Din process för att granska CV:n ser troligen ut så här: öppna en fil, skumma efter nyckelord, gissa antal års erfarenhet och försöka minnas hur “bra” såg ut bland de senaste 20 CV:na. Det går långsamt. Och det är inkonsekvent.
Rekryterare märker det först, eftersom urvalet äter upp hela förmiddagen. HR-chefer får ta över röran när rekryterande chefer inte är överens om vem som är “kvalificerad”. Och byråteam fastnar i att förklara varför kandidat A hamnade på kortlistan i stället för kandidat B. Den här automatiseringen för CV-poängsättning gör varje CV till samma strukturerade profil med konsekventa totaler och poäng.
Du får se vad flödet gör, vad du behöver för att köra det och hur det hjälper dig att gallra snabbare utan att göra rekryteringen till en svart låda.
Så fungerar automatiseringen
Hela n8n-flödet, från trigger till slutlig output:
n8n Workflow Template: Google Drive + PDF Vector AI, poängsätt cv snabbt
flowchart LR
subgraph sg0["Manual Execution Start Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Execution Start", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "Fetch Drive Resume", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "Extract Resume Data", pos: "b", h: 48 }
n3["<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/>Compute Experience Metrics"]
n4@{ icon: "mdi:cog", form: "rounded", label: "AI Resume Assessment", pos: "b", h: 48 }
n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Assemble Candidate Profile", pos: "b", h: 48 }
n0 --> n1
n2 --> n3
n4 --> n5
n3 --> n4
n1 --> n2
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 n3 code
classDef customIcon fill:none,stroke:none
class n3 customIcon
Problemet: CV-gallring är långsam och inkonsekvent
Manuell gallring faller ihop när volymerna ökar. Ett CV är inga problem. Femti stycken på en dag blir stressade beslut, röriga anteckningar och “magkänsle”-rankningar som är svåra att försvara i efterhand. Till och med bra rekryterare hamnar i huvudräkning för att uppskatta erfarenhet (“2018 till 2021… plus den praktiken… räknas den?”), och olika granskare viktar samma signaler olika. Lägg till inskannade CV:n, udda formatering och flersidiga PDF:er, så får du en process som i det tysta tappar starka kandidater samtidigt som välputsade men svaga CV:n flyter upp.
Det blir snabbt tydligt. Här brukar friktionen dyka upp.
- Granskare lägger cirka 10 minuter per CV bara på att plocka ut grunderna, och det är samma fält varje gång.
- Erfarenhet uppskattas ofta olika, vilket gör att kandidater jämförs med olika måttstockar.
- Inskannade eller fotograferade CV:n kräver extra steg (OCR, kopiera-klistra in, omformatering) innan någon ens kan utvärdera.
- Anteckningar hamnar i mejltrådar eller ATS-kommentarer, så ingen har en felfri, strukturerad kandidatprofil att sortera och filtrera på.
Lösningen: CV-poängsättning från Google Drive med PDF Vector AI
Det här flödet bevakar ett CV du har sparat i Google Drive och gör om det till en strukturerad, poängsatt kandidatprofil. När du kör det hämtar n8n filen från Drive, och sedan extraherar PDF Vector AI kandidatens uppgifter även när formateringen är ful. Om CV:t är inskannat eller fotograferat kan flödet hantera OCR så att du ändå får användbar text. Därefter beräknar det total erfarenhet och erfarenhet per kompetens (inte bara “de listar Python”, utan “hur länge de har använt det”), och skickar sedan datan till ett AI-bedömningssteg som sammanfattar styrkor och rollmatchning på tydlig svenska. Till sist sammanställer det allt till en enda felfri profil som du kan lagra, dela eller skicka vidare till ditt ATS.
Flödet startar när du triggar det i n8n och pekar ut en CV-fil i Google Drive. Därifrån sköter PDF Vector extraktionen, ett poängsättningsskript räknar fram erfarenhetsmått och AI-bedömningen lägger till ett konsekvent utvärderingslager. Slutresultatet är en kandidatprofil med jämförbara totaler, vilket gör rangordningen betydligt mindre subjektiv.
