CV-gallring låter enkelt tills du sitter med en mapp full av PDF:er, försöker jämföra äpplen med päron och inser att du redan har glömt vad den första kandidaten sa.
Den här automatiseringen för CV-gallring träffar rekryterare först, men rekryterande chefer och operations-/driftsansvariga känner av den också. Du får en konsekvent poäng, en tydlig sammanfattning och en rankad shortlist i Google Sheets utan att lägga veckan på att kopiera och klistra in anteckningar.
Det här arbetsflödet låter kandidater (eller ditt team) ladda upp upp till cirka 20 CV:n åt gången, sedan granskar Gemini varje CV mot er kravprofil och loggar resultaten i ett kalkylark. Nedan ser du vad det gör, var det sparar tid och vad du vill anpassa.
Så fungerar automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Gemini AI + Google Sheets, rankade CV-shortlists
flowchart LR
subgraph sg0["On form submission Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/form.svg' width='40' height='40' /></div><br/>On form submission"]
n1@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini Chat Model", pos: "b", h: 48 }
n2@{ icon: "mdi:database", form: "rounded", label: "Append row in sheet", pos: "b", h: 48 }
n3@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n4@{ icon: "mdi:cog", form: "rounded", label: "Extract from File", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "Resume analysis Agent", pos: "b", h: 48 }
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>map files independently"]
n3 --> n5
n4 --> n3
n0 --> n6
n5 --> n2
n6 --> n4
n1 -.-> n5
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n5 ai
class n1 aiModel
class n2 database
class n6 code
classDef customIcon fill:none,stroke:none
class n0,n6 customIcon
Utmaningen: att förvandla PDF-högar till en pålitlig shortlist
Manuell gallring faller ihop på förutsägbara sätt. Du öppnar en PDF, letar efter rätt nyckelord, försöker “känna av” erfarenhetsnivån och skriver sedan anteckningar någonstans som du förhoppningsvis hittar senare. Gör det 20 gånger och kriterierna glider. Du slutar också med att läsa samma CV igen eftersom du inte minns varför personen var ett “kanske”, eller för att en kollega använde en annan standard. Ärligt talat är det värsta att missa starka kandidater för att de inte formaterade sitt CV som alla andra.
Det summerar snabbt. Här är var det brukar fallera.
- Du tappar ungefär 10 minuter per CV bara på att öppna, skanna och ta användbara anteckningar.
- Poängsättningen blir inkonsekvent mellan dagar eller granskare, så shortlists blir diskussioner i stället för beslut.
- Att kopiera höjdpunkter till ett kalkylark skapar stavfel, saknade fält och rörig formatering som ingen litar på.
- När CV:n kommer i batcher skyndar du antingen på eller hamnar efter, och båda leder till felrekryteringar.
Lösningen: ladda upp CV:n, få rankade resultat i Sheets
Det här arbetsflödet gör en stökig, manuell gallringsprocess till en repeterbar pipeline. Det startar med ett enkelt formulär där du laddar upp flera PDF-CV:n i ett svep (upp till cirka 20). Varje fil delas upp så att den kan behandlas individuellt, sedan extraheras texten från PDF:en och rensas till ett enda fält med “CV-text” som är lättare för AI att utvärdera. Därefter granskar en AI-agent texten utifrån er kravprofil och kvalifikationer (du sätter detta i systemmeddelandet), och Gemini genererar konsekventa outputs som poäng, sammanfattningar och viktiga styrkor eller gap. Slutligen läggs varje kandidats resultat till i Google Sheets så att du kan sortera, filtrera och skapa shortlist direkt.
Arbetsflödet börjar vid formulärinskickningen och loopar sedan igenom varje uppladdat CV ett i taget. Gemini gör utvärderingen och Google Sheets blir er enda sanningskälla för ranking och granskningsanteckningar. Inga fler “var lade vi den kandidaten?”-ögonblick.
Vad som förändras: före vs. efter
| Det här elimineras | Effekten du kommer att se |
|---|---|
|
|
Effekt i verkligheten
Säg att du rekryterar till en roll och får 20 CV:n på en dag. Manuellt, om varje CV tar cirka 10 minuter att läsa, sammanfatta och ge en poäng, blir det runt 3 timmars fokuserat arbete, plus kontextbyten. Med det här arbetsflödet laddar du upp batchen en gång (kanske 5 minuter), och sedan bearbetar automatiseringen varje fil och lägger till resultaten i Google Sheets medan du gör något annat. Du granskar fortfarande toppkandidaterna, men du börjar från en rankad shortlist i stället för ett blankt papper.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra poäng, sammanfattningar och ranking.
