Technischer Kontext
Ich habe mir angesehen, wie Coinbase seine Ingenieur-Interviews umgebaut hat, und das ist keine Kosmetik. Sie tun nicht mehr so, als ob ein Entwickler im luftleeren Raum ohne Copilot, Cursor, Dokumentation und Modelle arbeitet. Im Gegenteil, die Nutzung von KI bei der Bewertung ist zu einem verpflichtenden Teil des Prozesses geworden, und das ist ein direktes Signal für die KI-Implementierung in Teams.
Der Wandel ist einfach, aber drastisch: Früher maßen Interviews das Erinnern von Mustern und Genauigkeit im „sterilen“ Live-Coding; jetzt messen sie, wie ein Kandidat das Modell steuert. Ich würde es so formulieren: Nicht „Kannst du Code ohne Hilfestellung schreiben?“, sondern „Kannst du mit KI ein brauchbares Ergebnis erzielen, den Unsinn des Modells erkennen und das System nicht zum Absturz bringen?“
Fakt ist: Die Einstellungsschritte sind im Großen und Ganzen vertraut – Recruiter-Screening, Online-Assessment, technisches Interview, Systemdesign, Verhaltensinterview. Doch innerhalb dieser Schritte hat sich die Mechanik geändert. Beim Live-Coding sind KI und Dokumentation erlaubt, und die einstellenden Manager müssen KI-Flüssigkeit als obligatorisches Signal bewerten, nicht als netten Bonus.
Was mich hier gepackt hat, war nicht nur die Erlaubnis von KI, sondern dass Coinbase den Fokus auf Urteilsvermögen verlagert hat. Wenn das Modell einen Müll-Codefetzen produziert, sollte der Kandidat nicht über die Geschwindigkeit jubeln, sondern dies stoppen, die Architektur korrigieren, Randfälle prüfen und Idempotenz sowie Audit Trail nicht zerstören. Für Fintech ist das ehrlich gesagt der einzig erwachsene Ansatz.
Die Story ist nicht von gestern, sondern das Ergebnis von etwa einem Jahr Prozessumbau – also eher ein förmlicher Branchenwandel als eine Eintagsnachricht. Die Quelle ist Coinbase selbst und öffentliche Kommentare ihrer Ingenieure, sodass die grundlegenden Schlussfolgerungen durchaus auf Primärquellen beruhen.
Was dies für Unternehmen und Automatisierung ändert
Erstens: Unternehmen, die immer noch „Algorithmen-Champions ohne Umfeld“ einstellen, werden an der echten Produktivität vorbeizielen. In der Produktion gewinnt heute nicht derjenige, der einen seltenen Algorithmus kennt, sondern der, der schnell eine Lösung zusammenbaut und die Qualität hält.
Zweitens: Interviews sind jetzt näher daran, wie KI-Automatisierung tatsächlich funktioniert. Ich sehe das ständig in Kundenprojekten: Der Wert liegt nicht darin, was das Modell generiert, sondern darin, wie eine Person es in den Prozess einbettet, die Ausgabe prüft und Risiken begrenzt.
Drittens: Teams ohne eine Kultur des KI-Code-Reviews werden verlieren. Wenn eure KI-Integration bereits in der Entwicklung angelaufen ist, die Einstellung aber immer noch Leute wie im Jahr 2018 testet, schafft ihr selbst eine Kluft zwischen Interview und Produktion.
Wenn ihr gerade an einer ähnlichen Weggabelung steht, müsst ihr nicht raten. Bei Nahornyi AI Lab arbeite ich genau an solchen Themen: Ich helfe, Prozesse neu zu gestalten, bei denen KI-Automatisierung und Einstellung mit der realen Ingenieurpraxis übereinstimmen und nicht mit einem schönen Mythos vom „reinen“ Interview. Falls nötig, zerlegen wir gemeinsam euren Workflow und bauen ein funktionierendes Schema ohne überflüssigen Lärm.