Întrebări de interviu tehnic anti-IA: Ce funcționează în continuare în 2026

Problema cu „anti-IA"

Strict vorbind, nicio întrebare de interviu nu este cu adevărat imposibilă de rezolvat cu IA. Un candidat determinat cu un al doilea monitor și o dactilografiere rapidă poate trece aproape orice răspuns prin intermediul unui LLM. Obiectivul realist nu este imposibilitate — ci economie nefavorabilă: întrebări unde costul folosirii IA bine este mai mare decât costul răspunsului.

Când utilizarea IA nu mai este o scurtătură, încetează să fie problemă. Modelurile de mai jos sunt cele pe care le vedem rezistând la efortul testării noastre și în buclele de interviu ale clienților în 2026.

Modelul 1: Ancoră fiecare întrebare în cod pe care candidatul trebuie să-l citească mai întâi

Un prompt standalone — „scrie o funcție care face X" — se află în setul de instruire. Un prompt care depinde de 80 de linii de cod pe care candidatul nu le-a văzut niciodată nu se află.

Forma concretă:

• Oferă un depozit mic sau un fișier (40–200 linii).
• Pune o întrebare al cărei răspuns necesită înțelegerea acelui cod specific: „ce s-ar întâmpla dacă două cereri ar lovi processOrder simultan cu același id de comandă?"
• Apoi cere o corecție.

Un LLM fără vedere asupra fișierului poate ghici un răspuns generic. Un candidat care a citit codul poate da o răspuns specific. Decalajul dintre cei doi este semnalul.

Aceasta este aceeași logică din spatele formatului fix-the-codebase, aplicată la formularea întrebării mai degrabă decât la format.

Modelul 2: Cerințe ambigue care pedepsesc codarea prematură

LLM-urile sunt antrenate să producă soluții încrezătoare și care arată complete. Sunt slabe la a sta cu ambiguitate. Întrebări care recompensează punerea de clarificări înainte de a scrie cod selectează natural împotriva lipirilor IA.

Exemplu de prompt: „Vrem să adăugăm o caracteristică „marchează ca favorit" la aplicația noastră de note. Cum ai construi-o?"

Un inginer senior întreabă: per-utilizator sau global? Sincronizare între dispozitive? Ordinea păstrată? Ce se întâmplă când o notă este ștearsă? Fiecare întrebare de clarificare este semnal. Un răspuns lipit din IA merge direct la schema tabelului favorites și nu scoate niciodată un singur compromis la suprafață.

Punctezi numărul de clarificări semnificative înainte de cod, nu doar codul. Acesta este același principiu din spatele unui rubric de design de sistem care nu recompensează cuvintele cheie — amândoi penalizează răspunsurile care sună încrezător dar sunt oarbe la context.

Modelul 3: Întrebări de continuare care necesită proprietate asupra răspunsului anterior

Mișcarea cea mai rezistentă la IA în orice interviu este follow-up-ul live. Un LLM poate scrie cod. Nu poate face follow-up pe codul propriu în timp real, cu intervievatorul privind.

Modele utile de follow-up:

• „De ce ai ales o hartă hash aici? Ce s-ar schimba dacă intrările ar fi sortate?"
• „Parcurge-mi ce se întâmplă dacă această funcție este apelată din două fire."
• „Voi schimba cerințele: în loc de un utilizator, sunt un milion. Ce se strică mai întâi?"
• „Ai scris const result = x ?? 0. Care este diferența dintre ?? și || aici?"

Candidații care și-au scris codul propriu pot improviza. Candidații care au lipit de obicei pot răspunde la un follow-up, uneori doi, și apoi se prăbușesc. Trei follow-up-uri este un filtru aproape perfect — și același playbook care funcționează pe submisiile take-home funcționează și în rundele live.

Modelul 4: Întrebări cu constrângeri noi, nu subiecte noi

Nu ai nevoie de un algoritm exotic pentru a învinge memorizarea din setul de instruire. Ai nevoie de o mică răsturnare a unei probleme familiare. Răsturnarea forțează raționament real mai degrabă decât reamintire cu pattern-matching.

