Jak naprawdę działa AI matching kandydatów: podejście dwuwarstwowe

Słyszałeś ten pitch setki razy: “AI matching kandydatów.” Ale co to właściwie oznacza? Większość narzędzi daje ci procent — “78% dopasowania” — i oczekuje, że zaufasz. Żadnych dowodów. Żadnych wyjaśnień. Żadnego sposobu, by wiedzieć, czy AI jest genialna, czy halucynuje.

To nie jest matching. To magiczna liczba.

Prawdziwy matching kandydatów potrzebuje dwóch rzeczy: szybkości i wyjaśnialności. Musisz oceniać ponad 20 kandydatów dziennie bez spędzania 10 minut na każdym — ale też musisz rozumieć dlaczego kandydat otrzymał taką ocenę, by podejmować świadome decyzje i prowadzić wartościowe rozmowy screeningowe.

Oto jak podejście dwuwarstwowe rozwiązuje oba problemy.

Problem jednowarstwowego matchingu

Większość systemów matchingu używa jednego z dwóch podejść, a oba mają fatalne wady.

Tylko słowa kluczowe

Najprostsze podejście: wyodrębnij słowa kluczowe z opisu stanowiska, sprawdź, czy pojawiają się w profilu kandydata. “React” w JD? Szukaj “React” w CV. Znalazłeś? Punkt zdobyty.

To szybko się psuje:

Synonimy są niewidoczne. Kandydat, który wymienia “React.js”, nie pasuje do wyszukiwania “ReactJS.”
Kontekst jest tracony. “5 lat Python” w profilu kandydata może oznaczać 5 lat skryptowania — nie 5 lat budowania systemów backendowych w produkcji.
Staż to zgadywanie. Słowa kluczowe nie powiedzą ci, czy trajektoria kariery kandydata zmierza we właściwym kierunku.
Umiejętności transferowalne nie istnieją. Inżynier danych Scala z 6-letnim doświadczeniem w systemach rozproszonych nie dopasuje się do “Python data engineer” — choć prawdopodobnie mógłby wykonać tę pracę.

Tylko AI

Przeciwne podejście: wyślij pełny profil kandydata i opis stanowiska do LLM, zapytaj “jak dobrze ta osoba pasuje?” i przeanalizuj odpowiedź.

To jest lepsze w niuansach — ale wprowadza nowe problemy:

Koszty się kumulują. Przy $0.05-0.15 za ocenę i 20 kandydatach dziennie to $1-3 dziennie tylko na matching.
Opóźnienie jest odczuwalne. Pełna analiza AI zajmuje 5-15 sekund.
Przesada dla oczywistych niedopasowań. Jeśli JD wymaga 8+ lat doświadczenia, a kandydat ma 2 — nie potrzebujesz AI.
Niespójność. Zadaj to samo pytanie temu samemu LLM dwa razy — możesz dostać różne wyniki.

Rozwiązanie dwuwarstwowe

Odpowiedź to nie wybór między słowami kluczowymi a AI. To użycie obu — w odpowiedniej kolejności.

Warstwa 1: Deterministyczny matching (darmowy, natychmiastowy)

Pierwsza warstwa obsługuje wszystko, co można ocenić za pomocą reguł i porównań. Bez AI. Zero kosztów. Natychmiastowe wyniki.

Co sprawdza Warstwa 1:

Pokrycie słów kluczowych. Wyodrębnia umiejętności i technologie z wymagań JD. Sprawdza każdą w sparsowanych danych CV kandydata. Oblicza procent pokrycia.

Lata doświadczenia. JD mówi “5+ lat rozwoju backend.” CV kandydata pokazuje, że pierwsza rola backendowa zaczęła się w 2021. Prosta matematyka: 5 lat. Sprawdzone.

Dopasowanie lokalizacji. Stanowisko to “Berlin, hybrydowe.” Kandydat jest w “Monachium, otwarty na relokację.” Warstwa 1 oznacza to jako częściowe dopasowanie.

