Przełóż job description na search kandydatów z pomocą AI

Skończony job description to nie search kandydatów. To ściana akapitów (obowiązki, wymagania, miękkie umiejętności, “miło mieć”), której nikt nie wkleja bezpośrednio do LinkedIn Recruiter. Krok przekładu jest miejscem, gdzie większość rekruterów spędza dodatkowy czas: gapisz się w JD, potem zaczynasz ręcznie kopiować skille do filtrów, mając nadzieję, że nie pominąłeś tego jednego słowa kluczowego, które wyciągnęłoby właściwego kandydata.

AI istotnie skraca tę robotę. Wklej JD do Gemini, ChatGPT albo Microsoft Copilot. Poproś o ustrukturyzowany zestaw skilli i string Boolean. Wrzuć output do filtrów keyword i skill w LinkedIn Recruiter Lite. Gotowe.

Cornelia z kanału HR Recruiting Uncovered prowadzi przez ten workflow na fikcyjnej roli system engineera i kończy ze 130 wykwalifikowanymi profilami. Ten przewodnik rozkłada jej proces, pokazuje prompty, które działają, i wyjaśnia, gdzie workflow nadal potrzebuje ludzkiego osądu.

Dlaczego ręczny przekład JD-na-search się ciągnie

W skrócie: Typowy techniczny JD pakuje wiele istotnych dla kandydata sygnałów po skillach, narzędziach, latach doświadczenia, językach, certyfikatach i preferencjach lokalizacyjnych. Ręczne mapowanie każdego z nich na właściwy filtr LinkedIn jest wolne. AI wyciąga i strukturyzuje te informacje z jednego promptu.

Otwórz typowy techniczny JD i spróbuj policzyć sygnały, na których sourcer musi zadziałać:

• Wymagane skille, często rozsiane po dokumencie
• Tech stack, czasem ukryty w obowiązkach, a nie w sekcji wymagań
• Lata doświadczenia
• Wykształcenie (kierunki, ekwiwalenty)
• Języki (angielski, niemiecki, hiszpański, łatwo przegapić)
• Lokalizacja i polityka remote/hybrid
• Soft skille (większość których powinieneś ignorować w searchu)
• Preferencje doświadczenia branżowego (często ukryte)
• Narzędzia i platformy specyficzne dla roli
• Certyfikaty

Senior engineer JD spokojnie wymienia kilkadziesiąt z tych sygnałów. Robotą rekrutera jest wyciągnąć te, które poprawiają precyzję searchu, i pominąć te, które ją psują. “Mocne nastawienie problem-solving” robi JD czytelnym, ale rozwala string Boolean.

Robione ręcznie, to robota grunt. Robione z AI, to jeden prompt.

Workflow: z JD do filtrów LinkedIn w pięciu krokach

W skrócie: Stwórz projekt, wklej JD do swojego narzędzia AI, poproś o ustrukturyzowaną listę skilli i string Boolean, wrzuć je w filtry keyword i skill w LinkedIn Recruiter Lite, potem nałóż filtry lat doświadczenia i lokalizacji. AI obsługuje strukturyzowanie; ty obsługujesz osądy.

Workflow Cornelii w LinkedIn Recruiter Lite:

Krok 1: stwórz nazwany, datowany projekt

Przed searchem stwórz projekt. Cornelia rekomenduje uwzględnienie tytułu roli i daty searchu w nazwie projektu, na przykład System Engineer 1 lutego. Dwa powody:

• LinkedIn Recruiter Lite nie ma automatycznych przypomnień follow-up. Data w nazwie projektu przypomina ci, kiedy wysłać 1- albo 2-tygodniowy follow-up do kandydatów, którzy nie odpowiedzieli.
• Jeśli prowadzisz wiele searchów na tę samą rolę w różne dni, datowane projekty trzymają puli kandydatów rozdzielone.

Pomiń opis projektu i inne opcjonalne pola. Jak ujmuje to Cornelia, te pola nie są istotne dla searchu i tylko zabierają czas.

