Întrebări de interviu pentru joburi AI în 2026 (cu răspunsuri comentate)

Întrebările de interviu pentru joburi AI s-au schimbat radical față de acum câțiva ani: nimeni nu te mai pune să demonstrezi backpropagation pe tablă, dar aproape oricine îți va cere să proiectezi un sistem RAG cap-coadă, să explici cum ții halucinațiile sub control în producție și să arăți cum evaluezi un produs construit pe modele de limbaj. Ghidul de față acoperă întrebările care chiar se pun în 2026 — organizate pe categorii, fiecare cu explicația a ce urmărește intervievatorul și schița unui răspuns bun, nu de memorat, ci de înțeles.

Contextul de piață — roluri, salarii, parcursul până la interviu — l-am acoperit separat în salariile AI din România și în roadmap-ul până la primul job în AI. Aici stăm strict pe interviul propriu-zis.

Cum arată procesul în 2026 — și regula despre folosirea AI în interviu

Procesul tipic pentru un rol de AI/ML engineer are 3-5 etape: screening cu un recruiter, o probă tehnică (live coding sau take-home), una-două runde de system design pe sisteme LLM, o rundă comportamentală. Ghidurile de interviu actualizate — de exemplu cel publicat de Exponent, construit pe întrebări raportate de la companii ca OpenAI, Anthropic, Scale AI sau Databricks — converg pe aceleași teme: RAG, agenți, evaluare, costuri și latență.

Un detaliu nou și important: politica despre folosirea AI în timpul procesului. Companiile serioase o comunică explicit, iar exemplul cel mai clar e ghidul oficial pentru candidați al Anthropic: la aplicare poți folosi AI ca să-ți șlefuiești materialele (dar primul draft îl scrii tu), la take-home lucrezi fără asistent dacă nu ți se spune altfel, iar la interviurile live nu folosești AI deloc, decât cu permisiune explicită. Regula ta practică: întreabă la începutul procesului care e politica — întrebarea în sine semnalează profesionalism, iar încălcarea politicii e eliminatorie oriunde.

Fundamente LLM: întrebările de încălzire care descalifică

1. „Explică-mi, pentru un coleg non-tehnic, cum funcționează un model de limbaj." Ce urmărește: dacă înțelegi conceptul dincolo de jargon — și dacă vei putea comunica cu oamenii de produs. Schiță de răspuns bun: un LLM e un sistem antrenat pe volume mari de text să prezică următorul fragment de cuvânt (token) dat contextul de până atunci; din această sarcină aparent simplă emerg capabilități de sinteză, traducere, raționament. Menționezi limita esențială: modelul optimizează plauzibilitatea textului, nu adevărul — de aici halucinațiile. Capcana: candidații care recită arhitecturi („transformer, atenție multi-head...") fără să poată explica simplu pierd exact punctele pe care le credeau câștigate.

2. „De ce halucinează modelele și cum limitezi fenomenul într-un produs real?" Ce urmărește: gândire de producție, nu definiții. Schiță: cauza — modelul generează continuarea cea mai plauzibilă chiar și când nu are informația; nu are un mecanism nativ de „nu știu". Limitarea e stratificată: ancorezi răspunsurile în surse (RAG), instruiești modelul să refuze când contextul nu conține răspunsul, validezi ieșirile critice (scheme, validatoare, om în buclă) și măsori rata de halucinație cu evals înainte și după fiecare schimbare. Capcana: a promite eliminarea completă. Răspunsul matur vorbește de reducere și de design care tolerează eroarea.

3. „Prompting, RAG sau fine-tuning — cum alegi?" Ce urmărește: judecată economică, nu doar tehnică. Schiță: începi întotdeauna cu prompting (ieftin, iterezi în minute); treci la RAG când modelul are nevoie de cunoștințe proprii companiei sau actualizate frecvent; consideri fine-tuning abia când ai nevoie de stil/format foarte consistent sau de comportament specializat pe volume mari, și ai date de calitate. Ordinea contează pentru că inversarea ei arde luni de muncă pe probleme rezolvabile într-o zi.

RAG și date: nucleul interviului tehnic în 2026

4. „Proiectează un sistem de întrebări-răspunsuri peste documentația internă a companiei." Ce urmărește: întrebarea-vedetă a system design-ului AI. Se așteaptă structură, nu buzzwords. Schiță: parcurgi fluxul complet — ingestie (formate, curățare, actualizare), segmentare (chunking cu suprapunere, dimensiune aleasă pe tipul documentelor), indexare (embeddings + căutare vectorială, eventual hibrid cu căutare lexicală), retrieval (top-k, re-ranking), generare (prompt care citează sursele și refuză în afara contextului), și — pasul care separă seniorii — evaluare și observabilitate: cum măsori calitatea retrieval-ului și a răspunsurilor, cum depistezi regresiile. Capcana: a sări direct la „bag totul într-o bază vectorială". Intervievatorii notează întrebările pe care le pui tu: cât de mari sunt documentele, cât de des se schimbă, cine are acces la ce.

