چگونه دستیارهای هوش مصنوعی مصاحبه‌های فنی را در هم شکستند و روند استخدام را تغییر دادند

در ۲۶ اوت ۲۰۲۶، پلتفرم CoderPad گزارش وضعیت استخدام در حوزه فناوری را منتشر کرد؛ لحظه‌ای که مصاحبه‌های مهندسی نرم‌افزار رسماً دگرگون شدند. داده‌ها نشان داد که ۴۶ درصد از مدیران استخدام اکنون به صراحت اجازه استفاده از ابزارهای هوش مصنوعی را در طول ارزیابی‌های فنی می‌دهند، در حالی که ۲۰ درصد دیگر نیز آن را به صورت موردی مجاز می‌دانند. مرحله سنتی کدنویسی زنده — جایی که کارجو یک لیست پیوندی (linked list) را روی وایت‌برد یا در یک مرورگر مشترک معکوس می‌کرد — از هم پاشیده است. از آنجا که مدل‌های زبانی بزرگ می‌توانند این معماهای الگوریتمی را در چند ثانیه حل کنند، این آزمون دیگر توانایی انسان را نمی‌سنجد. در عوض، سیگنال بازار از سرعت تایپ خام به قضاوت معماری تغییر یافته است.[6]

فروپاشی فرمت کلاسیک LeetCode با ظهور دسته جدیدی از برنامه‌های دسکتاپ غیرقابل‌شناسایی رقم خورد. بین ژوئیه ۲۰۲۵ و ژانویه ۲۰۲۶، مطالعه‌ای توسط Fabric با تحلیل ۱۹٬۳۶۸ مصاحبه فنی نشان داد که ۴۸ درصد از کارجویان برای نقش‌های کاملاً فنی از دستیارهای هوش مصنوعی غیرمجاز استفاده کرده‌اند. این ابزارها، مانند Interview Coder و Interview Solver، به عنوان افزونه مرورگر عمل نمی‌کنند. آن‌ها از هوک‌های گرافیکی سطح پایین — DirectX در ویندوز و فریم‌ورک Metal در macOS — برای رندر کردن یک لایه نامرئی مستقیماً روی خروجی GPU استفاده می‌کنند. مصاحبه‌کننده یک صفحه اشتراک‌گذاری‌شده تمیز را در Zoom یا Google Meet می‌بیند، در حالی که کارجو کد بهینه و یادداشت‌های پیچیدگی زمانی (time-complexity) را که روی محیط توسعه یکپارچه (IDE) او قرار گرفته است، مشاهده می‌کند.[5]

این دستیار نامرئی، سیگنال‌های سنتی استخدام را کاملاً مخدوش کرد. بر اساس داده‌های Fabric، ۶۱ درصد از کارجویانی که از هوش مصنوعی غیرمجاز استفاده کرده بودند، از آستانه قبولی شرکت عبور کرده و نمره ۷.۰ یا بالاتر گرفتند. مت دکورسی (Matt DeCoursey)، مدیرعامل Full Scale، در تحلیل سپتامبر ۲۰۲۶ خود می‌نویسد: «این روش نشان می‌داد که یک فرد چقدر برای مصاحبه‌های فنی آماده شده است، نه اینکه آیا می‌تواند کار را انجام دهد یا خیر. این شکاف همیشه وجود داشت، اما هوش مصنوعی آن را به شدت عمیق‌تر کرد.» وقتی یک متقاضی می‌تواند فوراً یک راه‌حل بی‌نقص برای یک چالش برنامه‌نویسی پویا (dynamic programming) تولید کند، مصاحبه دیگر به عنوان یک فیلتر عمل نمی‌کند.[3][5]

شرکت‌های بزرگ فناوری به جای جنگیدن در یک نبرد بی‌نتیجه علیه لایه‌های نامرئی، در حال تغییر معیارهای ارزیابی هستند. در مه ۲۰۲۶، اسناد داخلی نشان داد که گوگل آزمایش یک فرمت مصاحبه انسان‌محور و مبتنی بر هوش مصنوعی را برای مهندسان نرم‌افزار تازه‌کار و سطح میانی آغاز کرده است. کارجویان در محیط CoderPad مجهز به یک پنجره چت متصل به مدل Gemini گوگل قرار می‌گیرند. معیارهای ارزیابی دیگر بر حفظ کردن سینتکس متمرکز نیستند. در عوض، مصاحبه‌کنندگان متقاضیان را بر اساس مهارت‌های مهندسی پرامپت، اعتبارسنجی خروجی و دیباگ کردن رتبه‌بندی می‌کنند.[7]

