Hoe ChatGPT-Gebruik in Coderingsinterviews Te Detecteren

De nieuwe basislijn: elke kandidaat heeft ChatGPT open

In 2026 is de vraag niet langer of kandidaten AI gebruiken in interviews — het is hoeveel, en of zij hetzelfde werk zonder kunnen produceren. Als je je niet aanpast, stel je mensen aan wiens gereclaimde vaardigheid de AI's is, niet hun.

Dit artikel is een veldgids voor het detecteren van AI-ondersteunde antwoorden in live en async coderingsinterviews, getrokken uit de signalen onze integriteitsmotor oppervlak.

Signaal 1: Toetsenbord-ritme dat niet menselijke autheurschap overeenkomt

Wanneer een persoon code schrijft, pauze ze om te denken, backspace, hernoem variabelen, en trail af mid-regel. Wanneer een persoon code plakt, zie je een enige toetsenbord-burst — vaak honderden karakters in onder een seconde — gevolgd door stilte.

ClarityHire's toetsenbord biometrie model vlag twee patronen:

• Burst-plak-gebeurtenissen. Aanhoudende typ-rentes boven ~700 chars/min, vooral wanneer voorafgegaan door een 10–60 seconden stilte (de klassieke "alt-tab naar ChatGPT" tell).
• Autheurschap-drift. De kandidaat's typ-vingerafdruk verschuif mid-taak. De eerste 10 minuten zien eruit als één persoon; minuut 30 ziet eruit als een ander.

Geen is conclusief op zijn eigen. Samen, zij bijna altijd zijn.

Signaal 2: Codecoherentie-breuken

LLM-gegenereerde code is vloeiend maar vaak over-vloeiend. Echte engineers verlaten artefacten: een TODO zij vergaten te verwijderen, een variabele genaamd x zij bedoeld hernoemen, een enigszins inconsistente stijl tussen twee functies geschreven 20 minuten apart.

We voer een LLM-rechter pas over de kandidaat's eindse indiening vraagend één vraag: ziet dit eruit als één persoon schreef het, van begin tot einde? Veelvoorkomende rode vlaggen:

• Commentaren die triviale code uitleggen in schoolboek-proza
• Plotse upgrades in idioom (ruw voor loops in één functie, elegante comprehensions in de volgende)
• Defensieve foutafhandelingen voor gevallen de kandidaat nooit testte

Signaal 3: Vraag-naar-toetsenbord-latenties

Als een kandidaat een probleem leest en begint een werkende oplossing in 8 seconden in te typen, zij niet denken — zij transscriberen. We maatstaf tijd-naar-eerste-zinvol-toetsenbord en vlag alles implausibel snel voor het probleem's moeilijkheidsgraad.

Wat er aan te doen

Detectie is half het antwoord. De andere helft is interview-design dat AI-gebruik minder nuttig maakt:

1. Vra vervolgvragen live. "Waarom koos je een hash-kaart hier? Wat gebeurt als de ingang gesorteerd is?" Een LLM-geplakte oplossing zal een eigenaar hebben die niet kan antwoorden.
2. Gebruik problemen met nieuw constraints. Standaard LeetCode is in de trainingsbestand. Een kleine draai — een aangepast gegevensshape, een ongebruikelijk kostfunctie — forceert werkelijk denken.
3. Combineer async met live. Een 30-minuten live vervolgstap op de neem-huis indiening is de enige meest-hoog-signaal interview de meeste teams niet voeren.

Moderne werving is niet anti-AI. Het is anti-vals. Kandidaten die AI goed, transparant gebruiken, zijn precies de mensen je wil aanstellen. Het doel is zeker te stellen zij ook de mensen verschijnen.