Come rilevare codice generato da IA in una submission take-home
Perché i "rilevatori IA" per lo più non funzionano
Gli strumenti che pretendono di classificare se una submission di codice è stata generata da IA hanno costantemente accuratezza debole. Producono molti falsi positivi (penalizzando candidate che scrivono in stile pulito) e molti falsi negativi (gli LLM moderni possono produrre codice idiosincratico su richiesta). Agire sul loro output è rischioso.
La detection affidabile viene da un'angolazione diversa: non cerca di classificare l'artefatto. Confronta l'artefatto con il processo che l'ha prodotto.
Cosa distingue davvero submission umane da quelle IA
Tre segnali, nessuno basato sul classificare il codice finale:
1. Process trace
Come è stato scritto il codice? Gli umani scrivono iterativamente — una funzione appare, viene editata, viene rinominata, riceve un bug fix. Il codice incollato da IA arriva in grossi blocchi, spesso completo alla prima apparizione. Cattura la timeline di keystroke ed edit della submission e la differenza è visibile.
ClarityHire registra questa timeline per submission take-home e fa emergere segnali di "paste-rate" ed "edit-iteration" che segnalano pattern di processo inconsistenti col codice scritto a mano. Non accusa la candidata — fa emergere il segnale perché il reviewer lo sondi.
2. Coerenza tra codice e spiegazione
Una candidata che ha scritto il codice può spiegarlo specificamente. Una che l'ha incollato non può. Il colloquio di walk-through alla fine di qualsiasi take-home è il singolo rilevatore più affidabile di submission incollate da IA perché la candidata deve difendere le proprie scelte in tempo reale.
Sondaggio specifico: "Perché hai scelto questo approccio rispetto all'alternativa?" "Cosa cambierebbe se X fosse diverso?" "Portami attraverso cosa succede quando questa funzione viene chiamata con [edge case]." Le candidate che l'hanno scritto rispondono fluentemente. Quelle che l'hanno incollato improvvisano vagamente.
3. Coerenza di stile
Tra submission multiple o tra parti diverse di una singola submission, lo stile è rimasto coerente? Naming, stile dei commenti, pattern di error-handling. Le submission IA hanno spesso coerenza interna sospetta e incoerenza esterna sospetta: più uniforme di quanto un umano scriverebbe in un progetto, più variabile degli altri artefatti della candidata.
Cosa fare con il segnale
Mai auto-rifiutare. I segnali sono probabilistici, e il costo di un falso positivo è alto — eticamente e per la pipeline.
Usali come triage: una submission segnalata ottiene un walk-through più rigoroso. Il walk-through lo risolve pulitamente in quasi tutti i casi. Se la candidata difende fluentemente il suo codice, il punteggio resta. Se non può, il punteggio riflette ciò che può difendere.
Questo è più umano di un classificatore black-box che emette un verdetto, e produce migliori risultati di hiring.
Cosa comunicare alle candidate
Dillo in anticipo: "Questo take-home è seguito da un walk-through di 30 minuti dove spiegherai il tuo codice. Usa qualunque strumento ti aiuti a fare il tuo miglior lavoro, ma sii pronta a difendere le tue scelte."
Le candidate che possono usare assistenti IA efficacemente come strumento e spiegare fluentemente il proprio lavoro non sono le persone che vuoi filtrare — è così che lavorano gli engineer nel 2026. Il filtro è per le persone che incollano senza capire. Il walk-through è lo strumento giusto.
Dove sta andando
Gli approcci basati sulla detection continueranno a perdere terreno contro LLM migliorati. Gli approcci process-trace e walk-through continueranno a funzionare perché non dipendono dall'artefatto che appare diverso — dipendono dal fatto che la relazione della candidata con il proprio lavoro sia difendibile. Quella relazione è ciò per cui assumi comunque.