Dopasowanie zarobków. Budżet to €70-85k. Oczekiwania kandydata to €80k. Zielona flaga — w zakresie.

Wymagania obowiązkowe. JD ma 3 wymagania obowiązkowe: React, TypeScript i 3+ lat. Warstwa 1 sprawdza każde niezależnie i daje binarny wynik: zdany/niezdany.

Wynik to ocena bazowa, która natychmiast wykrywa oczywiste niedopasowania. Jeśli kandydat nie spełnia 3 z 5 wymagań obowiązkowych w Warstwie 1, prawdopodobnie nie potrzebujesz Warstwy 2. Ale Warstwa 1 zna też swoje ograniczenia — oznacza wszystko, czego nie może ocenić, jako “wymaga przeglądu AI.”

Warstwa 2: Analiza niuansów AI (szybka, kontekstowa)

Warstwa 2 przejmuje tam, gdzie kończą się reguły i zaczyna się osąd.

Analiza trajektorii kariery. Czy kandydat rozwija się we właściwym kierunku? Ktoś, kto przeszedł od Junior Frontend → Mid Frontend → Senior Frontend → Lead Frontend, jest na jasnym torze IC. Jeśli JD jest na Staff Engineer, AI rozpoznaje, która trajektoria lepiej pasuje.

Trafność domeny. JD jest dla firmy fintech. Kandydat spędził 4 lata w startupie płatniczym. Warstwa 1 nie złapałaby “payments” jako istotnego dla “fintech” — ale Warstwa 2 rozumie, że płatności to poddomena fintech.

Umiejętności transferowalne. Kandydat z 6 latami doświadczenia w Scala i Apache Spark aplikuje na stanowisko “Python + PySpark.” Warstwa 1 widzi zero pokrycia słów kluczowych. Warstwa 2 rozpoznaje, że przejście Scala → Python jest powszechne i stosunkowo łatwe dla inżynierów danych.

Identyfikacja luk z pytaniami screeningowymi. Tu Warstwa 2 naprawdę błyszczy. Zamiast po prostu oznaczyć “brak: doświadczenie Kubernetes,” generuje pytanie wyjaśniające: “CV kandydata nie wspomina o Kubernetes, ale ma 3 lata doświadczenia z Docker i AWS ECS. Zapytaj: Czy pracowałeś z Kubernetes w jakimkolwiek kontekście?”

AI nie tylko ocenia. Mówi ci, o co zapytać dalej.

Jak wygląda scorecard

Gdy obie warstwy kończą pracę — zazwyczaj w mniej niż 5 sekund — otrzymujesz ustrukturyzowaną scorecard:

Ocena ogólna

Pole	Wartość
Wynik	82 / 100
Werdykt	Silne dopasowanie
Rekomendacja	Przeprowadzić screening tego kandydata

Rozbicie wg wymagań

Wymaganie	Status	Źródło	Dowód
React, 3+ lat	✅ Zielony	Warstwa 1	”React” znaleziony w 3 rolach, najwcześniej 2022 (4 lata)
TypeScript	✅ Zielony	Warstwa 1	Na liście umiejętności, używany w 2 ostatnich rolach
Node.js backend	🟡 Żółty	Warstwa 2	Node.js nie wymieniony, ale Express.js w jednej roli
Domena fintech	✅ Zielony	Warstwa 2	4 lata w PayTech (startup płatniczy) — silna trafność fintech
Kierowanie zespołem	🟡 Żółty	Warstwa 2	Kierował 2-osobowym zespołem w projekcie, brak formalnej roli lidera
Kubernetes	🔴 Czerwony	Warstwa 1	Nie znaleziony w CV. Doświadczenie Docker + ECS obecne

Flagi

Zielone flagi:

Silna trajektoria frontend (Junior → Mid → Senior w 5 lat)
Doświadczenie w domenie fintech zgodne z rolą
Oczekiwania zarobkowe (€78k) w budżecie (€70-85k)