Det du får: automatisering vs. resultat
| Vad det här flödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du gallrar 40 CV:n för en roll varje vecka. Manuellt, med cirka 10 minuter per CV, blir det ungefär 6 till 7 timmar ren extraktion och första poängsättning innan du ens pratar med en kandidat. Med det här flödet kör du triggern, väntar på bearbetningen och skummar sedan igenom den strukturerade profilen och poängen, vilket oftast tar cirka 2 minuter per kandidat. Det blir ungefär en och en halv timmes granskningstid, plus den automatiska bearbetningen i bakgrunden.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Drive för lagring och hämtning av CV:n
- PDF Vector AI (community node) för att extrahera och bedöma CV-innehåll
- API-uppgifter för PDF Vector (hämta dem från kontrollpanelen i ditt PDF Vector-konto)
Nivå: Medel. Du kopplar in behörigheter och kan behöva justera poänglogiken så att den matchar hur ni rekryterar.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så här fungerar det
En CV-fil väljs och flödet triggas. I den här mallen startar det manuellt, vilket är praktiskt medan du validerar extraktionskvalitet och poänglogik på riktiga CV:n.
Google Drive hämtar CV:ts binärdata. n8n hämtar dokumentet direkt från Drive så att du slipper ladda ner filer till en laptop och ladda upp dem någon annanstans.
PDF Vector AI extraherar strukturerad data, sedan beräknas mått. Flödet gör om rå CV-text till fält som arbetshistorik med datum, utbildning, kompetenser och certifieringar. Ett kodsteg räknar därefter fram totaler (år totalt och år per kompetens) så att du får konsekventa siffror i stället för gissningar.
En AI-bedömning genereras och sammanställs till en enda profil. Slutresultatet kombinerar de extraherade fälten, de beräknade måtten och en AI-skriven utvärdering som du kan klistra in i ett ATS eller spara för jämförelser senare.
Du kan enkelt ändra kompetenskategorierna så att de matchar era roller utifrån era behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera den manuella triggern
Konfigurera den manuella triggern för att starta CV-bearbetningen under testning eller vid ad hoc-körningar.
- Lägg till noden Manual Execution Start som trigger.
- Säkerställ att den ansluter till Fetch Drive Resume enligt körflödet.
Steg 2: Anslut Google Drive
Ladda ned CV-filen från Google Drive med hjälp av det angivna fil-ID:t.
- Öppna Fetch Drive Resume.
- Ställ in Operation på
download. - Ställ in File ID på
={{ $json.fileId }}. - Autentisering krävs: Anslut era Google Drive-uppgifter.
fileId, annars kommer Fetch Drive Resume inte att kunna ladda ned CV:t.Steg 3: Konfigurera CV-tolkning och mätvärden
Extrahera strukturerad CV-data och beräkna erfarenhetsmätvärden före AI-bedömningen.
- Konfigurera Extract Resume Data med Operation inställt på
extract, Resource inställt pådocumentoch Input Type inställt påfile. - Ställ in Binary Property Name på
dataoch behåll hela extraktionsprompten och schemat som angivet. - Autentisering krävs: Anslut era PDFVector-uppgifter för Extract Resume Data.
- I Compute Experience Metrics behåller ni den angivna JavaScript Code för att beräkna
totalYearsExperience,skillScoresoch andra mätvärden. - Verifiera körflödet: Fetch Drive Resume → Extract Resume Data → Compute Experience Metrics.
Steg 4: Konfigurera AI-bedömning och sammanställning av utdata
Skapa en kvalitativ bedömning och sammanställ den slutliga kandidatprofilen.
- Öppna AI Resume Assessment och ställ in Operation på
ask, Resource pådocumentoch Input Type påfile. - Ställ in Binary Property Name på
dataoch behåll bedömningsprompten som angivet. - Autentisering krävs: Anslut era PDFVector-uppgifter för AI Resume Assessment.
