W nowoczesnej rekrutacji wygrywają ci, którzy szybko docierają do właściwych danych. CV zawiera wszystko, czego rekruter potrzebuje w początkowej analizie doświadczenia, ale realną przewagę daje system, który sam odczytuje, interpretuje i porównuje te informacje, dostarczając gotowe wnioski.
W Mindbox prowadzimy liczne procesy rekrutacyjne w ramach usług outsourcingowych, co przekłada się
na dużą liczbę napływających aplikacji. Przy każdorazowej analizie dokumentów mierzyliśmy się z ponad
50 000 nieotagowanych CV, których ręczna weryfikacja zajęłaby jednej osobie 4–6 miesięcy pełnoetatowej
pracy, czyli ponad 720 godzin. To czas, który zdecydowanie lepiej przeznaczyć na realne działania rekrutacyjne
niż na manualne porządkowanie danych.
W odpowiedzi na tę skalę i złożoność wyzwania zaprojektowaliśmy kompleksowe rozwiązanie do inteligentnego screeningu i tagowania CV, automatyzujące cały etap wstępnej analizy aplikacji. Łączy ono logikę rekrutera z możliwościami Generatywnej AI, agentów AI, Power Automate, pracując w modelu Human + Machine.Technologia wykonuje powtarzalną pracę i porządkuje dane, a specjalista HR zachowuje kontrolę nad finalną oceną i jakością informacji.
Efekty wdrożenia?
- 720 godzin pracy rekruterów odzyskanych przy jednorazowym uporządkowaniu bazy,
- ~30 godzin miesięcznie mniej zadań manualnych,
- 85% skuteczności modelu,
- <7 sekund na analizę jednego CV,
- spójne, przeszukiwalne tagi, które realnie przyspieszają pracę zespołu.
„To wdrożenie znacząco podniosło efektywność naszego procesu rekrutacyjnego - szybciej docieramy do właściwych kandydatów i pracujemy na spójnych danych.”
Dowiedz się, jak krok po kroku zbudowaliśmy ten proces i w jaki sposób podobna automatyzacja może wzmocnić Twój dział HR, skrócić czas analizy kandydatów i dać Ci przewagę nad konkurencją.
Dlaczego automatyczne tagowanie CV
było koniecznością?
Ponad 50 000 nieotagowanych CV w naszym ATS oznaczało jedno: system widział dokumenty, ale nie widział danych. Każde CV różniło się formatem, sposobem opisu doświadczeń czy nazewnictwem technologii. Dla rekrutera to codzienność, ale dla ATS-u bariera nie do przejścia. Wyszukanie właściwego profilu wymagało ręcznego otwierania kolejnych plików i analizowania ich „od zera”, co przy takiej skali zaczęło realnie spowalniać procesy.
„Problem nie tkwił w liczbie CV, tylko w tym, że system nie potrafił ich naprawdę zrozumieć.”
Stworzenie ręcznych tagów również nie wchodziło w grę – otagowanie takiego wolumenu zajęłoby 4–6 miesięcy pracy jednej osoby, generując przy tym ryzyko niespójności i chaos definicyjny. Konieczne było wdrożenie rozwiązania, które przekształci rozproszone dokumenty aplikacyjne w ustrukturyzowane dane, umożliwiające efektywne filtrowanie, porównywanie oraz podejmowanie świadomych decyzji rekrutacyjnych. Automatyzacja była naturalnym kierunkiem, pod warunkiem jednak, że proces tagowania CV będzie oparty na analizie dokumentów prowadzonej w sposób zbliżony do pracy człowieka, a nie na generowaniu przypadkowych lub oderwanych od kontekstu skrótów.
Jak AI analizuje CV?
Wiedza rekrutera jako punkt wyjścia
Aby stworzyć model, który potrafi analizować CV tak, jak robi to rekruter, należało najpierw zrozumieć i uporządkować logikę stojącą za podejmowaniem decyzji. Każde CV to inny układ historii zawodowej, różne nazwy stanowisk, technologie opisane na dziesiątki sposobów. Dlatego zaczęliśmy od precyzyjnego opisania, co w praktyce decyduje o roli kandydata, jak interpretujemy jego doświadczenia i jak oceniamy seniority w konkretnych technologiach.
Dzięki temu AI konsekwentnie wspiera selekcję kandydatów do pracy, zachowując logikę decyzji stosowaną przez rekruterów.
Do projektu zaangażowały się trzy zespoły Mindbox:
Rekrutacja – przekład wiedzy eksperckiej na zasady, przypadki i przykłady,
Development – architektura rozwiązania i budowa procesów automatyzacji,
PM & Steering Committee – kierunek, priorytety i weryfikacja kolejnych iteracji.
Największą wartością było przełożenie naszej codziennej praktyki na logikę,
którą AI potrafi powtarzać konsekwentnie – CV po CV.
