Jak sprawdzać realne umiejętności inżynierów w erze AI

Jeśli w twoim zespole programiści korzystają z AI, uwzględnij je także w zadaniu rekrutacyjnym. Sprawdź, jak kandydat dobiera polecenia, weryfikuje wynik i poprawia błędy. Zadanie „znajdź błąd i rozwiń” na nieznanym kodzie pozwala obserwować te czynności. W karcie oceny uwzględnij zarówno poprawność rozwiązania, jak i uzasadnienie decyzji.

Działający kod nie wyjaśnia, ile kandydat rozumie z rozwiązania. Jedna osoba potrafi wskazać ograniczenia podpowiedzi AI i je sprawdzić. Druga przyjmuje wynik bez weryfikacji. Omówienie zadania daje okazję do rozróżnienia tych zachowań. Nie wymaga zakazywania AI ani zgadywania, kto z niego korzystał. O podobnym problemie z oceną formalnych kwalifikacji piszemy w tekście o załamaniu wartości dyplomów.

Czego uczą dane z uczelni

Dane z uczelni zwracają uwagę na ryzyko: student może zaliczać zadania z asystentem, a jednocześnie nie opanować materiału. Nie wynika z nich jednak, jak często dotyczy to kandydatów do konkretnej pracy.

Wiosną 2026 roku odsetek niezaliczeń na kursie CS 10 na UC Berkeley sięgnął 35,3%, wobec mniej niż 10% zarówno wiosną 2024, jak i wiosną 2025, według danych o ocenach podanych przez Daily Californian. Na CS 61A odnotowano 10,6% ocen niedostatecznych, a na EECS 127, 16,8%. Średnia ocen w semestrze spadła do mniej więcej C+ (2,3 GPA), znacznie poniżej zalecanego przez wydział przedziału 2,8–3,3.

Wykładowca Dan Garcia przypisał ten spadek „ogromnemu wzrostowi nieuczciwości akademickiej” wynikającemu z korzystania z dużych modeli językowych, wskazując na blisko 30 studentów przyłapanych na ściąganiu przy egzaminach domowych z samego CS 10. Profesor Gireeja Ranade zauważyła, że studenci nie radzą sobie z wymaganą wcześniej algebrą liniową; jeden z nich wyznał, że na jego kursie algebry liniowej obowiązywała „polityka otwartego internetu i otwartego AI” przy pracach domowych i egzaminach. Od tego czasu ponad 1300 wykładowców UC podpisało petycję o przywrócenie egzaminów SAT i ACT przy rekrutacji na kierunki STEM.

Relacje wykładowców sugerują, że korzystanie z AI bez samodzielnego sprawdzania rozumowania może ukrywać braki w podstawach. Same dane o ocenach nie pozwalają przypisać całego spadku używaniu AI. W rekrutacji warto sprawdzić rozumienie rozwiązania niezależnie od tego, z jakich narzędzi korzystał kandydat.

Co pomija rozmowa bez AI

Runda bez AI może sprawdzać samodzielne rozumowanie. Nie pokazuje jednak, jak kandydat pracuje z asystentem. Jeśli ta umiejętność jest potrzebna na stanowisku, przeznacz na nią osobne zadanie i podaj zasady używania narzędzi.

AI jest już częścią codziennej pracy wielu programistów. Badanie firmy Sonar State of Code Developer Survey 2026, oparte na odpowiedziach ponad 1100 programistów, wykazało, że 42% commitowanego kodu jest już generowane lub wspomagane przez AI, z prognozą wzrostu do 65% w 2027 roku. W Google CEO Sundar Pichai poinformował w aktualizacji z kwietnia 2026, że około 75% nowego kodu powstaje z udziałem AI i jest recenzowane przez inżynierów, wobec 50% poprzedniej jesieni (wg relacji Exponent i Tekedii o wewnętrznym programie). To przykład praktyki dużej firmy, a nie dowód, że każda rozmowa techniczna powinna dopuszczać AI.

