Sådan Bruger Rekrutterere Save til at Personalisere Kandidathenvendelser i Stor Skala
Rekruttering er et talspil med et personaliseringsproblem. Du skal nå hundredvis af kandidater, men generisk InMail ignoreres. De rekrutterere der vinder er dem der får hver besked til at føles personlig—men at lave rigtig research på hver kandidat skalerer ikke. Indtil nu.
Her er hvordan rekrutterere bruger Save til at lave 2 minutters research per kandidat i stedet for 20.
Workflow 1: LinkedIn-Profil → Personaliseret Outreach
Du har fundet en lovende kandidat. Deres profil har 15 års erfaring, 3 interessante stillinger og nogle posts om deres nuværende arbejde. Du skal skrive en besked der skiller sig ud.
Workflowet:
- Gem deres LinkedIn-profil som Markdown — karrierehistorie, færdigheder, posts og anbefalinger fanget
- Generer personaliseret outreach:
“Her er en LinkedIn-profil for en senior ingeniør. Jeg rekrutterer til en [stilling] hos [virksomhed]. Skriv en personaliseret outreach-besked der refererer til noget specifikt fra deres karriere, forklarer hvorfor denne stilling er et naturligt næste skridt for dem, og holder det under 100 ord.”
“Hvad ved deres baggrund gør dem unikt kvalificeret til denne stilling? Giv mig 2-3 samtalepunkter til når de svarer.”
- Send og spor — Hver besked refererer til deres faktiske erfaring, ikke en skabelon
Workflow 2: Jobbeskrivelser → Konkurrencemæssig Benchmarking
En ansættelseschef vil vide om din jobbeskrivelse er konkurrencedygtig. Tilbyder du den rigtige kompensation? Kræver du de rigtige færdigheder? Bruger du det rigtige sprog?
Workflowet:
- Gem 5-10 lignende jobbeskrivelser fra konkurrenter
- Benchmark din stilling:
“Her er 10 jobbeskrivelser for lignende [stilling] stillinger hos sammenlignelige virksomheder. Sammenlign dem med vores JD. Beder vi om for mange krav? Er vores kompensation konkurrencedygtig? Hvilke fordele tilbyder konkurrenter som vi ikke nævner? Hvilke sprog eller sætninger optræder i de bedst skrevne opslag?”
“Omskriv vores jobbeskrivelse til at være mere konkurrencedygtig baseret på hvad de bedste opslag gør godt.”
- Post et stærkere opslag — Databakkede JD-forbedringer, ikke gætteri
Workflow 3: Kandidatportefølje → Ansættelsebriefing
En kandidat har en personlig hjemmeside, GitHub-repos og en blog. Ansættelsesteamet vil have et resume inden interviewet.
Workflowet:
- Gem deres portfolioside, nøgle GitHub READMEs og seneste blogposts
- Generér en kandidatbriefing:
“Her er en kandidats portfoliohjemmeside, deres 3 seneste GitHub-repos og 2 blogposts de har skrevet. Opret en kandidatbriefing der dækker: tekniske styrker, kommunikationsstil (baseret på deres skrivning), bemærkelsesværdige projekter og potentielle bekymringer eller huller til en [stilling] position.”
“Hvad er de 3 bedste interviewspørgsmål at stille denne specifikke kandidat baseret på deres arbejde?”
- Del med ansættelsespanelet — Alle går ind til interviewet og ved hvem denne person er
Workflow 4: Branchelønrapporter → Tilbudsstrategi
Du skal give et tilbud. Hvad er markedsraten? Er dit lønbånd rigtigt?
Workflowet:
- Gem lønundersøgelsessider og kompensationsrapporter fra Levels.fyi, Glassdoor, Blind eller brancheundersøgelser
- Byg din strategi:
“Her er 4 kompensationsdatakilder for [stilling] i [lokation/remote]. Hvad er markedsraten ved P25, P50 og P75? Hvor falder vores tilbud på [beløb]? Hvilke justeringer ville gøre vores tilbud konkurrencedygtigt uden at skyde over?”
“Baseret på denne kandidats erfaringsniveau og vores kompensationsdata, udkast til en tilbudsbegrundelse jeg kan dele med kompensationsudvalget.”
- Giv konkurrencedygtige tilbud — Bakket op af aktuelle markedsdata, ikke tidligere års tal
Hvorfor Save Slår Manuel Research til Rekruttering
| Manuel research | Med Save + AI |
|---|---|
| Skum profil, tag mentale noter | Fuld profil fanget som søgbar tekst |
| Skriv generiske skabeloner | AI refererer til specifikke karrieredetaljer |
| 15-20 min per kandidat | 2-3 min per kandidat |
| JD-benchmarking = “det ser fint ud” | Databakket sammenligning på tværs af 10 konkurrenter |
| Kandidatbriefing = “de virker gode” | Struktureret vurdering med interviewspørgsmål |
Kom i Gang
- Installer Save (gratis, 3 gems/måned)
- Inden din næste sourcingsession, gem hver kandidats profil
- Feed profiler til Claude eller ChatGPT med dine outreach-mål
- Send beskeder der faktisk får svar
De bedste rekrutterere finder ikke blot kandidater. De får kandidater til at føle sig fundet.
Spørgsmål eller feedback? Skriv til [email protected]
## Continue reading
Hvordan Salgsteams Bruger Save til at Personalisere Outreach i Stor Skala
Gem prospekthjemmesider, LinkedIn-profiler og virksomhedssider som Markdown. Brug AI til at skrive hyperpersonaliserede kolde e-mails og salgsoplæg på minutter.
3 workflows der gør gemt Markdown til SEO- og indholdsgold
Virkelige workflows med Save + Claude eller ChatGPT: gør Twitter-tråde til SEO-forbedringer, YouTube-videoer til hook-biblioteker og konkurrenters sider til indholdsstrategier.
Sådan bruger compliance officers Save til at være på forkant med regulatoriske ændringer
Gem regulatoriske meddelelser, håndhævelsesaktioner og compliance-retningslinjer som Markdown. Brug AI til at kortlægge krav, bygge tjeklister og udarbejde politikopdateringer.
Sådan bruger konsulenter Save til at levere researchbaseret strategi hurtigere
Gem brancherapporter, casestudier og klientmateriale som Markdown. Brug AI til at bygge strategioplæg, syntetisere markedsdata og forberede klientbriefinger.
Written by
Jean-Sébastien Wallez
I've been making internet products for 10+ years. Built Save on weekends because I wanted my own reading library in clean markdown for Claude and Obsidian. Write here about web clipping, AI workflows, and the small things that make a personal knowledge base actually useful.