TL;DR
AI-kandid matchning er processen med at rangere de personer, du allerede har i din database, i forhold til en rolle baseret på betydning frem for søgeord. Spott opbygger søgekriterierne ud fra dine noter fra den indledende samtale, gennemgår alle kandidatprofiler og returnerer en rangeret kortliste med en skriftlig begrundelse for hvert resultat.
Spott læser mere end CV'et. Interviewnoter, opkaldsopsummeringer, mødetransskripter, e-mails, importerede profiler og manuelle noter indgår alle i det samme indeks.
Kandidaterne returneres rangeret efter score og vurderes kriterium for kriterium i forhold til et vurderingsskema, fra meget stærke til svage.
Alle resultater forklares i et letforståeligt sprog, herunder de negative forhold. Hvis en person er overkvalificeret, står det der.
Søgeord og boolesk søgning findes stadig. Matchning er alternativet, ikke erstatningen.
Rekrutteringskonsulenten træffer stadig beslutningen. Matchningen skaber en langliste, der er værd at læse, ikke en ansættelsesbeslutning.
Hvorfor "AI-matchning" har brug for en definition
Næsten alle rekrutteringsplatforme på markedet reklamerer nu med AI-matchning. Meget få af dem mener det samme med begrebet, og en hel del mener blot, at "vi har tilføjet en synonym-liste til vores søgeordssøgning".
Den afgørende forskel er, hvad systemet søger i. Traditionelle rekrutteringsdatabaser er relationelle: rækker, kolonner, tags og et søgefelt, der leder efter den tekststreng, du har indtastet. Hvis en profil siger "fodboldtræner", og du søger efter "fodbold", får du ingenting. Hvis din konsulent taggede en person som "forretningsudviklingschef" for fire år siden, og du søger efter "kundeansvarlig", får du ingenting, selv om det tydeligvis er den samme person, du leder efter.
Den fejlfunktion har en velkendt konsekvens. Rekrutteringskonsulenter holder op med at stole på databasen og går tilbage til LinkedIn for at finde personer igen, som virksomheden allerede kender. En bureauchef, vi talte med, formulerede det direkte: Forskernes første stop, når en søgning kommer ind, er LinkedIn, ikke det CRM-system, virksomheden betaler for. Han beskrev det som bagvendt, og han har ret.
Spott griber det anderledes an. Kandidatprofiler vektoriseres, hvilket betyder, at de indekseres efter betydning frem for eksakt tekststreng. Du beskriver, hvad du har brug for, i almindelige sætninger, og systemet ræsonnerer over hele profilen. Det er mekanismen bag alt det, der følger nedenfor.
Trin 1: Kriterierne bygges ud fra den indledende proces, ikke ud fra et tomt felt
Matchningen begynder, før nogen indtaster en søgning.
Når du gennemfører et indledende opkald med en ansættende leder, deltager Spotts referent i mødet, optager og transskriberer det og udarbejder en struktureret opsummering af den indledende samtale i den skabelon, din virksomhed bruger. Opsummeringen knyttes automatisk til jobbet og kundekontakten.
Når du derefter åbner matchningsværktøjet, foreslår Spott søgekriterierne for dig, baseret på jobbeskrivelsen og den pågældende indledende samtale. Du får vist et sæt kriterier formuleret i naturligt sprog, ikke en tom søgelinje.
Herfra er det dig, der bestemmer. Du kan omskrive ethvert kriterium, tilføje kriterier, systemet har overset, slette kriterier, der viste sig ikke at være relevante, og ændre vægtningen, så eksempelvis brancheerfaring tæller mere end anciennitet. Det er den del, der springes over i de fleste demonstrationer, og det er den del, erfarne rekrutteringskonsulenter går mest op i: Søgningen bygges ud fra synlige og redigerbare kriterier, ikke ud fra en skjult prompt.