Jak powstała logika, która analizuje CV w 7 sekund
:
cztery fazy budowy rozwiązania
Od początku pracowaliśmy w cyklach, stopniowo udoskonalając rozwiązanie i testując każdy etap z zespołem rekrutacji. Kluczowe było oparcie całej logiki na wiedzy ludzi, którzy na co dzień pracują z danymi zawartymi w CV – to oni najlepiej wiedzą, które sygnały są najważniejsze i jak interpretować doświadczenia kandydatów. Dlatego pierwszym krokiem było precyzyjne przełożenie tej wiedzy na zasady, które AI może stosować konsekwentnie, CV po CV.
1. Transfer wiedzy – poznanie logiki rekrutera
Zespół rekrutacji przygotował zestaw typowych i trudnych profili, nietypowych ścieżek kariery oraz CV z niejednoznacznymi informacjami dotyczącymi kompetencji. Kluczem było ułożenie procesu tak, aby model nie zgadywał – tylko analizował krok po kroku. To na ich podstawie zbudowaliśmy „mapę myślenia” rekrutera: które elementy CV są kluczowe, jak interpretujemy projekty, kiedy zmiana roli jest znacząca, a kiedy nie jest.
2. Analiza – fundamenty spójnego podejścia do danych
W kolejnej fazie zdefiniowaliśmy wszystko, co pozwala później uzyskać stabilne i powtarzalne wyniki:
- kompletny słownik tagów technologicznych,
- zasady oceny seniority,
- hierarchię doświadczeń (ostatnia rola → wcześniejsze),
- warunki brzegowe interpretacji CV,
- poziomy szczegółowości analizy.
To właśnie na tym etapie powstała jednolita logika, która sprawia, że tagowanie działa dokładnie tak samo dla CV o różnym formacie i strukturze.
3. Prompt engineering – rozwiązanie które eliminuje halucynacje AI
Sercem rozwiązania stał się prompt chaining, czyli rozbicie promptu na mniejsze pod-prompty modelu LLM, gdzie każdy prompt dostarcza informacji (kontekstu) kolejnemu w ten sposób dokładniej odzwierciedlając logikę rekrutera.
Dzięki temu model nie tworzy „skrótu myślowego”, lecz przechodzi przez proces decyzyjny podobnie jak rekruter. A jeśli pojawia się błąd – łatwo ustalić, na którym etapie powstał.
4. Ewaluacja – iteracje, które doprowadziły do 85% skuteczności
Każda iteracja była analizowana przez zespół rekrutacji, a prompty i zasady dopracowywane na podstawie ich uwag. Po trzech cyklach:
- osiągnęliśmy 85% skuteczności,
- na próbie 103 CV,
- a model zaczął działać stabilnie i przewidywalnie.
Od pliku do tagów:
jak działa nasz proces automatycznego
screeningu w rekrutacji
Aby móc analizować tysiące CV tak samo konsekwentnie, potrzebny był proces, który nie tylko wykorzystuje AI, ale również porządkuje przepływ danych od momentu pobrania dokumentu, aż po finalne zapisanie tagów w ATS. Dlatego zbudowaliśmy pipeline, w którym każdy etap pełni konkretną, zrozumiałą funkcję – trochę jak kolejne kroki w manualnym screeningu, tylko wykonywane wielokrotnie szybciej.
Jak on dokładnie działa?
Power Automate pobiera z ATS (Traffit) nieotagowane CV. Ponieważ dokumenty mają różne formaty i układy, trafiają do OCR i LLM (Copilot), który interpretuje informacje z CV zgodnie z logiką wypracowaną we wcześniejszych fazach projektu.
Kluczowym elementem jest wspomniany wcześniej prompt chaining – mechanizm, który prowadzi AI przez analizę krok po kroku: najpierw ustala rolę, kolejny prompt ocenia seniority w tej roli, a na końcu model przypisuje odpowiednie tagi z naszego słownika, najlepiej opisujące stanowisko. Dzięki temu AI nie zgaduje, lecz konsekwentnie powtarza ustaloną sekwencję logiczną, identyczną dla każdej aplikacji.
Następnie Power Automate przejmuje wynik i automatycznie zapisuje tagi w ATS. W efekcie rekruter widzi w systemie nie surowy dokument, lecz uporządkowane, przeszukiwalne dane, które można filtrować w kilka sekund.
„Dziś jedno CV analizujemy w mniej niż 7 sekund. Wreszcie dane pracują na nas, a nie przeciwko nam.”
AI też się myli, ale można ją tego oduczyć
Każdy model AI uczy się na podstawie danych i instrukcji, które mu dostarczymy
– i dokładnie tak było w tym projekcie.