Szefowie zespołów inżynierskich dostrzegają trudności w ocenie kandydatów. Raport Karat 2025–2026 AI Workforce Transformation Report, oparty na odpowiedziach 400 szefów zespołów inżynierskich z USA, Indii i Chin, pokazał, że 71% uważa, iż AI utrudnia ocenę umiejętności technicznych. Ten sam raport zwraca uwagę, że silni inżynierowie są dziś wyceniani na trzykrotność (lub więcej) swojego całkowitego wynagrodzenia, co podnosi koszt pomyłki na etapie selekcji. Odpowiedź branży to dopuszczenie AI, a nie zakaz: według analizy IEEE-USA z kwietnia 2026 około 38% organizacji pozwala już na AI w rozmowach technicznych, a wśród pracodawców z Nowego Jorku odsetek ten sięga blisko 25% i ma rosnąć w kierunku 50%. Pozwalają na to już m.in. Canva, Rippling, Red Hat, Meta i Shopify.

Dlaczego samo wykrywanie AI nie wystarczy

Nie opieraj decyzji wyłącznie na podejrzeniu użycia AI. Wynik detektora ani samo udostępnianie ekranu nie pokazują, czy kandydat rozumie rozwiązanie. Jasne zasady i omówienie pracy dają recenzentowi konkretny materiał do oceny.

Według Fabric, który przeanalizował ponad 50 000 kandydatów, ściąganie z pomocą AI przy zadaniach rekrutacyjnych do domu ponad podwoiło się: z 15% w czerwcu 2025 do 35% w grudniu 2025. Współczesne narzędzia rozwiązują standardowe zadania do domu w niecałe pięć minut i wyświetlają odpowiedzi przez niewidoczne nakładki GPU, które mogą nie być widoczne przy udostępnianiu ekranu. Fabric podaje, że 59% osób prowadzących rekrutację już podejrzewa kandydatów o używanie AI w zadaniach, a szefowie zespołów z badania Karat szacują, że ponad połowa kandydatów korzysta z AI nawet wtedy, gdy się tego zakazuje. Patrząc dalej w przyszłość, Gartner przewiduje, że do 2028 roku jeden na cztery profile kandydatów będzie fałszywy, sklecony z syntetycznego tekstu, głosu lub deepfake’ów (cyt. za Fabric).

Zamiast polegać na wykrywaniu narzędzia, sprawdzaj sposób jego użycia. Poproś o wyjaśnienie decyzji, odtworzenie błędu i wskazanie testów. Sam poprawny wynik nie odpowiada na te pytania.

Sprawdzaj także weryfikację kodu

Weryfikacja kodu obejmuje ocenę jego poprawności, znalezienie błędów i sprawdzenie poprawki. Przy kodzie generowanym przez AI nie można jej pominąć. Sonar opisuje ten problem jako „wąskie gardło weryfikacji”.

Pokazują to wyniki ankiety. W badaniu Sonara 96% programistów nie ufa w pełni kodowi generowanemu przez AI, a mimo to tylko 48% zawsze weryfikuje go przed commitem, zaś 38% przyznaje, że recenzja kodu AI kosztuje więcej wysiłku niż recenzja kodu człowieka. Weryfikacja bywa potrzebna również po testach QA. Raport Lightrun 2026 State of AI-Powered Engineering wykazał, że 43% zmian w kodzie generowanym przez AI wymaga ręcznego debugowania na produkcji już po przejściu QA i środowiska staging (wg relacji VentureBeat).

Przywołane badania wskazują, że sprawdzanie kodu AI wymaga czasu i umiejętności. Nie wyznaczają odsetka błędów w twoim zespole, ale uzasadniają uwzględnienie w zadaniu rekrutacyjnym czytania kodu, odtwarzania błędów i pisania testów.

Co naprawdę warto mierzyć: kieruje, weryfikuje, poprawia

Oprócz poprawności funkcji oceń dobór poleceń dla asystenta, sposób sprawdzenia wyniku i reakcję na błędną podpowiedź. Każde z tych kryteriów powinno odwoływać się do zachowania zaobserwowanego w zadaniu.

