Cum să detectezi codul generat de IA într-o trimitere take-home
De ce "detectoarele IA" în mare parte nu funcționează
Uneltele care pretind să clasifice dacă o trimitere de cod a fost generată de IA au consistent acuratețe slabă. Produc multe false pozitive (penalizând candidatele care întâmplător scriu într-un stil curat) și multe false negative (LLM-urile moderne pot produce cod cu aspect idiosincratic la cerere). Acționarea pe output-ul lor e riscantă.
Detectarea fiabilă vine dintr-un unghi diferit: nu încearcă să clasifice artefactul. Compară artefactul cu procesul care l-a produs.
Ce distinge cu adevărat trimiterile umane de cele IA
Trei semnale, niciunul bazat pe clasificarea codului final:
1. Trace-ul procesului
Cum a fost scris codul? Oamenii scriu iterativ — o funcție apare, e editată, e redenumită, primește un fix de bug. Codul lipit din IA sosește în bucăți mari, adesea complete la prima apariție. Capturează linia temporală de keystroke și editare a trimiterii și diferența e vizibilă.
ClarityHire înregistrează această linie temporală pentru trimiteri take-home și scoate la lumină semnale de "rată de paste" și "iterație de editare" care flag-uiesc pattern-uri de proces inconsistente cu cod scris de mână. Nu acuză candidata — scoate semnalul pentru ca revizorul să-l sondeze.
2. Coerența între cod și explicație
O candidată care a scris codul îl poate explica specific. O candidată care l-a lipit nu poate. Interviul de walk-through la sfârșitul oricărui take-home e cel mai fiabil detector unic al trimiterilor lipite din IA pentru că candidata trebuie să-și apere propriile alegeri în timp real.
Sondează specific: "De ce ai ales abordarea asta față de alternativa?" "Ce s-ar schimba dacă X ar fi diferit?" "Parcurge-mă prin ce se întâmplă când funcția asta e apelată cu [edge case]." Candidatele care l-au scris răspund fluent. Cele care l-au lipit improvizează vag.
3. Consistența stilului
Pe trimiteri multiple sau între părți diferite ale unei singure trimiteri, stilul a rămas coerent? Denumiri, stil de comentarii, pattern-uri de tratare a erorilor. Trimiterile IA au adesea consistență internă suspectă și inconsistență externă suspectă: mai uniform decât ar scrie un om într-un proiect, mai variabil decât celelalte artefacte ale candidatei.
Ce să faci cu semnalul
Niciodată să nu auto-respingi. Semnalele sunt probabilistice, iar costul unui fals pozitiv e mare — etic și pentru pipeline.
Folosește-le ca triaj: o trimitere flag-uită primește un walk-through mai riguros. Walk-through-ul îl rezolvă curat în aproape toate cazurile. Dacă candidata își apără fluent codul, scorul rămâne. Dacă nu poate, scorul reflectă ce poate apăra.
Asta e mai umană decât un clasificator black-box care emite un verdict și produce rezultate mai bune de hiring.
Ce să comunici candidatelor
Spune-le din timp: "Acest take-home e urmat de un walk-through de 30 de minute unde îți vei explica codul. Folosește orice unelte te ajută să-ți faci treaba bine, dar fii pregătită să-ți aperi alegerile."
Candidatele care pot folosi asistenți IA eficient ca unealtă și își pot explica fluent munca nu sunt oamenii pe care vrei să-i filtrezi — așa lucrează inginerii în 2026. Filtrul e pentru oameni care lipesc fără să înțeleagă. Walk-through-ul e instrumentul corect.
Încotro merge asta
Abordările bazate pe detectare vor continua să piardă teren împotriva LLM-urilor îmbunătățite. Abordările de proces-trace și walk-through vor continua să funcționeze pentru că nu depind de artefact arătând diferit — depind de relația candidatei cu propria muncă să fie defensabilă. Acea relație e ce angajezi oricum.