AI-kandidatmatchning med underlag.
Boolesk sökning missar kandidater när titlarna inte stämmer exakt. Yena läser rollen och kandidatens historik och visar underlaget bakom varje träff. Ni granskar och avgör vem som går vidare.
Det stora felet med sökning på bara nyckelord.
Ett traditionellt ATS matchar på nyckelord: söker ni efter 'Senior Python Developer' får ni bara exakta träffar. Det missar 'Backend Engineer' (Python-tungt), 'Data Engineer' (Python-pipelines) och 'ML Engineer' (TensorFlow/PyTorch).
Hittar: 23 exakta träffar
- Missar: 'Backend Engineer' (Python-stack)
- Missar: 'Data Engineer' (Python-pipelines)
- Missar: 'ML Engineer' (TensorFlow = Python)
Resultat: en smal träffbild där relevanta profiler riskerar att missas
Hittar: alla 23 exakta träffar
- + 'Backend Engineer' (Python-tung)
- + 'Data Engineer' (Python för dataarbete)
- + 'ML Engineer' (Python-ramverk för ML)
Resultat: en bredare träffbild med fler relevanta profiler att granska
Så fungerar AI-baserad semantisk matchning.
Byggd på samma typ av AI-teknik som världens bästa sökmotorer använder.
Variationer i jobbtitlar
Förstår att 'Staff Engineer' = 'Principal Engineer' = 'Distinguished Engineer' i nivåsystem hos Google, Amazon, Microsoft och Meta.
En sökning på 'Senior Engineer' hittar även Staff/Principal
Kompetenskontext och tekniska stackar
'Python' kan betyda Django (webb), Pandas (data), TensorFlow (ML) eller Ansible (DevOps) - olika kontext för olika roller.
Sökning på 'Backend Python' prioriterar Django/Flask
Branschspecifik expertis
'Primary Care Physician' ≠ 'Hospitalist' (båda internmedicin, men olika vårdmiljöer).
Sökning på 'Primary Care' utesluter sjukhusläkare
Nyanser i erfarenhetsnivå
'$150M P&L Plant Manager' kräver en annan bakgrund än '$50M P&L Plant Manager'.
Justerar efter P&L-omfång, inte bara titel
Specialisering inom expertområdet
'M&A Tax Attorney' ≠ 'Estate Planning Tax Attorney' (båda skatt, men olika specialiseringar).
Filtrerar på transaktionstyp och bransch
Kontinuerligt lärande
AI-modellen blir bättre med varje sökning. Nya titlar, nya kompetenser och nya branschsignaler fångas upp.
Nya titlar som 'GenAI Engineer' tas in löpande
Exempel från verkligheten.
Hälso- och sjukvård: 'Primary Care Physician'
Problem i ett nyckelordsbaserat ATS:
Returnerar alla med 'Internal Medicine' - även sjukhusläkare, IVA och subspecialister
Yena AI semantiskt:
- Hittar: Family Medicine, Internal Medicine - öppenvård
- Exkluderar: sjukhusläkare (slutenvård), IVA, subspecialiteter
Resultat: färre generiska träffar och tydligare underlag för rekryteraren
Juridik: 'M&A Tax Attorney'
Problem i ett nyckelordsbaserat ATS:
Returnerar alla 'Tax Attorney' - även Estate Planning, SALT och Tax Controversy
Yena AI semantiskt:
- Hittar: skattejurister med erfarenhet av M&A-transaktioner
- Projektsignaler: struktureringsarbete i större transaktioner
Resultat: större chans att rätt specialisering hamnar på kortlistan
Tillverkning: 'Plant Manager with Industry 4.0'
Problem i ett nyckelordsbaserat ATS:
Returnerar alla som nämnt buzzwordet (de flesta har aldrig lett digitala projekt)
Yena AI semantiskt:
- Signaler: ledde digitala fabriksinitiativ och arbetade nära produktionsteknik
- Teknik: IoT-sensorer, MES, digital tvilling
Resultat: tydligare skillnad mellan beprövad erfarenhet och lösa omnämnanden
"Yena hjälper oss att se fler relevanta titelvarianter och förklarar varför en profil är värd att granska innan vi tar nästa beslut."