Bortom LeetCode: Så förändrar AI-assisterad kodning tekniska rekryteringar

Det var inte länge sedan som ett jobb på ett techbolag krävde att du satt uppe och körde LeetCode-uppgifter klockan sex på morgonen. Den eran är på väg att ta slut.

Rekryteringsprocessen inom teknik har ändrats snabbt på bara några år. Verktyg som Claude och GitHub Copilot är numera en del av det dagliga arbetet för många utvecklare. Men de flesta rekryteringsprocesser har inte hängt med. Många bolag använder fortfarande metoder som designades för en tid innan AI fanns.

Problemet med att bara "känna på vibbarna"

På många startups och scale-ups ser vi samma sak just nu. Take-home-uppgifter och liveintervjuer har börjat tillåta – och ibland uppmuntra – AI-användning. Det känns logiskt. Om teamet använder Claude och Cursor varje dag bör man väl också kunna rekrytera folk som använder de verktygen effektivt?

Men i praktiken blir det ofta rörigt.

När en kandidat lämnar in en komplett GitHub-repo blir det svårt att avgöra vad som är deras eget arbete och vad som är genererat av AI. Vid liveintervjuer får man visserligen se hur kandidaten tänker, men det kostar mycket tid från seniora personer. Och ofta får man ändå bara en begränsad glimt av hur de arbetar i verkligheten.

Det som saknas är spårningen av själva dialogen mellan utvecklaren och AI-verktyget.

Om man kunde se hur utvecklare tänker

Här ligger den stora potentialen. Istället för att bara titta på slutresultatet eller se hur någon screen-sharar, kan man fånga själva processen. När en utvecklare använder Claude eller liknande verktyg för att lösa ett problem finns det en naturlig kedja av frågor, försök och korrigeringar. Det är här den echte tekniska intuitionen syns.

En tool som analyserar detta interaktionslager kan visa:

• Hur en kandidat bryter ned vaga krav och om de ställer rätt frågor
• Hur de hanterar buggar och om de lär sig av sina misstag
• Hur effektivt de samarbetar med AI – leder de processen eller låter AI styra?
• Vilka mönster de använder och vilka blinda fläckar de har

De praktiska fördelarna

Från ett rekryteringsperspektiv löser denna metod flera praktiska problem.

För kandidaterna betyder det en mer naturlig assessment. De får använda sina normala verktyg och inte behöva "visa upp" för en intervjuare.

For hiring managers får man en strukturerad rapport som ger signaler om hur en kandidat tänker och samarbetar. Tidsparaende och utan att man behöver gissa hur much AI som har använts.

För själva processen blir det lättare att mäta de egenskaper som faktiskt är viktiga – som förmåga att iterera, collaborate och lösa problem med hjälp av AI.

Möjligheter som går vidare

En sådan lösning kan också hjälpa bolag att hitta kandidater med komplementära sätt att tänka. Det kan identifiera områden där teamet behöver stärka sin approach och ge upplysningar om red flags, som en kandidat som inte ställer frågor eller som inte varifies sina antaganden.

Det kan också användas för att skapa uppgifter som kräver mer genuine trade-offs och urval,而不只是 simple implementation.

Vad detta betyder för dig som utvecklare

Om du söker jobb på bolag som är ute på fronten kommer du att se denna förändring. Bolag som lyckas rekrytera bra AI-era developers är inte de som försöker blockera AI eller som pretendar att det inte finns. De är de, som mäter vad som är relevant: din förmåga att problemlösa tillsammans med AI.

Om du använder Cursor, Claude eller liknande som en natural extension, visar du redan de färdigheter som bolagen söker.