Jak naprawdę działa AI matching kandydatów: podejście dwuwarstwowe

Pitch słyszałeś setki razy: “AI matching kandydatów”. Ale co to właściwie znaczy? Większość narzędzi pokazuje ci procent — “78% dopasowania” — i oczekuje zaufania. Bez dowodów. Bez wyjaśnień. Bez możliwości sprawdzenia, czy AI ma rację, czy halucynuje.

To nie matching. To magiczna liczba.

Prawdziwy matching kandydatów potrzebuje dwóch rzeczy: szybkości i wyjaśnialności. Musisz oceniać ponad 20 kandydatów dziennie bez 10 minut na każdym, a jednocześnie rozumieć, dlaczego kandydat dostał taką ocenę. Inaczej nie podejmiesz dobrych decyzji ani nie poprowadzisz wartościowych rozmów screeningowych.

Oto jak rozwiązuje to podejście dwuwarstwowe.

Problem jednowarstwowego matchingu

W skrócie: Większość systemów matchingu opiera się albo na słowach kluczowych (szybko, ale ślepo na synonimy, kontekst i umiejętności transferowalne), albo na samym AI (niuansowe, ale drogie, wolne i niespójne). Każde podejście ma poważne wady osobno: słowa kluczowe pomijają wszystko co ciekawe, a czysty AI jest przesadą dla oczywistych sprawdzeń.

Większość systemów matchingu używa jednego z dwóch podejść, a oba mają poważne 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 wpisał “React.js”, nie pasuje do wyszukiwania “ReactJS”.
Kontekst znika. “5 lat Python” w profilu może oznaczać 5 lat skryptowania, a nie 5 lat budowania backendu w produkcji.
Staż to zgadywanie. Słowa kluczowe nie powiedzą ci, czy trajektoria kariery kandydata idzie we właściwym kierunku.
Umiejętności transferowalne nie istnieją. Inżynier danych Scala z 6 latami w systemach rozproszonych nie dopasuje się do “Python data engineer”, choć prawdopodobnie wykonałby tę pracę.

Tylko AI

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

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, AI jest zbędne.
Niespójność. Zadaj to samo pytanie temu samemu LLM dwa razy, dostaniesz różne wyniki.

Rozwiązanie dwuwarstwowe

W skrócie: Warstwa 1 (deterministyczna) sprawdza pokrycie słów kluczowych, lata doświadczenia, lokalizację, zarobki i wymagania obowiązkowe — natychmiast i za darmo. Warstwa 2 (AI) dodaje analizę trajektorii kariery, trafność domeny, rozpoznawanie umiejętności transferowalnych i generuje celowane pytania screeningowe. Łącznie poniżej 5 sekund.

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

Warstwa 1: Deterministyczny matching (darmowy, natychmiastowy)

Pierwsza warstwa zajmuje się wszystkim, co ocenisz za pomocą reguł i porównań. Bez AI. Zero kosztów. Natychmiastowe wyniki.

Co sprawdza Warstwa 1:

Pokrycie słów kluczowych. Wyciąga umiejętności i technologie z wymagań JD. Sprawdza każdą w sparsowanym CV. Liczy procent pokrycia.

Lata doświadczenia. JD mówi “5+ lat backendu”. CV pokazuje pierwszą rolę backendową od 2021. Prosta matematyka: 5 lat. Zaliczone.

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

Dopasowanie zarobków. Budżet €70-85k, oczekiwania kandydata €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: zdane/niezaliczone.

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

Warstwa 2: Analiza niuansów AI (szybka, kontekstowa)

Warstwa 2 wchodzi tam, gdzie kończą się reguły, a zaczyna osąd.

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

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

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

Identyfikacja luk z pytaniami screeningowymi. Tu Warstwa 2 naprawdę błyszczy. Zamiast oznaczyć “brak: doświadczenie Kubernetes”, generuje pytanie wyjaśniające: “CV nie wspomina o Kubernetes, ale ma 3 lata Dockera i AWS ECS. Zapytaj: czy pracowałeś z Kubernetes w jakimś kontekście?”

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

Jak wygląda scorecard

W skrócie: Dwuwarstwowa scorecard daje wynik ogólny z werdyktem, rozbicie wg wymagań pokazujące, która warstwa oceniła każdy punkt i z jakim dowodem, flagi kodowane kolorami (zielony/żółty/czerwony) oraz gotowe pytania screeningowe. Wszystko w mniej niż 5 sekund.

Gdy obie warstwy kończą pracę (zwykle w mniej niż 5 sekund), dostajesz 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

W skrócie: Sama Warstwa 1 odrzuca dobrych kandydatów z umiejętnościami transferowalnymi i nie wykrywa trafności domeny. Sama Warstwa 2 jest wolniejsza, droższa i przesadna dla prostych sprawdzeń. Razem kosztują $0,01 za ocenę, działają w 3-5 sekund i wyłapują zarówno oczywiste niedopasowania, jak i subtelne szanse.

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 w sprawdzeniach strukturalnych. Warstwa 2 jest niuansowa, kontekstowa i pokazuje swoje rozumowanie. Razem dają scorecard, której można zaufać i którą można wykorzystać.

Przewaga wyjaśnialności

W skrócie: Każda ocena ma konkretny dowód z profilu kandydata, a nie “przeczucie” AI. Scorecard pokazuje, które wymagania przeszły, jakie luki znaleziono i co wymaga screeningu. Wchodzisz na rozmowę wiedząc, o co pytać i co weryfikować.

Co odróżnia dobry system matchingu od generatora magicznych liczb? Dowody.

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

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

W skrócie: Dwuwarstwowy matching skraca przegląd kandydatów z 5-15 minut do 30 sekund na osobę. Sortujesz po kolorze (zielony/żółty/czerwony), zaczynasz od silnych dopasowań, sprawdzasz odzyskiwalne luki u żółtych i pomijasz czerwonych z pewnością. Oszczędzasz ponad 2 godziny dziennie.

Z dwuwarstwowym matchingiem codzienny przegląd kandydatów zmienia się drastycznie:

Otwórz pipeline — 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, czego brakuje i czy to odzyskiwalne
Pomiń czerwonych z pewnością — Warstwa 1 wyłapała niedopasowania twardych wymagań

Co dawniej zajmowało 5-15 minut na kandydata, teraz mieści się w 30 sekundach przeglądu scorecard. Przy 20 kandydatach dziennie to ponad 2 godziny zaoszczędzone.

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