Krok 2: wklej JD do swojego narzędzia AI

Każde ogólne narzędzie AI działa: Gemini, ChatGPT, Microsoft Copilot, Claude. Prompt jest krótki:

Poniżej jest opis stanowiska. Wyciągnij:
1. Czystą listę wszystkich technicznych skilli wspomnianych (jeden na linię)
2. String search Boolean odpowiedni dla LinkedIn Recruiter,
   który łączy najważniejsze skille używając AND/OR

Opis stanowiska:
[WKLEJ PEŁEN JD TUTAJ]

AI zwraca dwa artefakty:

• Listę skilli, sformatowaną jako bullety, gotową do wrzucenia do filtra skilli LinkedIn
• Jeden lub więcej stringów Boolean, zwykle wersję “wąską” (wysoka precyzja, mniej kandydatów) i “szeroką” (niższa precyzja, więcej kandydatów)

Preferencja Cornelii to zacząć od węższego Boolean i poszerzyć później, jeśli pula kandydatów jest za mała.

Krok 3: zdecyduj, co gdzie idzie

LinkedIn Recruiter Lite daje dwa główne pola na informacje o skillach:

| Pole | Najlepsze do | Limit | |---|---|---| | Skills & Assessments | Konkretne, dobrze znane skille (Python, AWS, Kubernetes) | LinkedIn auto-sugeruje; wiązane ze skillami, które LinkedIn rozpoznaje | | Keywords | Stringi Boolean, znajomość języka, niszowe narzędzia, miękkie wymagania | Free-text, pełne wsparcie Boolean |

Gdy AI zwraca długą listę skilli, nie wrzucaj wszystkich w to samo pole. Rozdziel je:

• Najważniejsze, dobrze rozpoznawane skille wrzuć w Skills & Assessments
• Resztę, razem z wymaganiami językowymi, niszowymi narzędziami albo kwalifikatorami doświadczenia, wrzuć w string Boolean Keywords

Ten podział ma znaczenie, bo LinkedIn waży filtry skilli inaczej niż dopasowania słów kluczowych. Wciskanie zbyt wielu skilli w jedno miejsce może nadmiernie odfiltrować search.

Krok 4: użyj keywordów na to, czego filtry nie wyrażą

Recruiter Lite nie ma kilku filtrów, które ma korporacyjna wersja LinkedIn Recruitera, najistotniej dedykowanego filtra językowego. Jeśli JD wymaga płynnego angielskiego i niemieckiego, nie odfiltrujesz tego bezpośrednio. Naprawą jest wstawienie wymagań językowych do stringa Boolean keyword:

("system engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR EMI) AND
("English" AND "German")

Zasada Cornelii, parafrazując: gdy LinkedIn nie daje wystarczająco natywnych filtrów, wepchnij wymagania w string Boolean keyword, a search nadal wyciągnie właściwych kandydatów.

To samo stosuje się do certyfikatów, niszowych platform i każdego wymagania, którego LinkedIn nie wspiera natywnie.

Krok 5: nałóż ustrukturyzowane filtry

Gdy skille i Boolean są na miejscu, dodaj ustrukturyzowane filtry, które LinkedIn wspiera:

• Lata doświadczenia: ustaw zakres (Cornelia użyła 5-13 lat na wymóg “5+ lat”)
• Lokalizacja: wymień miasta, nie tylko kraje
• Tytuły stanowisk: przeklikaj się przez auto-sugestie LinkedIn i wyklucz warianty, które nie pasują do seniority. Sugestia “Junior System Engineer” nie jest przydatna do senior roli.

Pomiń te filtry, jeśli JD wprost ich nie wymaga:

• Szkoły i kierunki: inżynierowie z kilkoma latami doświadczenia rzadko mają stopień jako najmocniejszy sygnał; historia pracy jest pewniejsza
• Branże: filtruj tylko, jeśli hiring manager wprost prosił o branżowe doświadczenie
• Wielkość firmy: to samo zastrzeżenie
• Niedawno dołączyli do LinkedIn: nieprzydatne dla senior ról

W przykładzie Cornelii search ląduje na 130 kandydatach w projekcie, gotowych na outreach.

