Från tre rader med krav till en rankad slutlista på minuter – med belägg, inte gissningar
En fungerande POC: rollkrav i fritext blir en redigerbar idealprofil, hårda krav efterlevs av kod (aldrig av AI), kandidater rankas 0 100 utifrån semantisk matchning, och varje screeningfråga besvaras med belägg från CV:t eller ett uttryckligt "inget belägg". Byggd från början till slut på ungefär en månad.
Utmaning
Problemmönstret.
Ett uppdrag kommer in. Kraven är två-tre rader fritext eller en publicerad jobbannons. Sedan gallrar någon ur poolen: öppnar CV:n ett i taget, letar efter examen, tidigare arbetsgivare, bedömer om SQL-erfarenheten är praktisk eller bara ett ord i en kompetenslista. Under tiden tickar klockan — på leverantörsplattformar vinner den som svarar först med rätt kandidat och en bra pitch oftast.
Bedömningen är sällan det svåra. Det svåra är att läsa allt — och att vara först. Tre saker får naiv AI att misslyckas här: hårda krav måste vara binära (ett stavfel får inte diskvalificera en kandidat, semantik får inte godkänna en), rekryterare behöver specifika frågor besvarade per CV utan att läsa alla, och plattformarna saknar ofta API:er.
Lösning
Vad vi bygger.
En agentdriven kurator som äger kedjan: kravprofil → urval → bevis → presentation. Tre mekanismer som de flesta verktyg blandar ihop hålls medvetet åtskilda:
- LLM-genererad kravprofil med en människa i loopen — agenten skissar en idealprofil plus ~5 funktionella färdigheter; rekryteraren redigerar innan något körs. AI-utdata är en utgångspunkt, aldrig domen.
- Hårda krav som kod — utbildning, namngivna arbetsgivare och liknande är booleska OCH/ELLER-filter som tillämpas deterministiskt. Gränssnittet visar antalet matchande kandidater i realtid, så att du aldrig bygger ett filter som ger noll.
- Semantisk matchning + bevisbaserad screening — kandidater rankas 0–100; varje screeningfråga ("visar CV:t praktisk SQL?") besvaras per kandidat med resonemang eller ett uttryckligt "inget bevis". Agenten får inte gissa.
En beslutad utökning: presentationslagret — kandidatens CV omviktat mot den specifika annonsen, plus ett genererat pitchbrev i första person. Ett framtida trigger-lager bevakar uppdragsplattformar så att flödet startar i samma stund en ny annons publiceras.
Arkitektur
Hur det är uppbyggt.
Kandidatpool med dokument-AI-extraktion och indexering; LLM-profilgenerering; en deterministisk filtermotor; en semantisk matchningsmotor med batchade jämförelsevyer; en screeningmodul med beviskrav. Molndriftad på vår Azure-miljö i proof of concept:et; multi-tenant-placering på instrumentpanel planerad.
Frågor om slutlistor
Kan kandidater screenas mot krav utan att en AI fattar beslutet?
Ja. Hårda krav kontrolleras av kod, så ingen utesluts av ett omdöme. Rankning används bara för att ordna de kandidater som redan kvalificerar sig, och varje screeningsvar pekar på platsen i CV:t det kom från, eller säger tydligt att det inte finns något belägg. En person avgör fortfarande vem man ska tala med.