Fallstudie · AI-SaaS
Landa jobbet du förtjänar.
Lytdash är en SaaS jag byggde för att få ordning på jobbsökandet. Den spårar varje ansökan på en kanban-tavla, poängsätter ditt CV mot varje annons med AI, genererar skräddarsydda CV:n och importerar jobb direkt från webbläsaren. Allt fungerar på både engelska och svenska.
ROLL
Produktdesigner & fullstackutvecklare
VARAKTIGHET
Pågående
TEKNIK
Next.js, TypeScript, Supabase, AI
TEAM
Solo (design & kod)
Jag började bygga Lytdash mitt i min egen jobbsökning. Varje vecka kom samma frustration: massor av öppna flikar, ett kalkylblad jag slutade uppdatera efter två veckor och inget riktigt svar på frågan som faktiskt spelar roll. Passar mitt CV den här rollen eller inte?
01
Ansökningar hamnar utspridda i flikar, bokmärken och mejl. Uppföljningar glöms bort, och plötsligt har du en intervju imorgon som du inte hunnit förbereda.
02
Du skickar ditt CV och hör ingenting. Det finns inget sätt att veta om dina kompetenser matchar annonsen, vad som saknas eller varför ingen svarade.
03
Att anpassa CV:t för varje ansökan gör stor skillnad, men det är så tidskrävande att nästan ingen faktiskt gör det.
Jag byggde den för den svenska marknaden från dag ett. Hela produkten fungerar på engelska och svenska, och arbetsflödet följer hur rekrytering faktiskt går till här.
Att vara min egen första användare höll researchen ärlig. Innan jag byggde något ställde jag mig en enkel fråga: hade det här förändrat utfallet av en ansökan jag skickade den här veckan?
01
Kalkylblad är flexibla men passiva. Generiska trackers sparar din data men gör aldrig något med den. Inget därute slöt cirkeln mellan att spåra en ansökan och att faktiskt förbättra den.
02
Jobbsökare tänker redan i steg: sökt, intervju, erbjudande. Så en kanban-tavla kändes naturlig från början, och den kom att forma hela informationsarkitekturen.
03
Den verkliga aha-upplevelsen var inte spårningen utan poängsättningen. När ditt CV får en ärlig matchningspoäng mot en annons slutar produkten vara en dagbok och börjar fungera som en coach.
Jag skrev designsystemet innan jag byggde dashboarden. Tokens, djupnivåer och åtgärdshierarki kom först, skärmarna efteråt. Varje yta hämtar från samma sanningskälla, i både mörkt och ljust läge.
01
En användare ska se vad som kräver uppmärksamhet inom en sekund efter att dashboarden öppnats. Försenade uppföljningar och kommande intervjuer får störst visuell vikt.
02
Bakgrund, yta och upphöjda lager ser tydligt olika ut i båda teman. Djupet sköter hierarkin, vilket frigör färgen till att kommunicera status.
03
Inget dekorativt brus och inga generiska kortrutnät. Tunna kanter, lugn rörelse och typografi får göra grovjobbet.
04
Under en copy-genomgång märkte jag att 'Intervju bokad' känns mycket bättre än 'Boka intervju'. Gränssnittet firar ditt momentum i stället för att ge dig läxor.
Det svåra var inte CRUD-delarna. Det var att få en icke-deterministisk AI-modell att bete sig som pålitlig infrastruktur. Varje AI-anrop passerar retry-, cache- och evidenslager innan utdatan får komma i närheten av poängpipelinen.
Jobb som importeras från tillägget går genom token-autentiserade API-routes. Varje AI-anrop omsluts av samma retry- och cachelager, och extraherad evidens sparas och återanvänds så att poängen förblir konsekventa överallt.
Hela produkten är en loop. Du fångar ett jobb med ett klick, ser det landa i pipelinen, poängsätter ditt CV mot det och stänger gapet med en skräddarsydd version, utan att någonsin lämna flödet.
01
Ansökningarna bor på en kanban-tavla med uppföljningsknuffar och intervjupåminnelser. Försenade åtgärder får störst visuell vikt, så tavlan visar alltid var du ska titta härnäst.
