• "Je schreef const result = x ?? 0. Wat is het verschil tussen ?? en || hier?"

Kandidaten die hun eigen code hebben geschreven, kunnen erover improvisen. Kandidaten die hebben geplakt, kunnen meestal één vervolgvraag beantwoorden, soms twee, en vervolgens instorten. Drie vervolgvragen is een bijna perfect filter — en dezelfde speelkaart die werkt op take-home inzendingen werkt ook in live rondes.

Patroon 4: Vragen met nieuwe constraints, niet nieuwe onderwerpen

Je hebt geen exotisch algoritme nodig om trainingsset-memorisering te verslaan. Je hebt een kleine draai op een bekend probleem nodig. De draai forceert echte redenering in plaats van patroon-gematcht terugroepen.

Concrete draaien die werken:

• Een aangepaste gegevensvorm ("de invoer is een stroom van {userId, eventType, ts} objecten, geen array van gehele getallen").
• Een ongebruikelijk kostenmodel ("lezen is gratis, schrijven kost 100x — ontwerp dienovereenkomstig").
• Een constraint die de voor de hand liggende oplossing omkeert ("je mag geen hash-gebaseerde structuur gebruiken").
• Een echte dimensie ("de functie wordt uitgevoerd in een Lambda met een 6 MB geheugenlimiet").

Het klassieke probleem ("find duplicates") staat in de trainingsgegevens van elk model. Hetzelfde probleem met {userId, ts} events en een geheugenlimiet niet — in ieder geval niet in een vorm die het model rechtstreeks kan plakken. De kandidaat moet zich aanpassen, en aanpassing is de vaardigheid waarnaar je echt op zoek bent.

Patroon 5: "Leg een afweging uit die je persoonlijk hebt gemaakt" vragen

Zuivere experience-elicitatie-vragen zijn extreem moeilijk on-the-fly te nep. Het LLM kan een aannemelijk klinkend oorlogsverhaal genereren; het kan het verhaal niet specifiek maken voor een systeem dat deze kandidaat daadwerkelijk heeft gelanceerd, en het kan zeker niet vier gerichte vervolgvragen over dat specifieke systeem beantwoorden.

Het patroon:

1. Stel een afweging vraag: "Vertel me over een moment waarop je een slechtere-op-papier-oplossing koos omdat de betere voor de context verkeerd was."
2. Nadat ze antwoorden, vraag: "Wat was de metriek die je optimaliseerde?"
3. Dan: "Wat was het sterkste argument tegen je keuze?"
4. Dan: "Wat zou je nu anders doen?"

Gecombineerd met een structured behavioral rubric, zijn deze vragen bijna onmogelijk nep op de resolutie waarop interviews daadwerkelijk draaien. De kandidaat die het systeem daadwerkelijk heeft gelanceerd, antwoordt in 90 seconden. De kandidaat die ChatGPT in een ander tabblad vraagt, duurt 30 seconden om te starten, geeft een generiek antwoord, en strompelt de tweede vervolgvraag.

Wat werkt niet in 2026

Ter volledigheid, de patronen die nu grotendeels dood signaal zijn:

• Klassieke LeetCode-stijl algoritme prompts — geplakt in elk LLM, opgelost in seconden.
• "Schrijf een functie die…" zonder omringende code — hetzelfde probleem.
• Trivia-stijl taaalvragen ("wat is het verschil tussen let en var?") — opgelost door de eerste token van het model.
• "Design Twitter" / "design Uber" prompts — elk YouTube interview-prep kanaal behandelt deze, en elk LLM zal de referentiearchitectuur terugbezorgen.

Als je huidige loop op deze steunt, degrades je hiring signaal of je hebt het opgemerkt of niet. We hebben de bredere vraag behandeld of coding assessments nog steeds werken met AI elders — het korte antwoord is ja, maar alleen als je de vragen herontwerpt.

Paar ontwerp met detectie

Zelfs goed ontworpen vragen profiteren van een tweede laag. We scoren elke assessment met keystroke biometrics voor plak-burst patronen en voeren een LLM-coherence pass uit over de eindvoorstel. Het doel is niet om elke cheater te vangen — het is om de gemakkelijke weg te verwijderen zodat kandidaten zichzelf selecteren naar het daadwerkelijk doen van het werk.

Als je de volledige taxonomie van signalen wilt, de integrity report explained loopt door wat we oppervlakkig brengen en hoe het te lezen.

Wat je nu moet doen

Controleer je huidige vragenbank op de vijf patronen hierboven. Alles dat:

1. Geen code of context heeft om voor het antwoorden te lezen,
2. Één "juiste" leerboekoplossing heeft,
3. Niet kan worden vervolgd voor drie rondes, of
4. Herkenbaar een Big Tech referentieprobleem is,

is nu een laag-signaal vraag. Herwerk het of stop ermee. Vervang het door een vraag die verankerd, ambigu, vervolgvriendelijk, gedraaid of ervaring-aangedreven is — idealiter meerdere tegelijk.

De teams waarvan het hiring signaal in 2026 standhoudend is, zijn de teams die dit werk in 2024 en 2025 hebben gedaan. De teams die klagen "kandidaten slagen ons interview en kunnen de eerste dag niet coderen" hebben dit grotendeels niet gedaan.