Behöver ert företag hjälp med att implementera AI? Kontakta oss och få prisoffert här →
AI Skolan
januari 21, 2026

Google Sheets + Gemini AI: rangordna cv:n samlat

Rickard Andersson Partner, Nodenordic.se

Din rekryteringsinkorg fylls snabbt. Sedan börjar det verkliga problemet: ladda ner PDF:er, döpa om filer, läsa samma avsnitt om “kompetenser” 40 gånger och försöka minnas varför Kandidat A kändes starkare än Kandidat B.

Det drabbar rekryterare och HR-ansvariga hårdast, om vi ska vara ärliga. Men grundare som sköter rekryteringen själva och ops-chefer som hoppar in känner samma smärta. Med Gemini CV scoring får du varje sökande loggad, poängsatt och förklarad i ett och samma sorteringsbara Google Sheet.

Den här guiden visar vad workflowet gör, vad du behöver och hur du kör det så att din shortlist tar minuter, inte en hel eftermiddag.

Så fungerar automatiseringen

Här är hela workflowet som du kommer att sätta upp:

n8n Workflow Template: Google Sheets + Gemini AI: rangordna cv:n samlat

Varför det här är viktigt: CV-granskning blir rörig snabbt

De flesta rekryteringsteam har ingen “screeningprocess”. De har en hög. Ansökningar kommer i ryck, CV:n dyker upp som PDF:er med inkonsekventa layouter och anteckningar finns på fem olika ställen. Du börjar med goda intentioner (“jag skummar igenom dem ikväll”), sedan landar en ny brådskande uppgift och högen blir liggande. Senare får du bråttom. Det är då bra kandidater faller mellan stolarna, och svagare går vidare för att de var lättare att komma ihåg. Tidskostnaden är dålig, men den mentala belastningen är värre.

Det eskalerar snabbt. Här är var det brukar fallera i verkligheten:

  • Manuell CV-granskning blir ett 2-timmarsblock varje gång du annonserar en roll.
  • Utan konsekvent poängsättning blir det “magkänsla” som styr vem som får intervju.
  • Sökande tappas bort när en nedladdning misslyckas eller någon glömmer att logga dem.
  • Det är svårt att samarbeta eftersom det saknas en gemensam vy över kandidaterna.

Det du bygger: en CV-poängsättningspipeline från formulär till Sheet

Det här workflowet skapar ett enkelt och pålitligt system för första screeningrundan. Kandidater skickar in sina uppgifter och sitt CV via ett publikt webbformulär. I samma ögonblick som de skickar in loggas deras namn och e-post i Google Sheets så att du har ett spårbart underlag även om senare steg skulle fallera. Därefter skickas CV-PDF:en genom Mistral OCR för att extrahera texten (även om PDF:en är bildbaserad eller konstigt formaterad). Den extraherade texten analyseras sedan av Google Gemini tillsammans med dina krav för rollen, som returnerar en poäng och en tydlig motivering. Slutligen skriver workflowet tillbaka resultaten till samma rad i arket, så att varje kandidat är spårad, sorteringsbar och enkel att shortlist:a.

Workflowet startar i ansökningsformuläret. Därifrån gör OCR CV:t till text, Gemini utvärderar det mot din jobbbeskrivning och en strukturerad parser håller outputen korrekt formaterad. Google Sheets blir din enda sanningskälla.

Det du bygger

Förväntade resultat

Säg att du rekryterar till en roll och får in 30 CV:n på en vecka. Manuellt, om du lägger cirka 5 minuter per CV för att skumma och anteckna, blir det runt 2,5 timmar (och det stannar sällan vid 5 minuter). Med det här workflowet tar uppsättningen cirka 15 minuter en gång, och sedan loggas varje inskickning automatiskt och poängsätts utan att du rör en PDF. Du lägger oftast bara tid på att granska toppkandidaterna och gränsfallen, vilket ofta är närmare 15–30 minuter totalt.

Innan du börjar

  • n8n-instans (prova n8n Cloud gratis)
  • Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
  • Google Sheets för att lagra sökande, poäng och motivering
  • Mistral OCR för att extrahera text från CV-PDF:er
  • API-nyckel för Google AI (Gemini) (hämta den i Google AI Studio)

Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in API-nycklar och redigerar din prompt med krav för rollen.

Vill du att någon bygger detta åt dig? Prata med en automationspecialist (gratis 15-minuters konsultation).

Steg för steg

En kandidat skickar in formuläret. Workflowet använder en n8n Form Trigger för att samla in namn, e-post och CV-PDF via en delbar publik URL.

