Pomoc AI podczas rozmowy: jak sprawdzać rozumienie zadania

Cluely i Interview Coder to przykłady narzędzi, które mogą podsuwać odpowiedzi AI podczas rozmowy. Jeśli kandydat używa ich wbrew uzgodnionym zasadom, ocena może nie odzwierciedlać samodzielnej pracy.

Ukrycie okna przed udostępnianiem ekranu nie oznacza niewykrywalności w każdych warunkach. Z kolei pytania o rozumowanie nie są odporne na pomoc AI. Warto łączyć jasno określone zasady, zadania związane z pracą i omówienie wyniku, pamiętając o ograniczeniach każdej metody.

Czym jest ściąganie na rozmowach z pomocą AI i jak działają Cluely oraz Interview Coder?

Narzędzia do ściągania na rozmowach przechwytują dźwięk od rekrutera i tekst zadania widoczny na ekranie, przepuszczają je przez duży model językowy i wyświetlają odpowiedź w nakładce widocznej dla kandydata, która może być ukryta w udostępnianym obrazie. Niektóre tryby ukrywają okno przed przechwytywaniem ekranu. Skuteczność zależy od systemu, narzędzia i sposobu udostępniania; sama deklaracja dostawcy nie potwierdza uniwersalnej niewykrywalności. Raportowane opóźnienie odpowiedzi to mniej więcej jedna–dwie sekundy.

Interview Coder zbudowali dwaj studenci Columbii, Chungin „Roy” Lee i Neel Shanmugam, żeby ogrywać rozmowy w stylu LeetCode. Lee nagrał, jak za pomocą niewidzialnej nakładki zalicza rozmowę techniczną w Amazonie, opublikował to nagranie, a obu zawieszono na Columbii. W kwietniu 2025 projekt zmienił nazwę na Cluely i rozszerzył zakres funkcji. Jego hasło brzmiało wprost: „ściągaj na wszystkim”.

Projekt pozyskał także finansowanie. Cluely pozyskało 15 mln dolarów w rundzie Series A, której przewodziło Andreessen Horowitz w czerwcu 2025, około dwa miesiące po rundzie seed na 5,3 mln dolarów.

Deklaracje firmy warto weryfikować. W rozmowie z TechCrunchem w marcu 2026 Roy Lee przyznał, że liczba „7 mln dolarów ARR”, którą publicznie podawał w lipcu rok wcześniej, była zmyślona; jego rzeczywiste dane ze Stripe pokazywały około 5,2 mln dolarów. Nazwał to „jedyną jawnie nieuczciwą rzeczą, jaką powiedziałem publicznie”. To rozbieżność między publiczną deklaracją a przedstawionymi danymi.

Jak duży jest ten problem i którym liczbom można ufać?

Uczciwa odpowiedź brzmi: ściąganie jest powszechne, ale najczęściej cytowana statystyka jest zarazem najmniej wiarygodna. Zacznij od niezależnych dowodów, a do liczb od dostawców podejdź z należytą podejrzliwością.

W październiku 2025 interviewing.io przeprowadziło ankietę wśród 67 rekruterów z firm z grona FAANG i im pokrewnych. Wyniki:

• 81% podejrzewa, że kandydaci używali AI do ściągania na ich rozmowach.
• Około 33% faktycznie złapało kogoś na gorącym uczynku.
• 75% uważa, że pomoc AI pozwala słabszym kandydatom przejść rozmowy, które w innym razie by oblali.

To pokrywa się z danymi Karat, którego współzałożyciel podał, że mniej więcej 80% kandydatów używa LLM-ów na testach kodowania, nawet gdy się im tego wprost zabroni. To relacje dostawców usług rekrutacyjnych, nie losowa próba wszystkich kandydatów.