Răsturnări concrete care funcționează:

• O formă de date personalizată („intrarea este un flux de obiecte {userId, eventType, ts}, nu o matrice de numere întregi").
• Un model de cost neobișnuit („citirile sunt libere, scrierile costă 100x — proiectează în consecință").
• O constrângere care răstoarnă soluția evidentă („nu poți folosi nicio structură bazată pe hash").
• O dimensiune din lumea reală („funcția va rula într-un Lambda cu o limită de memorie de 6 MB").

Problema clasică („găsește duplicatele") se află în datele de instruire a fiecărui model. Aceeași problemă cu evenimente {userId, ts} și o limită de memorie nu se află — cel puțin nu într-o formă pe care modelul o poate lipi direct. Candidatul trebuie să se adapteze, și adaptarea este abilitatea pe care de fapt o angajezi.

Modelul 5: Întrebări „Explică un compromis pe care l-ai făcut personal"

Întrebările de elicitare a experienței pure sunt extrem de greu de contrafăcut pe loc. LLM-ul poate genera o poveste de război care sună plauzibil; nu poate face povestea specifică unui sistem pe care acest candidat l-a lansat de fapt, și cu siguranță nu poate răspunde la patru follow-up-uri țintite despre acel sistem specific.

Modelul:

1. Pune o întrebare de compromis: „Spune-mi despre o vreme când ai ales o soluție mai rea pe hârtie pentru că cea mai bună era greșită pentru context."
2. După ce răspunde, întreabă: „Care era metrica pentru care optimizai?"
3. Apoi: „Care era cel mai puternic argument împotriva alegerii tale?"
4. Apoi: „Ce ai face altfel acum?"

Combinate cu un rubric comportamental structurat, aceste întrebări sunt aproape imposibil de contrafăcut la rezoluția la care rulează interviurile de fapt. Candidatul care a lansat de fapt sistemul răspunde în 90 de secunde. Candidatul care cere ChatGPT în alt tab ia 30 de secunde să înceapă, dă un răspuns generic, și se încurcă la al doilea follow-up.

Ce nu funcționează în 2026

Pentru completitudine, modelurile care sunt acum în mare parte semnal mort:

• Prompturi clasice LeetCode-style cu algoritmi — lipite în orice LLM, rezolvate în secunde.
• „Scrie o funcție care…" fără cod înconjurător — aceeași problemă.
• Întrebări de trivia de limbaj („care este diferența dintre let și var?") — rezolvate de primul token al modelului.
• „Design Twitter" / „design Uber" prompts — fiecare canal YouTube de pregătire pentru interviu acoperă acestea, și orice LLM va returna arhitectura de referință.

Dacă buclă ta actuală se bazează pe acestea, semnalul tău de angajare se degradează indiferent dacă ai observat-o sau nu. Am acoperit mai larg întrebarea dacă evaluările de codare încă funcționează cu IA — răspunsul scurt este da, dar doar dacă redesenezi întrebările.

Asociază proiectarea cu detecția

Chiar și întrebările bine proiectate beneficiază de un al doilea strat. Punctez fiecare evaluare cu biometria tastaturii pentru tipare de burst-uri de lipire și execut o trecere de coerență LLM peste submisia finală. Punctul nu este să prindă fiecare trișor — ci să elimine calea ușoară, astfel încât candidații se auto-selectează către de fapt a face munca.

Dacă vrei taxonomia completă a semnalelor, raportul de integritate explicat parcurge ce suprafață și cum să-l citești.

Ce să faci în continuare

Auditează banca ta de întrebări actuală contra celor cinci modele de mai sus. Orice lucru care:

1. Nu are cod sau context de citit înainte de a răspunde,
2. Are o singură soluție „corectă" din manual,
3. Nu poate fi urmat de trei runde, sau
4. Este recunoscută ca o problemă de Big Tech referință,

este acum o întrebare cu semnal scăzut. Rescrie-o sau penzioneaz-o. Înlocuiește-o cu o întrebare care este ancorată, ambiguă, prietenoasă cu follow-up-ul, răsturnată, sau condusă de experiență — ideal mai multe simultan.

Echipele al căror semnal de angajare se ține în 2026 sunt echipele care au făcut această muncă în 2024 și 2025. Echipele care se plâng „candidații trec interviul nostru și nu pot codifica în ziua unu" în mare parte nu au făcut-o.