Want to learn more about Spott ATS?
Trin 2: Beskriv rollen, som du ville beskrive den for en kollega
Kriterierne er sætninger i et almindeligt sprog. Noget i stil med:
"Softwareingeniør med mindst tre års praktisk erfaring med Java og Python, aktuelt bosat i Belgien og med arbejde inden for B2B-software."
Eller fire eller fem sætninger, der beskriver en lederprofil på den nuancerede måde, som en konsulent inden for direktørsøgning faktisk ville briefe en researchmedarbejder.
Du kan lægge faste filtre ovenpå for de forhold, der reelt er binære: placering, tilgængelighed, arbejdstilladelse og løninterval. Semantisk søgning håndterer vurderingen; faste filtre håndterer fakta.
Det, du ikke længere gør, er at konstruere booleske søgestrenge. Boolesk søgning er stadig tilgængelig i Spott i de tilfælde, hvor det er det rigtige værktøj, og mange rekrutteringskonsulenter bruger den fortsat til hurtige opslag. Men når det handler om at "finde de personer i vores egen database, som kunne udføre
dette job", er det bedre at beskrive rollen end at sammensætte en forespørgsel.
Trin 3: Gennemgangen læser alt, der er knyttet til personen
Det er her, dybden kommer fra, og det er den del, der er sværest at kopiere, hvis din platform blev bygget på en relationel database for femten år siden.
Når scanningen kører, ser Spott på alle dele af den kontekst, der er knyttet til en kandidatpost:
- CV'et, analyseret til strukturerede oplysninger om erfaring og uddannelse
- Profiloplysninger importeret, da kandidaten først blev tilføjet
- Interviewnoter og manuelle noter skrevet af enhver konsulent i virksomheden
- Opkaldsopsummeringer og mødeudskrifter optaget af notetageren
- E-mailkorrespondance knyttet til posten
- Supplerende data hentet ind på profilen
Det hele går gennem det samme indeks. Så en detalje, som en kollega noterede under en screeningssamtale for to år siden, og som aldrig blev ført ind i et struktureret felt, fordi ingen havde tid, kan stadig søges frem i dag. Det er den praktiske forskel mellem en database og en virksomheds fælles hukommelse.
Trin 4: En rangordnet bruttoliste, vurderet kriterium for kriterium
Scanningen returnerer din database rangordnet efter kriterierne, hvor hver kandidat har en samlet score og en separat vurdering for hvert kriterium på vurderingsskemaet, fra meget stærk til svag.
Det er den anden del, der gør listen overskuelig. En enkelt samlet score fortæller dig næsten ingenting, fordi to kandidater på 75 % kan have opnået de 75 % af helt forskellige årsager. Når du ser kriterierne som kolonner, kan du med det samme se, hvem der er stærk på alle områder, og hvem der har et alvorligt hul bag et ellers pænt gennemsnit.
Der er nogle ting, som det er værd at forstå om, hvordan listen skal læses.
Et svagt match er stadig et match. Det er ikke et mislykket resultat, men en kandidat, der opfylder en del af kravene og ikke resten. Ved stillinger, der er svære at besætte, er det ofte i den nederste halvdel af listen, at de interessante samtaler begynder.
Listen kan rangordnes igen. Hvis du ser på toppen af listen og opdager, at du har formuleret kravene forkert, hvilket sker konstant ved reelle søgninger, justerer du et kriterium eller en vægtning og kører søgningen igen. Forløbet er hurtigt nok til at være iterativt i stedet for en enkeltstående forespørgsel.
Den søger i din database, ikke i en indsamlet pulje. Spott sælger dig ikke et indkøbt dump af profiler. Præmissen er, at virksomhedens eget netværk, korrekt indekseret, er den værdi, der i øjeblikket går til spilde.

Trin 5: Alle resultater forklarer sig selv
Det er denne funktion, der afgør, om et matchværktøj bliver brugt eller stille og roligt opgivet.
Klik på en kandidat, og Spott viser dig i et klart sprog, hvorfor systemet rangerede kandidaten, som det gjorde. Det gennemgår vurderingsskemaet kriterium for kriterium: stærk på dette, middel på hint, og her er det konkrete belæg i posten, der understøtter hver vurdering.
Vigtigt nok fortæller det dig også de dårlige nyheder. Hvis en kandidat har elleve års erfaring til en stilling, der er afgrænset til fem år, siger forklaringen, at kandidaten muligvis er overkvalificeret. Hvis kandidaten opfylder de tekniske krav, men sektoren er beslægtet i stedet for identisk, siger den det.
Der er ingen sort boks, og det er vigtigt af to årsager ud over rekruttererens tillid. For det første skal du kunne begrunde en kandidatliste over for en kunde, og "algoritmen kunne lide kandidaten" er ikke en begrundelse. For det andet er en forklaring, der viser sit belæg, en forklaring, hvor du kan opdage, hvis den er forkert.

Trin 6: Accepter, afvis, gå videre
Fra resultatsiden accepterer du kandidater til processen for den pågældende stilling eller afviser dem, med forklaringspanelet i den ene side og den fulde profil i den anden. Accepterede kandidater går ind i de procestrin, som din virksomhed har konfigureret. Derefter går du videre til kontakt, screening og præsentation.
Formålet med designet gennem hele forløbet er snævert: at få rekruttereren hurtigt frem til en velbegrundet kandidatliste, så tiden bruges på samtalen med kandidaten i stedet for på at lede efter kandidaten.
Hvad AI-matchning ikke gør
Det er værd at være ærlig om begrænsningerne, for overdrevne påstande er årsagen til, at denne kategori mistede sin troværdighed til at begynde med.
Det træffer ikke beslutningen. Det rangerer og forklarer. En rekrutterer læser, vurderer og tager telefonen. Forklaringen findes netop, så mennesket kan tilsidesætte den.
Det er kun så godt som den kontekst, det har. En virksomhed, der migrerer en database med kun navn- og e-mailoplysninger, får et tyndere resultat end en virksomhed med års interviewnotater knyttet til profilerne. Dette er den ærlige udfordring ved ethvert AI-lag oven på rekrutteringsdata, og det er derfor, at notetageren er lige så vigtig som matchingsmotoren. Den ene føder den anden.
Den erstatter ikke sourcing. Hvis den rette person til rollen aldrig har talt med din virksomhed, findes personen ikke i din database, og ingen mængde semantisk søgning kan trylle vedkommende frem. Matching besvarer spørgsmålet "hvem kender vi allerede?", hvilket er et andet spørgsmål end "hvem findes der?"
Se det i din egen database
Påstandene ovenfor kan testes på ét møde. Book en 30-minutters Spott-demo, medbring en aktuel rolle, og se den lange liste komme tilbage rangeret og forklaret ud fra dine egne poster.