Jednak w pierwszych iteracjach model potrafił interpretować CV zbyt szeroko: brał pod uwagę całą historię zawodową zamiast skupić się na najbardziej aktualnych doświadczeniach, przypisywał zbyt wiele tagów albo nietrafnie oceniał poziom seniority. Pojawiały się też typowe dla modeli językowych halucynacje, które wymagały doprecyzowania zasad i ograniczenia swobody interpretacji.
Aby ustabilizować działanie rozwiązania, pomogła wcześniej wspomniana iteracyjna praca obejmująca cztery fazy: transfer wiedzy od rekruterów, analizę wyjątków i priorytetów, doprecyzowanie promptów oraz ewaluację wyników po każdej iteracji. Wprowadziliśmy m.in. zasadę „ostatnia rola > odległa historia”, zawęziliśmy słownik tagów oraz wykorzystaliśmy drugi model LLM do dodatkowej walidacji. Dzięki temu AI zaczęła analizować CV według realnej logiki rekrutera – konsekwentnie, nie intuicyjnie.
Liczby, które pokazują realną wartość automatyzacji tagowania CV :
Wdrożenie AI‑taggingu w Mindbox przyniosło efekty, które odczuliśmy w pracy zespołu praktycznie od pierwszego dnia. Najbardziej wymierny rezultat to jednorazowe uporządkowanie ponad 50 000 CV, które wcześniej stanowiły rozproszony, nieprzeszukiwalny zbiór dokumentów. Dzięki automatyzacji odzyskaliśmy około 720 godzin pracy, które w scenariuszu manualnym musiałyby zostać poświęcone na ręczne przeglądanie i opisywanie dokumentów.
W codziennych procesach korzyści są równie wyraźne:
Kiedy automatyczne tagowanie CV
ma największy sens ?
Projekt pokazał, że automatyzacja oparta na AI daje największy efekt wtedy, gdy liczba CV jest po prostu zbyt duża, by przeglądać je ręcznie. Najbardziej pomaga w sytuacjach, w których rekruter musi szybko odfiltrować kandydatów i skupić się na tych najlepiej dopasowanych – a precyzyjne tagi pozwalają zrobić to od razu.
Przy bardzo dużych bazach CV problemem przestaje być sama liczba dokumentów, a zaczyna być ich niespójność. To właśnie dlatego kluczowa staje się standaryzacja danych, bez której szybkie filtrowanie i porównywanie profili jest praktycznie niemożliwe.
Co to rozwiązanie mówi
o przyszłości pracy zespołów rekrutacji ?
AI ma wartość tylko wtedy, gdy uczy się logiki rekrutera, a nie ją wymyśla.
- Największy efekt pojawia się wtedy, gdy technologia porządkuje dane, wymusza konsekwencję i pozwala rekruterom skupić się na decyzjach – nie na żmudnej preselekcji.
Skala zmienia wszystko.
- Przy 200 CV różnica jest zauważalna. Przy 50 000+ fundamentalna.
Automatyzacja ma największy sens wtedy, gdy wolumen dokumentów przekracza możliwości manualnego screeningu.
Stabilność modelu powstaje dzięki iteracjom, nie jednorazowej konfiguracji.
- Powtarzalny cykl: transfer wiedzy → doprecyzowanie zasad → testy → korekty — właśnie on doprowadził do 85% skuteczności.
Kiedy takie rozwiązanie działa najlepiej?
- gdy organizacja pracuje na dużych, nieustrukturyzowanych bazach CV lub innych dokumentów,
- gdy preselekcja zajmuje coraz więcej czasu oraz obciąża researcherów,
- gdy firma potrzebuje spójnych danych w ATS, a nie tylko dokumentów,
- gdy celem jest redukcja pracy manualnej, a nie automatyzowanie decyzji.
To podejście można adaptować do wielu procesów opartych na dokumentach - pod warunkiem, że punktem wyjścia jest wiedza zespołu
~ Zespół PM & Steering Committee, Mindbox
Zobacz rozwiązanie w praktyce:
Wdrożenie Automatycznego tagowania CV omawiamy w webinarze:
„Wszyscy mówią o AI — porozmawiajmy o konkretach: 3 wdrożenia RPA + GenAI”
W tym webinarze znajdziesz również odpowiedzi na pytania:
- Czym jest generatywna sztuczna inteligencja?
- W jakich zadaniach może nas wspierać?
- Najlepsze technologie i narzędzia ze świata Gen. AI.
- Czy i jak możemy jej użyć w automatyzacji procesów w organizacji?
Jesteś zainteresowany współpracą?
Zredukuj setki godzin ręcznej pracy i przyspiesz preselekcję kandydatów dzięki automatyzacji tagowania i screeningu CV. Skontaktuj się z nami, aby wspólnie zaplanować wdrożenie tej technologii w Twojej firmie.