Działający przykład: JD system engineera

W skrócie: Z JD z Pythonem, PowerShellem, Bashem, VPN i dwujęzycznymi wymaganiami angielski/niemiecki pojedynczy prompt Gemini wyciąga listę skilli i string Boolean. Wynik to projekt Recruiter Lite z 130 wykwalifikowanymi kandydatami po nałożeniu filtrów lokalizacji i doświadczenia.

Oto skrócony JD, z którym pracowała Cornelia:

System Engineer

Lokalizacja: Frankfurt lub Essen (on-site) Typ: pełny etat, na stałe

Obowiązki: projektowanie infrastruktury, automatyzacja i scripting (Python, PowerShell, Bash), bezpieczeństwo i compliance (VPN, access manager, konfiguracje EMI), konfiguracja sieci.

Wymagania: 5+ lat doświadczenia jako system engineer lub podobne, hands-on z Pythonem, PowerShellem i Bashem, wcześniejsze doświadczenie z setupem VPN i narzędziami access manager, płynność w angielskim i niemieckim, mocne nastawienie problem-solving, dyplom z Computer Science, IT albo równoważnik.

Po wklejeniu tego do Gemini i poproszeniu o skille + Boolean AI zwróciło coś bliskiego:

Skille wyciągnięte:

• Administracja systemami
• Projektowanie infrastruktury
• Python
• PowerShell
• Bash
• Konfiguracja VPN
• Access management
• Konfiguracja EMI
• Konfiguracja sieci
• Bezpieczeństwo i compliance

Boolean (wąski):

("system engineer" OR "infrastructure engineer") AND
(Python AND PowerShell AND Bash) AND
(VPN OR "access manager") AND
("English" AND "German")

Boolean (szeroki):

("system engineer" OR "systems engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR networking)

Wrzuć wąski Boolean w pole keyword LinkedIn. Wrzuć top skille w Skills & Assessments. Dodaj Frankfurt i Essen jako lokalizacje. Ustaw lata doświadczenia na 5-13. Search ląduje na 130 kandydatach, co jest do ogarnięcia na pierwszy miesiąc outreachu, bo LinkedIn Recruiter Lite zatyka cię na 30 emailach miesięcznie.

Co AI robi dobrze, a czego nie

W skrócie: AI jest pewne w wyciąganiu twardych skilli, narzędzi i stringów Boolean. Jest nierzetelne przy soft skillach, branżowych aliasach i osądach, które wymagania ważyć mocniej. Użyj AI do ustrukturyzowanej ekstrakcji. Trzymaj ludzi w pętli przy strategicznych decyzjach.

Tabela wyników z realnego użycia:

| Co AI robi dobrze | Co nadal potrzebuje ciebie | |---|---| | Wyciąganie twardych skilli i narzędzi | Decydowanie, które skille ważyć mocniej | | Generowanie składni Boolean (poprawne AND/OR/NOT) | Wybór wąskiego vs szerokiego Boolean dla rozmiaru twojej puli | | Wyciąganie lat doświadczenia | Negocjacje z hiring managerem o elastyczność “5+ lat” | | Identyfikowanie wymagań językowych | Wiedza, który język profil kandydata niedocenia | | Listowanie soft skilli | Decydowanie, które soft skille pominąć w searchu | | Generowanie wielu wariantów Boolean | Wybór wariantu pasującego do twojego targetu seniority |

Cornelia jest wprost w sprawie soft skilli: zostawia je, bo są redundantne i bezużyteczne w searchu. Jej argument: ktoś, kto był inżynierem przez kilka lat, oczywiście rozwinął nastawienie problem-solving, więc filtrowanie po tej frazie nie dodaje precyzji.

Ta sama logika stosuje się do “team player,” “self-starter” i większości innych soft skilli. AI chętnie wsadzi je w string Boolean. Powinieneś je usunąć.

Gdzie ten workflow przestaje skalować

W skrócie: Workflow Gemini-plus-LinkedIn działa na jedną rolę naraz. Powyżej pewnego wolumenu kończysz powtarzając cykl JD-na-search w kółko, przeskakując między trzema kartami i tracąc orientację, którzy kandydaci byli zsourcowani na którą rolę. CRM-y świadome JD robią to raz, a potem reużywają sparsowanego JD w całym pipelinie.