Opisywany pilotaż Google z asystentem AI dopuszcza korzystanie z zatwierdzonego asystenta w rundzie kodowania dla stanowisk junior i mid w USA i ocenia „biegłość w AI, w tym prompt engineering, walidację wyniku i umiejętności debugowania”. Co ważne, kandydaci, którzy „mocno opierają się na AI, nie pokazując własnego zrozumienia”, dostają negatywną ocenę. Oceniane jest więc także zrozumienie wygenerowanego kodu. DoorDash poszedł dalej i zastąpił klasyczną rundę kodowania 60-minutową sesją roboczą z udziałem AI na realistycznym projekcie, ocenianą pod kątem „użycia narzędzi, podejścia do debugowania, osądu i komunikacji w warunkach realnych ograniczeń”. Zespół inżynierski DoorDash mówi wprost, że „prawdziwym wyróżnikiem są decyzje, rozumowanie na poziomie systemu i poczucie odpowiedzialności”.

Materiały rekrutacyjne programów takich jak Formation i Sierra podobnie opisują weryfikację: silni kandydaci „tworzą minimalną reprodukcję, czytają logi i piszą ukierunkowane testy, by udowodnić, że poprawka działa, zamiast ślepo ufać wynikowi AI”. Dwa formaty zadań pokazują to najlepiej.

Zadanie „znajdź błąd i rozwiń” na kodzie, którego kandydat nie pisał

Daj kandydatowi mały, częściowo działający projekt z błędem logicznym, którego nie wykrywa prosty test. Poproś o znalezienie przyczyny, poprawkę i dodanie jednej funkcji. Kod powinien być na tyle krótki, żeby zapoznanie się z nim nie zajęło większości dostępnego czasu.

AI jest wprost dozwolone. Patrzysz na to, jak kandydat orientuje się w nieznanym kodzie, czy reprodukuje błąd, zanim go „naprawi”, czy ufa pierwszej podpowiedzi asystenta, czy ją sprawdza, i jak reaguje, gdy model z pełnym przekonaniem proponuje coś błędnego. Zapisz konkretne obserwacje: czy kandydat potrafi wyjaśnić zmianę i czy sprawdził jej skutki.

Rozmowa o projekcie systemu, która wymusza kompromisy

Połącz zadanie debugowania z rozmową o projekcie systemu, która wymusza jawne rozważanie kompromisów. Nie „zaprojektuj Twittera”, ale wąsko zakrojona, konkretna decyzja: jak zaplanowałbyś tu cache, gdzie to pęka pod obciążeniem, co tracisz, wybierając prostszą opcję? Dopytuj o konsekwencje wyboru i zmieniaj ograniczenia. Oceń, czy kandydat rozumie propozycję, potrafi ją zweryfikować i uzasadnia zmianę decyzji. Także w tej części może korzystać z AI, jeśli pozwalają na to zasady zadania.

Karta oceny: pięć kryteriów wartych punktowania

W karcie oceny opisz zachowania, które recenzent może zaobserwować. Oceniaj każdego kandydata według tych samych pięciu kryteriów, żeby można było porównać wyniki w całym procesie.

1. Dobrze kieruje AI. Klarowne, celowe prompty; wie, o co i po co pyta, zamiast wklejać cały problem w nadziei, że się uda.
2. Weryfikuje wynik. Reprodukuje, czyta logi, pisze ukierunkowane testy; nie commituje na wiarę.
3. Poprawia błędy AI. Wyłapuje podpowiedź, która brzmi sensownie, ale jest błędna, i wyjaśnia, dlaczego jest błędna.
4. Rozważa kompromisy. Broni decyzji, waży alternatywy, koryguje się przy nowych ograniczeniach.
5. Komunikuje się i bierze odpowiedzialność. Wyjaśnia tok myślenia, panuje nad zakresem, odpowiada za wynik.

Co badania mówią o próbkach pracy

Próbki pracy mają oparcie w badaniach nad doborem pracowników. W metaanalizie Schmidta i Huntera (1998) oszacowano ich trafność na około 0,54, a ustrukturyzowanych rozmów na 0,51. Połączenie testu ogólnych zdolności umysłowych z próbką pracy osiągało około 0,63. Roth, Bobko i McFarland (2005) oszacowali trafność próbek pracy bliżej 0,33. To współczynniki z różnych analiz, a nie procent poprawnych decyzji ani wynik pomiaru opisanego tu zadania z AI.

CV i dyplom dostarczają kontekstu, ale nie zastępują obserwacji pracy. Zestaw zadanie z rozmową o jego rozwiązaniu, zamiast zakładać, że formalne kwalifikacje rozstrzygają ocenę. O ograniczeniach popularnych zadań algorytmicznych piszemy w artykule dlaczego selekcja w stylu LeetCode traci przydatność.