- I Assemble Candidate Profile konfigurerar ni tilldelningarna:
- Ställ in profile (object) på
={{ $node['Compute Experience Metrics'].json.candidateProfile }}. - Ställ in metrics (object) på
={{ $node['Compute Experience Metrics'].json.metrics }}. - Ställ in aiAssessment (string) på
={{ $json.answer }}. - Ställ in atsReady (boolean) på
true. - Bekräfta flödet: Compute Experience Metrics → AI Resume Assessment → Assemble Candidate Profile.
data kommer fältet answer att vara tomt och Assemble Candidate Profile kommer att ge ofullständiga resultat.Steg 5: Testa och aktivera ert arbetsflöde
Kör ett komplett test för att bekräfta nedladdning av CV, extrahering, poängsättning och bedömningsutdata.
- Klicka på Execute Workflow i Manual Execution Start och skicka med en testindata som innehåller ett giltigt
fileId. - Verifiera att Fetch Drive Resume laddar ned filen och att Extract Resume Data producerar strukturerad JSON.
- Bekräfta att Compute Experience Metrics returnerar
metrics.totalYearsExperienceochmetrics.skillScores. - Kontrollera att AI Resume Assessment har ett ifyllt fält
answer. - Validera att Assemble Candidate Profile returnerar
profile,metrics,aiAssessmentochatsReady. - När ni är redo för produktion, byt till en riktig trigger (t.ex. webhook) och aktivera arbetsflödet.
Vanliga fallgropar
- Google Drive-behörigheter kan gå ut eller kräva specifika rättigheter. Om det börjar skapa fel, kontrollera först n8n:s credential-test för Google Drive och mappens delningsinställningar.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om efterföljande noder misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera output i all evighet.
Vanliga frågor
Cirka en timme om dina behörigheter för Google Drive och PDF Vector är klara.
Nej. Du kopplar konton och justerar några inställningar. Den enda delen med “kod” är valfri om du vill ändra hur erfarenhet beräknas.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för PDF Vector API baserat på hur många CV:n du bearbetar.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och klarar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du. De flesta team anpassar kompetenskategorier och vikter i steget Assemble Candidate Profile och förfinar sedan prompten i AI Resume Assessment så att den utvärderar mot era rollkrav. Du kan också justera logiken i Compute Experience Metrics för att hantera praktik eller konsultuppdrag på ett annat sätt. Om du vill att flödet ska skriva direkt till ditt ATS byter du sista steget till att skriva till ditt ATS-API i stället för att bara sammanställa profilen.
Oftast är det en utgången Google OAuth-token eller att Drive-kontot saknar åtkomst till mappen du hämtar från. Anslut Google Drive-behörigheten igen i n8n och dubbelkolla sedan mappens behörigheter samt exakt fil-ID eller sökväg som du refererar till. Om du kör detta i en delad Drive, säkerställ att kontot har rätt åtkomst till den delade enheten. Håll också koll på rate limits om du triggar många hämtningar samtidigt.
Väldigt många.
För AI-tung CV-poängsättning är n8n oftast det mer flexibla valet eftersom du kan köra egen logik, förgrena hur mycket du vill och självhosta när volymen växer. Det fungerar också bra med community-noder som PDF Vector, som du inte alltid hittar i enklare automationsverktyg. Zapier eller Make kan fungera för enkel routing, som “ny fil i Drive → skicka mejl”, men de blir klumpiga när du behöver extraktion, poängsättning och strukturerad output i ett och samma flöde. Den största skillnaden är helt ärligt kontroll. Prata med en automationsexpert om du vill ha hjälp att välja.
När du väl har konsekvent extraktion och poängsättning slutar första gallringen att vara en flaskhals. Flödet hanterar den repetitiva delen, så att du kan lägga tiden på att faktiskt avgöra vem du vill prata med.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.