5. „Utilizatorii se plâng că sistemul RAG răspunde greșit. Cum diagnostichezi?" Ce urmărește: debugging metodic pe un sistem probabilistic. Schiță: separi problema pe etape — retrieval-ul aduce documentele corecte? (dacă nu: chunking, embeddings, query rewriting); modelul le folosește corect? (dacă nu: prompt, ordinea contextului, contradicții între surse); sau întrebarea nu are răspuns în corpus? (atunci problema e de așteptări și de refuz elegant). Spui explicit că întâi construiești un set de cazuri de test din plângerile reale — fără el, orice „fix" e ghicit.

Agenți și producție: unde se despart nivelurile

6. „Ce e un agent AI și care sunt modurile lui tipice de eșec?" Ce urmărește: experiență reală — modurile de eșec nu le știi din demo-uri. Schiță: un agent = model care decide iterativ ce acțiuni execută (apeluri de unelte, căutări, scriere de fișiere) pentru un obiectiv, cu buclă de feedback. Eșecuri tipice: bucle infinite sau derivă de la obiectiv, acumularea erorilor pe pași lungi, folosirea greșită a uneltelor, costuri care explodează pe sarcini deschise. Mitigări: limite de pași și buget, verificări intermediare, unelte cu contracte stricte, puncte de confirmare umană pe acțiuni ireversibile.

7. „Cum ții costurile și latența sub control într-o aplicație LLM cu trafic real?" Ce urmărește: maturitate de inginerie — subiectul apare aproape garantat. Schiță: rutare pe niveluri de model (întrebările simple pe modele mici și ieftine, cele grele pe modele de vârf), caching (inclusiv prompt caching), limitarea contextului la ce e necesar, streaming pentru percepția latenței, batch pentru sarcinile asincrone, și — înainte de toate — măsurare: cost și latență per funcționalitate, nu doar global.

Evals: întrebarea care separă candidații în 2026

8. „Cum știi că produsul tău AI e suficient de bun ca să-l lansezi? Și că update-ul de săptămâna viitoare nu l-a stricat?" Ce urmărește: disciplina de evaluare — tema care a devenit filtrul principal al interviurilor serioase. Schiță: construiești un set de evaluare din cazuri reale (inclusiv cazurile-limită și cele adversariale), definești metrici pe dimensiunile care contează (corectitudine, fidelitate față de surse, refuzuri corecte, ton), rulezi evals automat la fiecare schimbare de prompt/model, și completezi cu evaluare umană pe eșantioane. Menționezi LLM-as-judge — evaluarea automată cu un model judecător — împreună cu limitele ei: judecătorul are propriile biasuri, deci îl calibrezi periodic contra evaluărilor umane. Capcana: „testez manual câteva exemple înainte de release" e răspunsul care încheie interviuri.

Securitate: întrebarea care urcă rapid în topul interviurilor

9. „Aplicația ta LLM primește text de la utilizatori și are acces la unelte. Ce te îngrijorează?" Ce urmărește: dacă știi că un sistem LLM e o suprafață de atac, nu doar un produs. Schiță: riscul central e injecția de prompt — instrucțiuni ascunse în conținutul procesat (un email, un document, o pagină web) care deturnează comportamentul modelului; devine critic când modelul are acces la unelte sau date sensibile. Apărarea e stratificată, pentru că nicio măsură nu e suficientă singură: separi strict instrucțiunile de conținutul netratat, limitezi permisiunile uneltelor la minimul necesar, ceri confirmare umană pe acțiuni ireversibile, filtrezi și monitorizezi ieșirile. Menționezi și restul suprafeței: scurgeri de date prin răspunsuri, otrăvirea surselor din care face RAG, costuri provocate intenționat. Capcana: „pun un prompt care îi spune să ignore instrucțiunile malițioase" — răspunsul care demonstrează exact lipsa de experiență pe care întrebarea o caută.

Comportamentale: două întrebări la care improvizația se vede

10. „Povestește-mi un proiect AI pe care l-ai dus în producție. Ce a mers prost?" Pregătește o poveste reală cu structură: context, decizii, o problemă concretă (halucinații pe un caz neprevăzut, costuri, latență), cum ai măsurat-o și ce ai schimbat. Dacă nu ai încă producție la scară, un proiect personal serios cu utilizatori reali — oricât de puțini — bate orice răspuns teoretic; important e să fi trecut prin buclă completă: construit, măsurat, reparat.