Grunduppgifter sparas direkt. Ett steg i Google Sheets loggar kandidatens namn och e-post omedelbart, vilket innebär att du aldrig tappar inskickningen även om OCR eller AI får en tillfällig störning.

CV-PDF:en blir användbar text. Mistral OCR extraherar innehållet från PDF:en så att workflowet kan utvärdera det pålitligt, även när formateringen är inkonsekvent.

Gemini poängsätter och förklarar matchningen. AI-kedjan jämför den extraherade CV-texten med dina krav för rollen, och sedan tvingar en output-parser in resultatet i ett strukturerat JSON-format som du kan lita på i ett kalkylark.

Resultaten uppdaterar samma rad. Poängen och förklaringen skrivs tillbaka till Google Sheets så att du kan sortera, filtrera och shortlist:a utan att öppna en enda fil till.

Du kan enkelt ändra kraven för rollen för att passa olika tjänster, eller justera poängsättningsmallen utifrån senioritet. Se hela implementationsguiden nedan för alternativ för anpassning.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera formulärtriggern

Konfigurera intagsformuläret så att kandidater kan skicka in sina uppgifter och sin CV-fil.

  1. Lägg till och öppna Candidate Intake Form.
  2. Ställ in Form Title till Submit Your Application och Form Description till Please fill out the form below and upload your CV to apply.
  3. Bekräfta att de tre fälten finns: Full Name, Email och Upload CV, med Accept File Types inställt på .pdf.
  4. Låt Response Mode vara inställt på lastNode så att användaren får det slutliga bearbetningsresultatet.

Steg 2: Anslut Google Sheets

Skapa och fyll i kalkylarket för CV-spårning och registrera varje kandidats inskick.

  1. Öppna Generate CV Spreadsheet och ställ in Resource till spreadsheet och Title till CVs.
  2. I Generate CV Spreadsheet, bekräfta att rubrikerna i arket är FullName, Email, QualificationRate och QualificationDescription.
  3. Öppna Record Applicant Entry och ställ in Operation till append.
  4. Mappa kolumnerna i Record Applicant Entry: Email till {{ $json.Email }} och FullName till {{ $json["Full Name"] }}.
  5. Öppna Update Qualification Results och ställ in Operation till update med Matching Columns inställt på Email.
  6. Mappa uppdateringsfälten i Update Qualification Results: Email till {{ $('Candidate Intake Form').last().json.Email }}, QualificationRate till {{ $json.output.qualificationRate }} och QualificationDescription till {{ $json.output.explanation }}.
  7. Credential Required: Anslut era Google Sheets-inloggningsuppgifter i Generate CV Spreadsheet, Record Applicant Entry och Update Qualification Results.

Steg 3: Sätt upp AI-bearbetningskedjan

Tolka det uppladdade CV:t, utvärdera det med AI-prompten och säkerställ strukturerad JSON-utdata.

  1. Öppna Parse CV Content och ställ in Binary Property till {{ $('Candidate Intake Form').last().binary.keys()[0] }} för att skicka vidare den uppladdade PDF:en.
  2. Credential Required: Anslut era Mistral AI-inloggningsuppgifter i Parse CV Content.
  3. Öppna AI Eligibility Review och låt Text vara inställt på den tillhandahållna prompten med jobbkrav (lägg inte till extra text utanför JSON-utdataformatet).
  4. Bekräfta att Gemini Flash Lite Engine är ansluten som språkmodell för AI Eligibility Review, med Model Name inställt på models/gemini-2.5-flash-lite.
  5. Credential Required: Anslut era Google Gemini-inloggningsuppgifter i Gemini Flash Lite Engine (inloggningsuppgifter läggs till i denna överordnade nod).
  6. Säkerställ att Structured JSON Interpreter är ansluten som utdataparser med Schema Type inställt på manual och att det tillhandahållna JSON-schemat är intakt.

Tips: Structured JSON Interpreter är en parser-under-nod—inloggningsuppgifter (om de krävs av er LLM-setup) ska läggas till i den överordnade modellnoden, inte i själva parsern.

Steg 4: Konfigurera exekveringsflöde och parallella grenar

Koppla ihop arbetsflödet så att intagsdata registreras direkt medan CV:t analyseras parallellt.

  1. Anslut Manual Launch till Generate CV Spreadsheet för att möjliggöra initiering av kalkylark med ett klick.
  2. Säkerställ att Candidate Intake Form skickar utdata parallellt till både Parse CV Content och Record Applicant Entry.
  3. Anslut Parse CV Content till AI Eligibility Review för att skicka den tolkade CV-texten in i LLM-kedjan.
  4. Anslut AI Eligibility Review till Update Qualification Results för att skriva tillbaka poäng och förklaring till arket.

