# Jak AI překonává ATS: technická analýza služby pro hledání IT práce
Tradiční job boardy neřeší hlavní problém IT specialistů: i vhodní kandidáti se ztrácejí na etapě ATS a kvůli slabému CV. Vyvinuli jsme službu Talanto.Work, která nejdříve normalizuje data nabídek práce, a poté pomáhá kandidátům projít prvním filtrem díky AI analýze CV. Klíčové zjištění: trh práce selhává dlouho před pohovorem – na úrovni přípravy profilu a shody s pozicí.
Proč je ATS skutečnou první překážkou, ne mýtus
Applicant Tracking System (ATS) se často prezentuje jako neproniknutelný finální boss, ale jde jen o algoritmický filtr, který kontroluje základní shody. Nehodnotí talent, ale hledá: shodu technologického stacku, čitelnost zkušeností, soulad s úrovní a klíčovými požadavky. Problém je, že 60 % CV se na tomto etapě odfiltruje kvůli:
- Příliš kreativnímu designu (grafika brání parsování)
- Nejasným formulacím ("účastnil se vývoje")
- Chybějící přímé odpovědi na otázku: "Proč právě tato role?"
- Nesouladu struktury s požadavky ATS (např. absence sekce Skills)
Sledovali jsme, jak silní kandidáti selhávají kvůli technickým detailům: PDF s obrázky místo textu, nestandardní písma, skryté klíčové slova. Důležité pochopit: ATS není nepřítel. Je to nástroj, který lze přizpůsobit – pokud znáte jeho logiku.
Sběr dat: bolest za oponou
Nejvíce nepříjemná etapa vývoje – nejsou AI modely, ale zpracování syrového proudu nabídek. Internet ukládá data chaoticky:
- Jedna role ve třech zdrojích s různým popisem (např. "Python Developer" vs "Data Engineer" při stejném stacku)
- Mzdové rozsahy: někde uvedené, jinde schované v textu
- Práce na dálku: označená jako volba nebo maskovaná v požadavcích
- Nejednotné termíny ("React", "React.js", "React JS")
Pro řešení jsme postavili víceúrovňový pipeline:
- Parsování z 200+ zdrojů pomocí regulárních výrazů a NLP
- Klastrizace nabídek podle stacku, úrovně a firmy
- Ruční ověření sporných případů (např. když v popisu je Python, ale požadavky Data Engineering)
- Dynamická normalizace mezd podle geolokace a směnných kurzů
Tato etapa zabrala 70 % času vývoje. Bez čistých dat jsou AI modely bezmocné – odpad na vstupu vytváří odpad na výstupu.
AI analýza CV: od kouzel k konkretu
Vzdali jsme se konceptu „kouzelného tlačítka", které opraví CV jedním kliknutím. Místo toho se soustředíme na diagnostiku slabých míst:
- Čitelnost pro ATS: kontrola struktury, absence grafiky, správnost PDF
- Soulad s nabídkou: porovnání stacku v CV s požadavky role pomocí vektorových embeddingů
- Kvalita formulací: odhalení nejasných frází ("účastnil se", "pomáhal") a nahrazení action-oriented popisy
- Mezery v logice: analýza posloupnosti zkušeností (např. přechod z junior na tech lead bez přechodných rolí)
Systém CV nepřepisuje, ale dává konkrétní doporučení: „Přidejte metriky do projektu X", „Specifikujte stack pro React Native", „Zkraťte sekci vzdělání na 3 body". To snižuje kognitivní zátěž – kandidát vidí, co opravit, místo abstraktní rady „udělejte to lépe".
Zohlednění únavy: skrytý motor odmítnutí
Kritické pozorování: uživatel přichází k službě už vyčerpaný. Po 50+ odpovědích bez reakce:
- Nevěří v trh
- Poškozuje důvěru ve své CV
- Je ochoten odpovídat na nerelevantní nabídky
To mění přístup k UX. Odstranili jsme všechny složité scénáře z první obrazovky. Místo:
- Dlouhých dotazníků
- Automatických doporučení bez potvrzení
- Víceúrovňových filtrů
Nabízíme minimalistickou cestu: najít nabídku → zkontrolovat shodu přes AI → odpovědět. Další funkce (analýza trhu mezd, srovnání firem) jsou dostupné až po základní interakci. To snížilo odliv v onboardingové fázi o 35 %.
Pasti, do kterých jsme šlápli
První chyba – přeceňování „chytrých“ funkcí. Chtěli jsme zavést:
- Automatickou generaci cover letterů
- Prognózu šancí na základě historických dat
- Integraci s LinkedIn pro import zkušeností
Ale uživatelé tyto funkce ignorovali. Důvod: v etapě hledání práce je klíčová rychlost a jednoduchost. Složitější funkce fungují až poté, co kandidát:
- Najde relevantní nabídku
- Ověří shodu
- Odešle odpověď
Teprve pak je připraven na hlubší analýzu. Lekce: nejdříve řešte bolest, ne přidávejte funkce.
Co je důležité
- Problém hledání IT práce začíná u ATS a slabého CV, ne chybějícími nabídkami
- Kvalita dat je základem AI služby: bez normalizace jsou i nejsložitější modely k ničemu
- AI analýza má dávat konkrétní, opravitelná doporučení, ne obecné rady
- Únava uživatele je důležitější než „chytré“ funkce: zjednodušte základní cestu interakce
- Složitější funkce patří až po vyřešení základních úkolů kandidáta
Finální produkt není jen job board, ale systém, který zacpává dvě mezery: přístup k čistému trhu nabídek a překonání prvního filtru. Neslibujeme dokonalý trh (příliš mnoho chaosu), ale činíme cestu od hledání k odpovědi méně bolestivou. Pro vývojáře to znamená: soustřeďte se na data, upřímnou diagnostiku a respekt k únavě uživatele – ne méně důležité než pokročilé algoritmy.
— Editorial Team
Zatím žádné komentáře.