شرکت‌های متا (Meta) و کانوا (Canva) نیز چارچوب‌های مشابهی را اتخاذ کرده‌اند. مرحله کدنویسی ۶۰ دقیقه‌ای متا که با هوش مصنوعی ادغام شده است، به کارجویان اجازه می‌دهد بین مدل‌هایی مانند Claude Sonnet و Llama جابه‌جا شوند. معیار نمره‌دهی بر چهار رکن استوار است: حل مسئله، کیفیت کد، راستی‌آزمایی و ارتباطات. کانوا اعلام کرد که از متقاضیان حوزه‌های بک‌اند، فرانت‌اند و یادگیری ماشین انتظار می‌رود در طول جلسات خود از Copilot، Cursor یا Claude استفاده کنند. فرض اساسی کاملاً روشن است: اگر شغل واقعی نیازمند کار با یک دستیار هوش مصنوعی است، مصاحبه نیز باید توانایی کارجو در هدایت آن را بسنجد.[7]

این واقعیت عملیاتی در خود پایگاه کد (codebase) نیز بازتاب یافته است. در آوریل ۲۰۲۶، ساندار پیچای (Sundar Pichai)، مدیرعامل گوگل، اعلام کرد که ۷۵ درصد از تمام کدهای جدید در این شرکت اکنون توسط هوش مصنوعی تولید شده و سپس توسط مهندسان انسانی تأیید می‌شوند. در نتیجه، ارزش مهندسی که بتواند این ابزارها را به طور مؤثر مدیریت کند، به شدت افزایش یافته است. نظرسنجی ژانویه ۲۰۲۶ از ۴۰۰ مدیر مهندسی توسط Karat نشان داد که ۷۳ درصد از پاسخ‌دهندگان معتقدند مهندسان توانمند اکنون حداقل سه برابر کل دستمزدشان ارزش دارند، دقیقاً به این دلیل که می‌توانند از هوش مصنوعی برای خودکارسازی پیاده‌سازی‌های روتین استفاده کرده و روی معماری سیستم تمرکز کنند.[4][7]

برای سنجش این مهارت خاص، مرحله «درک کد» جایگزین آزمون الگوریتم روی صفحه سفید شده است. در این فرمت، یک پایگاه کد موجود و دارای نقص به کارجو داده می‌شود و از او خواسته می‌شود تا آن را با استفاده از یک دستیار هوش مصنوعی بهینه‌سازی کند. مصاحبه‌کننده نحوه برخورد کارجو با توهمات (hallucinations) هوش مصنوعی را زیر نظر می‌گیرد. اگر مدل کتابخانه‌ای را پیشنهاد دهد که وجود ندارد یا یک شرایط رقابتی (race condition) ایجاد کند، کارجو باید خطا را تشخیص دهد، دلیل شکست هوش مصنوعی را توضیح دهد و ابزار را به سمت پیاده‌سازی صحیح هدایت کند. مهندسانی که استخدام می‌شوند کسانی هستند که با هوش مصنوعی مانند یک کارآموز فوق‌العاده رفتار می‌کنند؛ آن‌ها می‌دانند چه زمانی از آن استفاده کنند، چه زمانی به آن اعتماد نکنند و چگونه خروجی آن را راستی‌آزمایی کنند.[2][7]

آماده شدن برای این فرمت جدید نیازمند یک برنامه تمرینی متفاوت است. راهنمای مصاحبه فنی Glassdoor در سپتامبر ۲۰۲۶ تأکید می‌کند که کارجویان اکنون باید تمرین کنند که همزمان با حل مسئله در کنار یک عامل هوش مصنوعی، صحبت کنند. ابزارهایی مانند Pramp و AceRound مصاحبه‌های آزمایشی ارائه می‌دهند که در آن‌ها یک هوش مصنوعی به عنوان مصاحبه‌کننده عمل کرده و سؤالات تکمیلی درباره سبک‌سنگین کردن‌های معماری (architectural trade-offs) می‌پرسد. هدف، ایجاد حافظه عضلانی برای توضیح بلند تصمیمات فنی است. یک بلوک کد بی‌نقص دیگر کافی نیست؛ کارجو باید تسلط کاملی بر استدلال پشت آن داشته باشد.[1]

این گذار هنوز مطلق نیست. نظرسنجی Karat اشاره کرد که ۷۱ درصد از مدیران مهندسی هنوز هم ارزیابی مهارت‌های فنی را امروز دشوارتر از سه سال پیش می‌دانند و ۳۴ درصد از تیم‌های استخدام که توسط CoderPad بررسی شده‌اند، همچنان تلاش می‌کنند هوش مصنوعی را به طور کامل ممنوع کنند. با این حال، مسیر حرکت قطعی است. شرکت‌هایی که بر سنجش الگوریتم‌های حفظ‌شده اصرار دارند، در حال فیلتر کردن کارجویانی هستند که مایل به استفاده از لایه‌های نامرئی‌اند، در حالی که شرکت‌هایی که تسلط بر هوش مصنوعی را می‌سنجند، در حال فیلتر کردن برای واقعیت توسعه نرم‌افزار مدرن هستند. عامل تعیین‌کننده برای پیشنهاد شغلی مهندسی نرم‌افزار در سال ۲۰۲۶ دیگر این نیست که کارجو چه چیزی را می‌تواند از حفظ تایپ کند، بلکه این است که وقتی ماشین اشتباه می‌کند، او چه چیزی را می‌تواند تشخیص دهد.[4][6]