⚠️ Vanlig fallgrop: Om Update Qualification Results inte uppdaterar en rad, verifiera att Email-värdet i {{ $('Candidate Intake Form').last().json.Email }} exakt matchar raden som skapades av Record Applicant Entry.

Steg 5: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att bekräfta att formulärinskick, AI-poängsättning och kalkylarksuppdateringar fungerar hela vägen.

  1. Klicka på Manual Launch och kör arbetsflödet en gång för att skapa kalkylarket CVs.
  2. Öppna Candidate Intake Form och skicka in en testansökan med ett PDF-CV.
  3. Bekräfta att en ny rad skapas av Record Applicant Entry med FullName och Email.
  4. Verifiera att Update Qualification Results fyller i QualificationRate och QualificationDescription när AI-kedjan har slutförts.
  5. När ni är nöjda, ändra arbetsflödets status till Active för att ta emot riktiga kandidater.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

  • Google Sheets-inloggningar kan löpa ut eller behöva specifika behörigheter. Om det skapar fel, kontrollera status för inloggningen i n8n och bekräfta att Google-kontot fortfarande har åtkomst till målarket.
  • Om OCR-resultaten ser tomma ut kan CV:t vara inskannat eller ha låg kvalitet. I Mistral OCR-noden, bekräfta att rätt filfält är mappat från formulärinskicket och kör om ett testobjekt för att granska den råa extraherade texten.
  • Standardprompter i AI-noder är generiska. Lägg in dina faktiska krav för rollen och “vad bra ser ut” tidigt, annars kommer du fortsätta tvivla på poängen och skriva om förklaringarna senare.

Snabba svar

Hur lång tid tar det att sätta upp den här automatiseringen för Gemini CV scoring?

Cirka 15 minuter om du redan har dina API-nycklar.

Krävs det kodning för den här automatiseringen för CV-poängsättning?

Nej. Du kopplar dina konton och klistrar in två API-nycklar. Den enda “redigeringen” är att byta ut exempelkraven för rollen mot dina egna.

Är n8n gratis att använda för det här workflowet för Gemini CV scoring?

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 Mistral OCR och Google Gemini API-användning, som vanligtvis beror på CV-längd och hur många ansökningar du hanterar.

Var kan jag hosta n8n för att köra den här automatiseringen?

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 obegränsat antal körningar men kräver grundläggande serveradministration.

Kan jag anpassa det här workflowet för Gemini CV scoring för andra use cases?

Ja, och det bör du troligen. Uppdatera job_requirements-texten i prompten för AI Eligibility Review så att den matchar varje roll och justera poängsättningsmallen (till exempel att vikta portföljarbete högre för designers). Du kan också byta intagsmetod genom att ersätta Candidate Intake Form med en e-posttrigger, samtidigt som du behåller samma Mistral OCR → Gemini → Google Sheets-mönster.

Varför misslyckas min Google Sheets-anslutning i det här workflowet?

Oftast beror det på utgångna eller felmatchade Google-inloggningar i n8n. Anslut om Google Sheets-inloggningen som används av både “Record Applicant Entry” och “Update Qualification Results”, och bekräfta sedan att kalkylarket fortfarande finns i samma Drive. Om arket har bytt namn, flyttats eller återskapats, uppdatera kalkylarkets ID eller kör om steget “Generate CV Spreadsheet” för att få ett nytt, fungerande mål.

Vilken volym kan det här workflowet för Gemini CV scoring hantera?

Ett typiskt mindre team kan utan problem hantera dussintals CV:n per dag; den verkliga begränsningen är din n8n-plan, serverresurser och OCR/AI:ns rate limits.

Är den här automatiseringen för Gemini CV scoring bättre än att använda Zapier eller Make?

Ofta, ja, särskilt om du vill ha strukturerad AI-output och kontroll över logiken. n8n gör det enklare att kedja OCR + prompting + JSON-parsning, och egen hosting är en tydlig fördel när volymerna sticker iväg. Zapier och Make kan fortfarande fungera, men komplexa AI-steg blir ofta dyra eller klumpiga när du lägger till förgreningar och retries. Om du är osäker, kartlägg dina “måsten” först (spårbarhet, konsekvent poängsättning, samarbete) och välj sedan verktyget som passar. Prata med en automationspecialist om du vill ha en second opinion.

När detta väl rullar slutar din “första genomgång” att vara en punkt i kalendern. Workflowet tar hand om det repetitiva screeningarbetet så att du kan lägga tiden på att intervjua personer som faktiskt passar.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Launch login modal Launch register modal