# Jak AI pokonuje ATS: techniczny rozbiór serwisu do wyszukiwania pracy w IT
Tradycyjne job boardy nie rozwiązują głównego problemu specjalistów IT: nawet najbardziej pasujący kandydaci gubią się na etapie ATS i słabego CV. Opracowaliśmy serwis Talanto.Work, który najpierw normalizuje dane ofert pracy, a następnie pomaga kandydatom przejść pierwszy filtr dzięki analizie AI CV. Kluczowe spostrzeżenie: rynek pracy zaczyna się psuć na długo przed wywiadem — na poziomie przygotowania profilu i dopasowania do vakansii.
Dlaczego ATS to nie mit, a pierwszy mur
Applicant Tracking System (ATS) często przedstawiany jest jako nie do przejścia finalny boss, ale to po prostu algorytmiczny filtr sprawdzający podstawowe dopasowania. Nie ocenia talentu, lecz szuka: zgodności stosu technologii, czytelności doświadczenia, dopasowania do poziomu i kluczowych wymagań. Problem w tym, że 60% CV odpada na tym etapie z powodu:
- Zbyt kreatywnego designu (grafika przeszkadza w parsowaniu)
- Nieprecyzyjnych sformułowań („uczestniczył w rozwoju")
- Brak bezpośredniej odpowiedzi na pytanie: „Dlaczego właśnie ta rola?”
- Niezgodności struktury z wymaganiami ATS (np. brak sekcji Skills)
Obserwowaliśmy, jak silni kandydaci odpadali z powodu technicznych niuansów: PDF z obrazami zamiast tekstu, niestandardowe czcionki, ukryte słowa kluczowe. Ważne, by zrozumieć: ATS nie jest wrogiem. To narzędzie, które można obejść — jeśli zna się jego logikę.
Zbieranie danych: ból za kulisami
Najbardziej uciążliwy etap development to nie modele AI, a przetwarzanie surowego strumienia ofert pracy. Internet przechowuje dane w chaotycznej formie:
- Jedna rola w trzech źródłach z różnym opisem (np. „Python Developer” vs „Data Engineer” przy tym samym steku)
- Zakresy płac: czasem podane, czasem ukryte w tekście
- Praca zdalna: oznaczona jako opcja lub zamaskowana w wymaganiach
- Niespójne terminy („React”, „React.js”, „React JS”)
Na rozwiązanie zbudowaliśmy wielopoziomowy pipeline:
- Parsowanie z ponad 200 źródeł za pomocą wyrażeń regularnych i NLP
- Klasteryzacja ofert według stacku, poziomu i firmy
- Ręczna weryfikacja spornych przypadków (np. gdy w opisie Python, ale wymagania Data Engineering)
- Dynamiczna normalizacja płac przez geolokalizację i kursy walut
Ten etap pochłonął 70% czasu development. Bez czystych danych modele AI są bezsilne — śmieci na wejściu dają śmieci na wyjściu.
Analiza AI CV: od magii do konkretów
Odrzuciliśmy koncepcję „magicznego przycisku”, który poprawi CV jednym kliknięciem. Zamiast tego skupiamy się na diagnozie słabych punktów:
- Czytelność dla ATS: sprawdzanie struktury, braku grafiki, poprawności PDF
- Dopasowanie do oferty: porównanie stacku w CV z wymaganiami roli za pomocą wektorowych embeddingów
- Jakość sformułowań: wykrywanie nieprecyzyjnych fraz („uczestniczył”, „pomagał”) i zastępowanie ich opisami zorientowanymi na akcje
- Luki w logice: analiza sekwencji doświadczenia (np. skok z juniora na tech leada bez etapów pośrednich)
System nie przepisuje CV, lecz daje konkretne rekomendacje: „Dodaj metryki do projektu X”, „Doprecyzuj stack dla React Native”, „Skróć sekcję edukacji do 3 punktów”. To zmniejsza obciążenie poznawcze — kandydat widzi, co poprawić, zamiast dostawać abstrakcyjną radę „zrób lepiej”.
Uwzględnienie zmęczenia: ukryty motor odmów
Krytyczne spostrzeżenie: użytkownik przychodzi do serwisu już wyczerpany. Po 50+ aplikacjach bez odpowiedzi:
- Nie wierzy w rynek
- Wątpi w swoje CV
- Gotów aplikować na niepasujące oferty
To zmienia podejście do UX. Usunęliśmy wszystkie skomplikowane scenariusze z pierwszego ekranu. Zamiast:
- Długich ankiet
- Automatycznych rekomendacji bez potwierdzenia
- Wielopoziomowych filtrów
Zaproponowaliśmy minimalistyczną ścieżkę: znajdź ofertę → sprawdź dopasowanie przez AI → aplikuj. Dodatkowe funkcje (analiza rynku płac, porównanie firm) dostępne dopiero po podstawowej interakcji. To zmniejszyło odpływ na etapie onboarding o 35%.
Miny, na które nadepnęliśmy
Pierwszy błąd — przecenienie „mądrości”. Chcieliśmy wdrożyć:
- Automatyczne generowanie listów motywacyjnych
- Prognozę szans na podstawie danych historycznych
- Integrację z LinkedIn do importu doświadczenia
Ale użytkownicy ignorowali te funkcje. Przyczyna: na etapie szukania pracy kluczowa jest szybkość i prostota. Skomplikowane ficzerki działają dopiero po tym, jak kandydat:
- Znajdzie relevantną ofertę
- Upewni się w dopasowaniu
- Wyśle aplikację
Dopiero wtedy jest gotowy na głębszą analizę. Lekcja: najpierw rozwiązuj ból, nie dodawaj ficzerów.
Co ważne
- Problem z poszukiwaniem pracy w IT zaczyna się od ATS i słabego CV, a nie braku ofert
- Jakość danych to podstawa serwisu AI: bez normalizacji nawet najtrudniejsze modele są bezużyteczne
- Analiza AI musi dawać konkretne, naprawialne rekomendacje, a nie ogólne rady
- Zmęczenie użytkownika ważniejsze niż „mądre” funkcje: upraszczaj podstawową ścieżkę interakcji
- Skomplikowane ficzerki na miejscu dopiero po rozwiązaniu bazowych problemów kandydata
Ostateczny produkt to nie zwykły job board, lecz system wypełniający dwie luki: dostęp do czystego rynku ofert i pokonanie pierwszego filtra. Nie obiecujemy idealnego rynku (zbyt dużo chaosu), ale czynimy drogę od wyszukiwania do aplikacji mniej bolesną. Dla deweloperów to znaczy: fokus na danych, uczciwa diagnoza i szacunek dla zmęczenia użytkownika — nie mniej ważne niż zaawansowane algorytmy.
— Editorial Team
Brak komentarzy.