22% кандидатов читерят на технических тестах. Вот как компании их ловят

22% соискателей признаются, что читерили на технических тестах. 82% говорят, что воспользовались бы AI, если бы знали, что не поймают. За полгода доля читеров удвоилась — с 15% до 35% (по данным Fabric, анализ 50 000+ кандидатов). Компании это видят. И ловят. Вот пять паттернов, которые палят моментально.

1. "Невидимый" оверлей — глаза тебя выдают

Cluely, Interview Coder, Final Round AI — это не хаки из Reddit. Это SaaS-продукты с подписками, техподдержкой и гарантией возврата денег. Они транскрибируют вопрос интервьюера через speech-to-text, скармливают LLM и показывают ответ в невидимом оверлее. При шаринге экрана оверлей не виден — он рендерится через GPU на уровне DirectX/Metal.

Звучит идеально. Но тебя палят глаза.

Когда ты читаешь с оверлея, взгляд фиксируется в одной точке вместо естественного блуждания. Современные proctoring-системы трекают 20+ поведенческих сигналов одновременно — и точность детекции выросла с 85% до 97%+. Даже без софта опытный интервьюер заметит, что ты "читаешь", а не думаешь.

По данным Kira AI, 32% пойманных кандидатов читали с AI-сгенерированных скриптов. Не подглядывали — именно читали.

2. Копипаст из ChatGPT — паттерн набора палит

На live-coding собесе интервьюер видит, как ты пишешь код. Настоящий разработчик пишет нелинейно: перепрыгивает между строками, переименовывает переменные, тестирует edge cases. AI-сгенерированный код появляется блоками — идеально отформатированный, целиком, без единой правки.

По данным Fabric, когда нанимающие менеджеры смотрели только на финальный код — отличить AI от человека было невозможно. Но когда смотрели на процесс написания — разница была очевидна.

Keystroke dynamics — ещё один слой детекции. Равномерная скорость набора, отсутствие backspace, внезапные burst'ы идеального кода — всё это флагится автоматически.

3. Слишком идеальный ответ — подозрительнее ошибки

Человеческие ответы содержат паузы, ложные старты, "эээ" и "ну типа". AI-ассистированные ответы выходят отполированными и мгновенными, с подозрительно ровным таймингом.

Response latency — один из главных сигналов. Если кандидат отвечает на сложный архитектурный вопрос за 3 секунды идеально структурированным ответом в формате STAR — это не гений. Это AI.

Интервьюеры тренируются ловить именно это: монотонная подача, равномерный темп речи, отсутствие verbal fillers. Парадоксально, но "неидеальный" ответ с паузами и самокоррекцией выглядит убедительнее и вызывает больше доверия.

4. Не можешь объяснить свой ответ — провал

Самый простой и бесплатный способ поймать читера: попросить объяснить свой же ответ.

"Расскажи подробнее." "Почему именно этот подход?" "Что сломается, если данных будет в 10 раз больше?" AI генерирует сильные первичные ответы, но буксует на follow-up. Это ровно та проблема vibe coder'ов — код работает, а объяснить его нельзя.

По данным Utkrusht AI (15 000+ кандидатов), большинство не могли объяснить даже проекты из собственного резюме. А 20-минутные задания на реальных задачах — починить баг в API, оптимизировать запрос к БД — моментально отсеивали тех, кто прятался за AI.

Ещё один приём: резкая смена темы. AI-инструментам нужен контекст. Если интервьюер переключается с системного дизайна на casual-вопрос — возникает заметная задержка, пока инструмент перестраивается.

5. Deepfake и proxy-собеседования — да, это уже реальность

По оценкам рекрутеров, в 2023–2024 до 10–15% удалённых собеседований включали подмену кандидата или помощь третьих лиц. ФБР выпустил предупреждения о state-sponsored актёрах, использующих deepfake для проникновения в корпоративные сети через фейковые заявки.

Gartner прогнозирует: к 2028 году каждый четвёртый профиль кандидата будет полностью фейковым.

Как ловят: voice biometrics (сравнение голоса на разных этапах), lip-sync analysis (даже лучшие deepfake'и дают микро-задержку), и банально — government ID + несколько коротких сессий вместо одной длинной. Подменить одного человека на одном звонке возможно. Подменять на четырёх — нет.

Почему честная подготовка побеждает

65% нанимающих менеджеров уже ловили кандидатов на AI-читерстве (по данным Kira AI). Один bad hire стоит компании $50 000+, и компании инвестируют в детекцию не из принципа — из экономики.

Самые передовые компании идут дальше: разрешают AI на собесе, но оценивают, КАК ты его используешь. Понимаешь ли ты, что сгенерировал? Можешь ли найти ошибку? Адаптировать под кейс? Это те навыки, которые отличают инженера от читера.

Вместо оверлея за $30/месяц — потрать время на подготовку. Используй AI как тренажёр, а не как костыль. Sobes AI задаёт те самые follow-up вопросы, на которых сыпятся читеры: "почему именно так?", "что если?", "объясни своими словами". Пройдёшь тренировку — не нужен костыль на собесе.