- Google Gemini (via n8n LangChain-node) för att poängsätta och sammanfatta kandidater.
- Åtkomst till Google-konto (Sheets-behörigheter för att lägga till rader)
Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in era jobbkrav i agentens systemmeddelande och testar med några exempel-CV:n.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Flödet i arbetsflödet
Uppladdning av flera CV:n triggar körningen. Ett formulär samlar in upp till cirka 20 PDF-filer i ett svep, vilket är idealiskt när du hanterar en batch efter att en jobbannons publicerats.
Varje fil separeras och konverteras till text. Ett litet kodsteg mappar de uppladdade filerna så att de kan hanteras en i taget, sedan extraheras PDF-texten och rensas till ett konsekvent format.
Gemini utvärderar CV:t mot dina kriterier. AI-agenten använder ditt systemmeddelande (rollbeskrivning, kvalifikationer, deal-breakers) och ber Gemini att leverera ett strukturerat output som faktiskt går att använda för ranking.
Google Sheets blir rekryteringsdashboarden. Varje kandidat läggs till som en ny rad, vilket betyder att du kan sortera på poäng, filtrera på måste-ha-kompetenser och dela en intern länk utan att skicka PDF:er fram och tillbaka.
Du kan enkelt justera poängmatrisen för att passa olika roller (sälj vs. teknik, junior vs. senior). Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera formulärtriggern
Sätt upp inskickningsformuläret som startar pipelinen för cv-granskning och fångar cv-filerna samt instruktioner för analys.
- Lägg till en Submission Form Trigger-nod som workflow-trigger.
- Ställ in Form Title på
Resume Analysis. - Ställ in Form Description på
Upload the Candindates Resume/Cover letters. - I Form Fields, lägg till ett textfält med etiketten
Describe the Analysis to be doneoch markera det som obligatoriskt. - Lägg till ett filfält med etiketten
Attach the resumesför att tillåta filuppladdningar.
Tips: Håll analysinstruktionen kortfattad för att säkerställa konsekventa AI-svar längre fram i flödet.
Steg 2: Dela upp och tolka uppladdade filer
Dela upp flera bilagor till enskilda objekt och extrahera text från PDF:er för analys.
- Lägg till Split Uploaded Files och koppla den till Submission Form Trigger.
- I Split Uploaded Files, ställ in JavaScript Code till det angivna scriptet som itererar binära objekt och skickar ut ett objekt per fil.
- Lägg till Parse File Content och koppla den till Split Uploaded Files.
- Ställ in Operation i Parse File Content på
pdf.
⚠️ Vanlig fallgrop: Om de uppladdade filerna inte är PDF:er kommer Parse File Content att returnera tomma resultat. Säkerställ att kandidaterna laddar upp cv:n i PDF-format.
Steg 3: Aggregera text och konfigurera AI-granskningen
Kombinera extraherad text och skicka den till AI-agenten för en strukturerad cv-granskning.
- Lägg till Combine Text Fields och koppla den till Parse File Content.
- I Combine Text Fields, ställ in Fields to Aggregate så att
textingår. - Lägg till Resume Review Agent och koppla den till Combine Text Fields.
- Ställ in Text i Resume Review Agent på
{{ $json.text }}. - Ställ in System Message på
{{ $('Submission Form Trigger').item.json['Describe the Analysis to be done'] }} *Summarize the analysis into brief solid insights. Offer a general overall summary, based on all key aspects Your output response should capture indentity details and clean Your output must be plain texts no bold no #, no symbols, and less than 200words, easy to read through. - Koppla in Gemini Chat Engine som språkmodell för Resume Review Agent.
- Credential Required: Anslut era
googlePalmApi-uppgifter i Gemini Chat Engine (uppgifterna hanteras på språkmodell-noden, inte på agenten).
Steg 4: Konfigurera utdata till Google Sheets
Lagra AI-sammanfattningen i Google Sheets för HR-granskning och uppföljning.
- Lägg till Append Sheet Record och koppla den till Resume Review Agent.