A teraz nagłówkowa liczba, którą zapewne już widziałeś. Fabric, platforma do rozmów z AI, podała, że 38,5% kandydatów zostało oznaczonych za ściąganie w 19 368 rozmowach na własnej platformie między lipcem 2025 a styczniem 2026. Uwzględnij metodę pomiaru. Liczba pochodzi od jednego dostawcy, który sprzedaje produkt do wykrywania, mierzy „ściąganie” jako wynik prawdopodobieństwa powyżej progu z własnego modelu, na rozmowach prowadzonych na własnej platformie sterowanej przez AI. „Oznaczony przez model wykrywający” to nie to samo co „potwierdzone ściąganie”. Własne publikacje Fabric podają gdzie indziej sprzeczne liczby (pojawiają się 38,5%, 35% i 15%). Wynik opisuje zatem klasyfikację własnego modelu Fabric na jego własnej próbie.

Wniosek nie zależy od liczby Fabric. W badanej grupie większość prowadzących podejrzewała ściąganie, a jedna trzecia deklarowała wykrycie przypadku. To samo w sobie powinno zmienić sposób, w jaki prowadzisz proces.

Ograniczenia wykrywania i nadzoru

Brak widocznej nakładki nie potwierdza braku pomocy AI. Kandydat może też korzystać z urządzenia poza kadrem. Z drugiej strony śledzenie wzroku czy sposobu pisania może oznaczyć niewinne zachowania. Sprawdź, co narzędzie wykrywa i jak wyjaśniać fałszywe alarmy.

Ograniczenia obserwacji pokazuje kontrolowany eksperyment interviewing.io. Przeprowadzili 37 próbnych rozmów (32 nadawały się do analizy) z doświadczonymi inżynierami (cztery lata stażu lub więcej), którym polecono potajemnie używać ChatGPT, podczas gdy rekruterzy nie wiedzieli o tym ustawieniu. Wyniki w tej próbie:

Dwa wnioski z tego eksperymentu liczą się najbardziej. Po pierwsze, żaden rekruter nie oznaczył ściągania, nawet przy 73% zaliczeń. Po drugie, 81% ściągających kandydatów było pewnych, że uszło im to na sucho. Ludzkie wykrywanie zawiodło całkowicie przy pytaniach dosłownych. Eksperyment nie porównywał wszystkich produktów nadzorujących, więc nie rozstrzyga ich skuteczności.

Ale spójrz na dół tej tabeli. To samo ściąganie, które przy pytaniach dosłownych działało w 73% przypadków, przy niestandardowych zadziałało tylko w 25%. Różnica wynosi 48 punktów procentowych, czyli około dwie trzecie wartości 73%. To porównanie małych grup pytań, nie gwarancja takiego efektu po zmianie twojego zadania.

Jak dostosować ocenę do dostępności AI

Zdecyduj, co ma mierzyć zadanie i jakie narzędzia wolno stosować. Jeśli AI jest dozwolone, oceń weryfikację wyniku i uzasadnienie decyzji. Nowe zadania mogą utrudniać odtwarzanie gotowych odpowiedzi, ale model potrafi także rozwiązywać problemy, których wcześniej nie widział.

Ważne jest jedno zastrzeżenie z tego samego badania. Samo przeredagowanie istniejącego zadania LeetCode nie wystarczy. Lekko zmodyfikowane pytania nadal miały 67% wskaźnik zaliczeń przez ściąganie, niewiele poniżej dosłownych. Skuteczne niestandardowe pytanie wymaga naprawdę unikalnych wejść i wyjść, najlepiej powiązanych z twoją własną domeną, z jasno opisanym celem oceny. Powtarzające się zasady w niezależnych źródłach wyglądają tak:

1. Sprawdzaj rozumowanie i proces, nie składnię gotowej odpowiedzi. Odpowiedź jest teraz tanią częścią. Sygnałem jest to, jak kandydat ujmuje problem, waży kompromisy, rozpoznaje błędne założenie i zmienia podejście.
2. Używaj niestandardowych zadań z nowymi wejściami i wyjściami. Niepublicznych, nieopublikowanych, niebędących przeróbką znanej łamigłówki.
3. Drąż zrozumienie pytaniami linijka po linijce. „Dlaczego wybrałeś tę strukturę danych?” „A teraz rozszerz to, żeby obsłużyć ten przypadek.” Sprawdź wyjaśnienie i zmianę rozwiązania, pamiętając, że AI może pomagać także w odpowiedziach uzupełniających.
4. Używaj realistycznych, wieloetapowych zadań na wielu plikach. Najlepsze modele wciąż tracą jakość na długich, wieloetapowych łańcuchach rozumowania, a prawdziwa praca to nie pojedyncza funkcja z jednym poprawnym wyjściem.
5. Tam, gdzie pasuje to do roli, uwzględnij korzystanie z AI w zadaniu. Oceniaj, jak dobrze kandydat kieruje AI, krytykuje je i poprawia, jeśli należy to do obowiązków stanowiska.

Ten ostatni punkt to kierunek, w którym zmierza czołówka branży. CodeSignal uruchomił oceny wspomagane przez AI, które pozwalają kandydatom używać AI i punktują to, jak dobrze go używają. To jeden ze sposobów oceny pracy z AI.

Zmiana może dotyczyć części istniejącego procesu. W tej samej ankiecie interviewing.io wśród 52 respondentów z FAANG zero osób powiedziało, że ich firma porzuciła pytania algorytmiczne, ale 58% powiedziało, że zmieniło rodzaje pytań, które zadają, a tylko około 11% wdrożyło oprogramowanie do wykrywania ściągania. Ponad połowa przewiduje, że znaczenie rozmów algorytmicznych spadnie w ciągu dwóch do pięciu lat. Rekruterzy z Mety zgłaszali przejście na „bardziej otwarte pytania, które badają sposób myślenia”. Przykład pokazuje zmianę pytań przy zachowaniu formatu rozmowy.

Jak przygotować zadanie i jego omówienie

Połącz zadanie z omówieniem rozwiązania i wspólnymi kryteriami. Żaden z tych elementów sam nie potwierdza samodzielności.

Daj niestandardowe, wieloplikowe, dopasowane do firmy zadanie

Zastąp publiczną łamigłówkę algorytmiczną małym wycinkiem twojego prawdziwego problemu. Bug w realistycznej bazie kodu, funkcja na bazie kodu startowego, który sam napisałeś, zadanie z modelowania danych z wejściami, których żaden model nie widział. Autorskie zadanie nie gwarantuje, że AI go nie rozwiąże. Wynik 73% wobec 25% w cytowanym eksperymencie uzasadnia sprawdzenie różnych formatów, a nie obietnicę odporności. Więcej o budowaniu zadań, które kandydaci szanują, znajdziesz w poradniku jak konstruować zadania programistyczne.

Po zadaniu zaplanuj omówienie i rozszerzenie rozwiązania

Omówienie pozwala zebrać dodatkowe obserwacje. Zaplanuj rundę na żywo zaraz po zadaniu, której jedynym celem jest skłonienie kandydata do wytłumaczenia swojego rozwiązania linijka po linijce, a potem rozszerzenia go na miejscu. „Dodaj ten przypadek brzegowy.” „Zrefaktoruj to pod kątem czytelności.” Trudność z wyjaśnieniem może wskazywać na brak zrozumienia, ale może też wynikać ze stresu. Dopytaj o konkretne decyzje i sprawdź poprawność zmiany. To przekłada wniosek interviewing.io o pytaniach linijka po linijce na kolejne etapy twojej rekrutacji.

Zapisuj niezależne oceny według wspólnych kryteriów

Niech wielu recenzentów oceni to samo zgłoszenie według tych samych nazwanych kryteriów, ważonych pod kątem tego, co liczy się dla roli, zanim zobaczą swoje głosy nawzajem. Ukrycie wcześniejszych ocen ogranicza sugerowanie się nimi. Ważone karty ocen zmuszają wszystkich, żeby oceniali te same kompetencje, a nie wrażenia. Zapisz obserwacje uzasadniające punktację, nie tylko wynik „zaliczone” lub „niezaliczone”.