Żółte flagi:

Doświadczenie Node.js backend niejasne — wymaga screeningu
Doświadczenie liderskie nieformalne — wyjaśnić oczekiwania

Czerwone flagi:

Kubernetes nie wymieniony — jeśli to twarde wymaganie, może być blokerem

Pytania screeningowe

“Twoje CV pokazuje szerokie doświadczenie z Docker i AWS ECS. Czy miałeś jakikolwiek kontakt z Kubernetes — w pracy, w projektach pobocznych lub przez certyfikacje?”
“Widzę, że kierowałeś 2-osobowym zespołem w projekcie migracji płatności. Czy przejście do bardziej formalnej roli technical lead jest czymś, co cię interesuje?”
“Masz Express.js wymieniony w roli w Acme Corp. Ile pracy backendowej na Node.js robiłeś na co dzień w porównaniu z pracą frontendową na React?”

Dlaczego żadna warstwa nie działa sama

Scenariusz	Tylko Warstwa 1	Tylko Warstwa 2	Obie warstwy
Brak obowiązkowego słowa kluczowego	✅ Wykrywa	✅ Wykrywa	✅ Wykrywa
Inżynier Scala na rolę Python	❌ Brak dopasowania → odrzucony	✅ Rozpoznaje umiejętności transferowalne	✅ W1 oznacza lukę, W2 dodaje niuans
Kandydat ma 2 lata, JD wymaga 5	✅ Prosta matematyka	✅ Ale wolniejsze i droższe	✅ W1 wykrywa natychmiast
”Startup płatniczy” na rolę fintech	❌ Słowa kluczowe nie pasują	✅ Rozumie domenę	✅ W2 dodaje trafność domeny
Koszt za ocenę	$0.00	$0.01-0.02	$0.01 (W1 jest darmowa)

Warstwa 1 jest szybka, darmowa i niezawodna dla sprawdzeń strukturalnych. Warstwa 2 jest niuansowa, kontekstowa i wyjaśnia swoje rozumowanie. Razem produkują scorecard, której możesz zaufać i którą możesz wykorzystać.

Przewaga wyjaśnialności

Co odróżnia dobry system matchingu od generatora magicznych liczb: dowody.

Każda ocena w dwuwarstwowej scorecard jest poparta konkretnym dowodem z profilu kandydata. “82/100” nie oznacza, że AI “czuła”, że to 82. To oznacza:

5 z 6 wymagań przeszło weryfikacje Warstwy 1 ✅
Warstwa 2 znalazła silną trafność domeny (+punkty)
Warstwa 2 zidentyfikowała 2 luki wymagające screeningu (−punkty, ale odzyskiwalne)
Zarobki i lokalizacja to obie zielone flagi (+punkty)

Co to oznacza dla twojego workflow

Z dwuwarstwowym matchingiem twój codzienny przegląd kandydatów zmienia się radykalnie:

Otwórz pipeline — widzisz 15 kandydatów przypisanych do roli
Sprawdź wyniki — 3 zielone (85+), 7 żółtych (60-84), 5 czerwonych (poniżej 60)
Zacznij od zielonych — otwórz scorecard, przejrzyj flagi
Sprawdź żółtych — scorecard mówi dokładnie, czego brakuje i czy to odzyskiwalne
Pomiń czerwonych z pewnością — Warstwa 1 wykryła niedopasowania twardych wymagań

Co wcześniej zajmowało 5-15 minut na kandydata, teraz zajmuje 30 sekund przeglądu scorecard. Przy 20 kandydatach dziennie to ponad 2 godziny zaoszczędzone.

Chcesz zobaczyć dwuwarstwowy matching w akcji? Wypróbuj Inga CRM za darmo — przypisz kandydata do stanowiska i otrzymaj pierwszą scorecard w mniej niż 5 sekund.