Fra LeetCode til AI: Sådan ændrer kunstig intelligens teknisk rekruttering

Husker du dengang, hvor man skulle stå op kl. 6 for at knække LeetCode-opgaver, hvis man ville have job i tech? De dage er ved at være forbi.

Teknisk rekruttering har ændret sig markant på bare et par år. AI-værktøjer som Claude og GitHub Copilot er ikke længere fremtidssnak – de er en del af den daglige arbejdsdag for de fleste udviklere. Alligevel halter mange virksomheders ansættelsesprocesser bagefter. De forsøger stadig at vurdere kandidater med metoder, der er skabt til en verden uden AI.

Problemet med "vibe checks"

Mange startups og scale-ups har allerede tilpasset deres opgaver, så de tillader – eller ligefrem kræver – brug af AI. Det giver mening på papiret. Hvis teamet bruger Claude eller Cursor til at skrive kode hver dag, hvorfor skulle man så ikke ansætte folk, der er gode til det?

Men i praksis er det svært at vurdere.

Når en kandidat afleverer en take-home-opgave, er det ofte umuligt at se, hvad der er deres eget arbejde og hvad der er genereret af AI. Live-interviews, hvor kandidaten deler skærm og løser opgaver sammen med en AI, giver intervieweren et bedre indtryk. Men det koster tid – ofte en time pr. kandidat – og det er ikke skalerbart for større virksomheder.

Begge metoder overser den vigtigste del: selve samspillet mellem udvikleren og AI-værktøjet.

Hvordan ser man egentlig, hvordan udviklere tænker?

I stedet for at gætte på baggrund af det færdige resultat eller at følge med på skærmdeling, kunne man kigge direkte på samtalen mellem udvikleren og AI.

Når en udvikler bruger et værktøj som Claude Code til to solve a problem, efterlader det en række spor: hvilke beslutninger der blev taget, hvilke veje der blev prøvet, og hvordan problemet blev løst. Den type af dialog er meget mere informative end det glatte end result, og det repræsenterer præcis, hvad man ser i et moderne udviklingsmiljø.

En sådan tilgang kan afsløre:

• Hvordan udvikleren håndterer uklare krav – spørger de efter mere information eller kaster sig bare ud i det?
• Hvordan de reagerer, når kode ikke fungerer – forstår de fejlen og justerer sig, stadig eller prøver de blindt flere løsninger?
• Hvordan de samarbejder med AI – guider de værktøjet effektivt eller overlader de alt til det?
• Deres problem-solving intuition – hvilke mønstre genkender de, og hvilke blinde vinkler har de?

Fordele i praksis

Fra et rekrutteringsperspektiv har denne tilgang flere ford