- Ställ in Operation på
append. - Ställ in Document på
[YOUR_ID]och Sheet påAI Summary. - Mappa AI summary till
{{ $json.output }}i kolumnmappningen. - Credential Required: Anslut era
googleSheetsOAuth2Api-uppgifter i Append Sheet Record.
⚠️ Vanlig fallgrop: Om arknamnet eller dokument-ID:t är felaktigt kommer append-åtgärden att misslyckas. Verifiera att båda värdena matchar ert Google Sheet.
Steg 5: Testa och aktivera ert workflow
Validera hela pipelinen från formulärinskick till lagring av AI-sammanfattning.
- Klicka på Execute Workflow och öppna test-URL:en för Submission Form Trigger.
- Skicka in formuläret med ett cv i PDF-format och en tydlig analysinstruktion.
- Verifiera att Parse File Content ger extraherad text och att Resume Review Agent returnerar ett sammanfattat svar.
- Bekräfta att en ny rad visas i ert Google Sheet med fältet AI summary ifyllt.
- Växla workflow till Active för att aktivera användning i produktion.
Se upp för
- Google Sheets-inloggningar kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först status på n8n-autentiseringen och bekräfta att målarket är delat med det anslutna Google-kontot.
- Om du laddar upp inskannade PDF:er (bilder, inte markerbar text) kan extraktionskvaliteten variera. Testa med några riktiga CV:n och överväg att lägga till ett OCR-steg om dina sökande ofta skickar in skanningar.
- Standardprompter för AI är generiska. Lägg in era faktiska jobbkrav i agentens systemmeddelande tidigt, annars kommer du att lägga tid på att rätta “snyggt formulerade” sammanfattningar som inte matchar hur ni faktiskt rekryterar.
Vanliga frågor
Cirka 20 minuter om dina Google-konton är klara.
Ja. Du kopplar främst Google Sheets och klistrar in era jobbkrav i AI-agentens systemmeddelande.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna in Gemini-kostnader baserat på hur många CV:n du bearbetar.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger obegränsade exekveringar men kräver grundläggande serveradministration.
Ändra AI-agentens systemmeddelande så att det matchar den exakta rollbeskrivningen, måste-ha-kraven och deal-breakers. Du kan också justera vad som skrivs till Sheets genom att redigera fälten som steget “Append Sheet Record” skickar (till exempel lägga till en kolumn för “rekommenderat nästa steg” eller en kolumn för “matchning av kompetenser”). Om du vill ha en annan typ av output, justera prompten så att Gemini alltid returnerar en strikt struktur (poäng, sammanfattning, styrkor, gap).
Oftast är det en utgången Google-inloggning eller att arket inte delades med det anslutna kontot. Återanslut Google Sheets i n8n och bekräfta sedan att kalkylarkets ID och fliknamn fortfarande matchar vad arbetsflödet förväntar sig. Om arbetsflödet körs men inga rader dyker upp, kontrollera att de tillagda fälten stämmer med dina kolumner i arket.
I praktiken är arbetsflödet utformat kring batcher på upp till cirka 20 CV:n per inskick, och du kan köra flera inskick per dag. I n8n Cloud beror kapaciteten främst på dina exekveringsgränser och hur lång tid PDF-extraktion + AI-granskning tar per fil. Vid egen drift finns ingen exekveringsgräns, men du dimensionerar servern utifrån hur många CV:n du vill bearbeta parallellt och hur ofta du förväntar dig toppar efter att en jobbannons publicerats.
Ofta, ja, eftersom det här inte är en enkel zap i två steg. Du delar upp flera uppladdningar, extraherar PDF-text, kör sedan en AI-utvärdering och skriver strukturerade rader till Sheets, vilket vanligtvis kräver mer kontroll än vad enklare byggare erbjuder. n8n ger dig också möjlighet till egen drift, vilket spelar roll när du hanterar många ansökningar och inte vill att prissättning per uppgift ska dra iväg. Zapier eller Make kan fortfarande fungera om du håller logiken väldigt enkel, men du når gränser snabbare när du lägger till batchhantering och mer avancerade AI-prompter. Om du är osäker, prata med en automationsexpert så sanity-checkar vi din setup.
När detta väl rullar slutar gallringen att vara flaskhalsen. Du får en strukturerad shortlist i Google Sheets och kan lägga fokus där det faktiskt spelar roll: intervjuerna.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.