11. „Domeniul se schimbă lunar. Cum ții pasul?" Răspunsul slab: „citesc newslettere". Răspunsul bun e specific: sursele pe care le urmărești, dar mai ales ce construiești ca să testezi noutățile — pentru că în AI, în 2026, a ține pasul înseamnă a face, nu a citi.

Proba practică cu AI permis: noul tip de interviu

Tot mai multe companii includ probe în care folosirea asistenților AI e explicit permisă — pentru că asta e munca reală. Aici se evaluează altceva decât crezi: cum descompui problema înainte să promptezi, cum verifici ce a generat modelul, cum reacționezi când output-ul e greșit. Regulile de aur: gândește cu voce tare, tratează AI-ul ca pe un coleg junior căruia îi verifici munca, și nu accepta niciodată cod pe care nu-l poți explica — următoarea întrebare va fi exact „de ce funcționează linia asta?".

Un sfat practic de pregătire pentru acest format: exersează-l acasă, cronometrat. Ia o problemă medie, rezolv-o folosind asistentul tău AI obișnuit și înregistrează-te explicând deciziile cu voce tare. Majoritatea candidaților descoperă la prima încercare că știu să obțină cod de la AI, dar nu știu să-și narezeze judecata în timp real — iar exact asta se punctează. Trei sesiuni de exercițiu fac diferența vizibilă.

Cum te pregătești structurat

Interviul de mai sus se pregătește construind, nu memorând. Pe platformă, parcursul care acoperă exact temele din acest ghid: Introducere în AI Engineering pentru fundamentele și vocabularul întrebărilor 1-3, RAG: Retrieval-Augmented Generation în practică pentru nucleul întrebărilor 4-5 — cu proiecte pe care le poți povesti la comportamentale — și AI Evals: evaluarea LLM-urilor în producție pentru întrebarea 8, competența cu cel mai bun raport raritate/impact din interviurile anului 2026. Iar felul în care folosești AI-ul ca să te pregătești de interviu — CV, scrisoare, simulări — l-am acoperit în ghidul de angajare cu AI.

Întrebări frecvente

Î: Mai există interviuri clasice de algoritmi la joburile AI?

Da, la multe companii runda de coding rămâne — dar ponderea s-a mutat vizibil spre system design pe sisteme LLM și spre probe practice apropiate de munca reală, inclusiv cu AI permis. Pregătește fundamentele de programare, dar nu le lăsa să-ți consume tot timpul de pregătire: diferențierea în 2026 se face pe RAG, agenți și evals, nu pe încă o problemă de grafuri.

Î: Pot folosi ChatGPT sau Claude în timpul interviului?

Doar dacă politica procesului o permite explicit — și companiile serioase o comunică. Reperul public: ghidul pentru candidați al Anthropic permite AI la șlefuirea aplicației, dar nu la take-home și nu în interviurile live, fără permisiune. Folosirea pe ascuns e eliminatorie oriunde; întrebarea „care e politica voastră de AI în proces?" e, în schimb, un semnal bun.

Î: Nu am experiență profesională cu LLM-uri. Am vreo șansă?

Da, cu o condiție: proiecte proprii duse suficient de departe încât să fi întâlnit problemele reale — un sistem RAG peste documente adevărate, cu evaluare și cazuri de eșec documentate, valorează la interviu mai mult decât orice certificare teoretică. Intervievatorii recunosc imediat diferența dintre „am urmat un tutorial" și „am construit, s-a stricat, am reparat".

Î: Ce întrebări să pun eu la finalul interviului?

Întrebări care semnalează gândire de producție: cum evaluați calitatea sistemelor AI înainte de release? cum arată bucla de feedback de la utilizatori? ce s-a stricat ultima dată și ce ați schimbat? cine decide între prompting, RAG și fine-tuning? Răspunsurile îți spun exact cât de matură e echipa — interviul e în ambele direcții.

Concluzie

Interviurile pentru joburi AI în 2026 premiază un profil clar: omul care a construit sisteme reale, le-a măsurat onest și poate explica simplu decizii complicate. Cele unsprezece întrebări din acest ghid acoperă scheletul aproape oricărui proces — dar valoarea lor nu e în a memora răspunsurile, ci în a verifica dacă le poți susține cu experiență proprie. Dacă la jumătate dintre ele ai simțit „aș avea ce povesti", ești mai aproape decât crezi; dacă nu, știi exact ce ai de construit în următoarele luni — și nu e încă un curs teoretic, ci primul tău sistem dus până la capăt.