DoorDash podaje również, że formaty z udziałem AI pozwalają „naprawdę zabłysnąć inżynierom o nietypowej ścieżce”, bo asystent pomaga w wykonaniu zadania, a rozmowa pozwala ocenić rozumowanie rozwinięte podczas nauki matematyki, fizyki czy samodzielnej pracy. To doświadczenie tej firmy; wpływ takiego formatu na różne grupy kandydatów trzeba sprawdzić we własnej rekrutacji.

Jak zbudować to we własnym procesie

Nie potrzebujesz zewnętrznej firmy prowadzącej rozmowy techniczne ani dostawcy zdalnego nadzoru, żeby to uruchomić. Potrzebujesz dwóch etapów, skonfigurowanych raz: zadania programistycznego z dozwolonym AI zbudowanego wokół weryfikacji oraz ustrukturyzowanego omówienia na żywo z przygotowaną kartą oceny. Oba etapy możesz skonfigurować w Kit. Przy rekrutacji juniorów oba te etapy dostajesz już skonfigurowane w szablonie Junior Engineer Pipeline.

Kit to system rekrutacyjny z funkcjami AI, w którym możesz połączyć te dwa typy etapów. Etap zadania programistycznego opiera się na szablonie GitHub, więc zamiast prompta typu „zbuduj X” od zera dajesz szablon „znajdź błąd w tej bazie kodu / rozwiń ten niepełny system”, czyli zadanie wymagające weryfikacji istniejącego kodu. Kit obsługuje założenie repozytorium, instrukcje, automatyczne zgłoszenie po terminie i archiwizację. W instrukcjach możesz napisać wprost: „AI jest dozwolone; poprosimy cię, żebyś przeprowadził nas przez to, jak nim kierowałeś i jak weryfikowałeś jego wynik”. Omówienie na żywo połącz z osobnym etapem oceny zespołu. Przypisz recenzentów i dodaj pięć wspólnych kryteriów, według których ocenią materiał z rozmowy.

Kit nie rozstrzyga, czy kandydat używał AI. Umożliwia przygotowanie zadania i zebranie ocen, a interpretacja pracy należy do zespołu. Więcej wskazówek znajdziesz w artykule jak ułożyć zadania programistyczne, których kandydaci nie znienawidzą.

Przed następną rekrutacją ustal zasady używania AI, przygotuj zadanie wymagające weryfikacji kodu i opisz kryteria oceny. Po pilotażu sprawdź z recenzentami, czy zebrane obserwacje wystarczają do wyjaśnienia decyzji.

Najczęściej zadawane pytania

Czy powinienem pozwalać kandydatom korzystać z AI w rundzie kodowania?

Tak, jeśli dana runda ma sprawdzać pracę z asystentem. Określ dozwolone narzędzia i zasady. Możesz oddzielić tę część od zadania sprawdzającego samodzielne rozumowanie. DoorDash na przykład dopuszcza AI w sesji roboczej, ale nie we wszystkich rundach.

Jak wykryć, że kandydat jest zbyt zależny od AI?

Poproś o odtworzenie błędu, sprawdzenie podpowiedzi i wyjaśnienie poprawki. Zapisz, czego kandydat nie potrafił uzasadnić. Nie wyciągaj wniosku o jego umiejętnościach wyłącznie z samego faktu korzystania z AI.

Jaki jest najlepszy format rozmowy technicznej w 2026 roku?

Wybierz format odpowiadający pracy na stanowisku. Przy pracy z AI przydatne może być zadanie „znajdź błąd i rozwiń” połączone z omówieniem decyzji. Badania nad próbkami pracy nie dowodzą, że jeden taki format jest najlepszy dla każdej roli.

Czy dopuszczenie AI stawia w gorszej sytuacji kandydatów o nietypowej ścieżce?

Nie musi. DoorDash opisuje dobre doświadczenia z kandydatami o nietypowym przygotowaniu. W swoim procesie zapewnij jasne zasady, porównywalny dostęp do narzędzi i kryteria odnoszące się do pracy. Sprawdź wyniki zamiast zakładać, że AI samo wyrówna szanse.