Ręczny workflow ma jasne efekty pułapowe:

Podatek za powtarzanie. Wolumen agencyjny oznacza odpalanie cyklu JD-na-Boolean za każdym razem, gdy otwiera się nowa rola. Każdy cykl jest szybki, gdy JD jest czyste, i wolny, gdy jest zabałaganione. W ciągu zarobionego tygodnia czas się sumuje.

Utrata stanu. String Boolean żyje w historii czatu twojego narzędzia AI. Skille żyją w LinkedIn. Notatki kandydackie żyją w arkuszu. JD żyje w mailu. Tygodnie później, gdy kandydat odpowiada, rekonstrukcja kontekstu kosztuje cię czas.

Brak reuzy. Sparsowany JD, który napędził search LinkedIn, jest tym samym sparsowanym JD, którego potrzebujesz na skrypty przesiewowe, scorecards i wiadomości outreach. Robienie parsowania cztery razy oddzielnie, raz na artefakt, to zmarnowana robota.

Narzędzia jak Recrudoc parsują JD raz i reużywają ustrukturyzowanego outputu wszędzie. JD Parser wyciąga wymagania, skille, lata doświadczenia, lokalizację i widełki pensyjne w ustrukturyzowany obiekt. Ten sam obiekt potem napędza scorecards matchingu kandydatów, generowanie pytań przesiewowych i szablony wiadomości outreach, bez cykli copy-paste między kartami.

Jeśli sourcujesz na LinkedIn, ale chcesz pominąć ręczny krok promptu, Hybrid Search Recrudoc przyjmuje JD albo surowe notatki intake i zwraca dopasowanych kandydatów z twojej istniejącej bazy. Search semantyczny i keyword pracują razem, żeby znaleźć kandydatów, których profile używają synonimów twoich termów zapytania.

Łączenie z innymi workflow

W skrócie: Ten workflow to jeden kawałek pipeline’u JD-do-hire. Połącz go z porządnym pisaniem JD na froncie i biegłością Boolean na tyle dla najwyższej jakości puli kandydatów.

Trzy kompanijne workflow czynią to podejście mocniejszym:

• Wyrównaj JD przed wyciąganiem z niego. Nasz przewodnik po pisaniu opisów stanowisk z promptami AI pokrywa workflow z generatorami promptów i struktury produkujące konkretne, search-friendly JD.
• Naucz się składni Boolean, byś mógł sanity-checkować to, co produkuje AI. Nasz przewodnik po stringach search Boolean LinkedIn daje ci szablony copy-paste na 15 popularnych ról.
• Nałóż to na pełną strategię sourcingu. Nasze strategie sourcingu kandydatów na 2026 prowadzą przez to, gdzie napędzane AI parsowanie JD pasuje w szerszym playbooku LinkedIn-plus-pasywne-źródła.

Profile LinkedIn starzeją się nierównomiernie, zwłaszcza w polach technicznych. Cornelia wskazuje, że inżynierowie aktualizują tech stack i certyfikaty regularnie, ale rzadko aktualizują soft skille albo języki. Kandydat, którego profil pokazuje tylko angielski, mógł zbić niemiecki do C1 od ostatniej edycji. Zapisz te profile do pipeline’u mimo to i niech rozmowa przesiewowa potwierdzi znajomość języka.

To luka, której AI nie zamyka. Profile zmieniają się szybciej, niż są indeksowane. Oko rekrutera nadal robi finalne filtrowanie.

Chcesz przekład JD-na-search wbudowany w twój CRM? Wypróbuj Recrudoc CRM za darmo. Wklej dowolny JD i zyskaj sparsowane wymagania, stringi Boolean i dopasowanych kandydatów ze swojej bazy w sekundach.

Źródła

Spostrzeżenia w tym artykule oparto na następującej dyskusji eksperta branżowego:

• “Translating a Job Description into Candidate Search with AI” — Cornelia, HR Recruiting Uncovered, YouTube