Zmień typ pytania, nie banuj algorytmu

FAANG nie porzucił rozmów algorytmicznych; zmienił rodzaj pytania i dodał pytania o rozumowanie. Możesz zachować wstępną selekcję, a w kolejnych rundach sprawdzać rozumowanie zamiast samej gotowej odpowiedzi z AI. Ustal, jakie umiejętności ma pokazać każda runda.

Jak ustalić wspólne kryteria oceny

Każdy kandydat powinien otrzymać porównywalne pytania, oceniane według wcześniej ustalonych kryteriów. Możesz zacząć od 5–7 ważonych kompetencji, jeśli odpowiadają zakresowi stanowiska.

Oceń na przykład, czy kandydat wyjaśnił kompromisy i poprawnie rozszerzył rozwiązanie. AI potrafi pomagać w obu czynnościach, więc karta mierzy obserwowaną pracę w ustalonych warunkach, a nie pewną samodzielność.

Więcej wyjaśnia tekst karty ocen ustrukturyzowanych rozmów a trafność predykcyjna.

Przy podejrzeniu naruszenia zasad wyjaśnij konkretny przypadek. Równolegle oceń, czy kandydat potrafi rozumować nad zadaniem. To dwa odrębne pytania.

Jak skonfigurować ocenę w Kit

Kit pozwala połączyć zadanie, rozmowę i ocenę zespołową w jednym procesie. Za treść zadania, warunki korzystania z AI i kryteria odpowiada zespół.

Możesz skonfigurować:

• Zadania programistyczne oparte na prawdziwych repozytoriach GitHub. Każdy kandydat dostaje prywatne repo wygenerowane z twojego własnego szablonu, z twoim README, twoim kodem startowym, a nawet twoim CI. To właśnie pozwala wysłać niestandardowe, wieloplikowe, dopasowane do firmy zadanie zamiast publicznej łamigłówki.
• Rozmowę na żywo po zadaniu. Szablony procesu w Kit pozwalają dowolnie układać etapy, więc możesz wstawić rundę rozmowy na żywo bezpośrednio po zadaniu programistycznym, której celem jest „przeprowadź nas przez to i rozszerz swoje rozwiązanie”. Oceń poprawność uzasadnienia i zmian; samo omówienie nie dowodzi autorstwa.
• Ocenę zespołu z ważonymi kryteriami. Recenzenci oceniają tę samą kandydaturę według kryteriów etapu, z rekomendacjami od zdecydowanego „nie” po zdecydowane „tak”. Na stronie oceny cudze wyniki pojawiają się dopiero po wysłaniu własnej oceny. To wbudowane zachowanie, a nie opcja ślepego głosowania.
• Reguły głosowania i ręczne rozstrzygnięcia. Głosowanie obsługuje próg głosów na „tak”, wymaganie wszystkich recenzentów oraz weto, które automatycznie odrzuca, a niejednoznaczne rundy kieruje do człowieka jako „wymaga decyzji”. Spełnienie skonfigurowanego progu może również automatycznie przenieść kandydata dalej. Sprawdź zasady przed rozpoczęciem procesu.
• Szablony procesu wielokrotnego użytku. Zapisz przygotowany proces jako szablon procesu i używaj go ponownie w różnych rolach, dostosowując zadania i kryteria do kolejnego stanowiska.

Kit nie oferuje wykrywania ściągania, proctoringu, śledzenia wzroku ani automatycznej oceny poprawności zadania. Zadania i karty pomagają organizować ocenę; nie dowodzą, że użycie AI było niemożliwe lub zgodne z zasadami.

Jeśli dostosowujesz ocenę techniczną do pracy z AI, rozpocznij bezpłatny okres próbny i przygotuj zadanie programistyczne oraz kryteria oceny toku rozumowania. O pokrewnym zagrożeniu dla tożsamości, gdzie fałszywy może być sam kandydat, przeczytaj w tekście kandydaci deepfake a oszustwa rekrutacyjne z AI.