02
AI:n läser annonsen och ditt CV en gång och sparar det den hittar. En deterministisk motor poängsätter sedan matchningen, så samma indata ger alltid samma poäng, med delpoäng du faktiskt kan agera på.
03
Ett klick genererar ett CV anpassat till annonsen. En kvalitetsgrind garanterar att det aldrig får lägre poäng än originalet, så ett skräddarsytt CV kan bara bli bättre, aldrig sämre.
04
Chrome-tillägget fångar valfri jobbannons in i din pipeline. Inget klipp och klistra, och inga API-nycklar sparade i webbläsaren.
01
Serverkomponenter, server actions och API-routes i en mental modell, med språkstöd från rotsegmentet.
02
Diskriminerade unioner klassificerar AI-fel, och uttömmande kontroller gör kantfall till kompileringsfel.
03
Auth, Postgres med radnivåsäkerhet, lagring och atomära funktioner. Databasen är säkerhetsgränsen, inte appen.
04
Strukturerad extraktion med JSON-scheman, omsluten av retries och cache vid varje anropsställe.
05
Enhetstester för logiken, Playwright för flödena och fastnålade invariant-tester för poängmotorn.
06
Default-deny-middleware, explicita säkerhetsheaders, validering av uppladdningar och försvar i djupled för admin-routes.
07
Engelska och svenska i produkten, mejlen och till och med AI-felmeddelandena.
08
Rate limits dimensionerade efter verklig missbruksmatematik i stället för paranoia, med burst- och dygnsfönster.
Allt här kommer från en riktig produktionsbugg eller ett riktigt arkitekturbeslut. Den sortens sak som hamnar i en learnings-fil klockan ett på natten.
01
Problemet
Samma CV och jobbeskrivning gav 7 matchade kompetenser i ett anrop och 10 i nästa, även med identiska inställningar. Poängen ändrades mellan skärmar för samma data, och användarna märkte det.
Insikten
AI-utdata är ingen beräkning, det är en artefakt. Extrahera en gång, spara evidensen och låt allt nedströms arbeta utifrån samma artefakt. Anropa modellen igen först när användaren uttryckligen ber om det.
02
Problemet
Kvalitetsgrinden jämförde poäng från två olika extraktioner och började avvisa bra CV:n med falska regressioner.
Insikten
Om ena sidan av en jämförelse kommer från sparad evidens måste andra sidan härledas från samma evidens, aldrig extraheras om från grunden. 'Aldrig regrediera' blev en testinvariant i stället för en promptinstruktion.
03
Problemet
AI-API:t fallerar då och då under last. Jag omslöt anropsstället som felade och lämnade de andra exponerade, så 'funkar för mig'-buggrapporter fortsatte droppa in i veckor.
Insikten
Ett retry-lager är klart först när varje anropsställe går genom det. En gemensam hjälpare med backoff och jitter som bara försöker om vid tillfälliga fel, med en etikett per yta så att loggarna visar vilken som kämpar.
04
Problemet
Hur mycket rate limiting behöver en MVP egentligen? Paranoian säger allt. Leveranspressen säger inget.
Insikten
Jag satte mig ner och räknade på vad missbruk faktiskt skulle kosta. En enda missbrukare som hamrar API:t kan bränna tusentals kronor i månaden. Den siffran sorterade åtgärderna i måsten och trevligheter bättre än någon checklista.
Lytdash är där jag slutade skriva kod som bara fungerar och började bygga system som fortsätter fungera. Det här är lärdomarna jag bär med mig in i varje projekt sedan dess.
Jag lärde mig att designa för modellen jag faktiskt har, inte den jag önskar att jag hade. Spara dess utdata, omslut varje anrop med samma skyddsnät och låt aldrig två olika extraktioner låtsas vara en sanning.
En prompt som säger 'gör det aldrig sämre' är en önskan. Ett test som verifierar det är en garanti. Så ofta jag kan gör jag om produktlöften till tester.
Att skriva tokens och hierarkiregler före första skärmen kändes långsamt för ett soloprojekt. Det visade sig vara tvärtom. Varje skärm efter den första gick snabbare, och mörkt och ljust läge höll sig synkade av sig självt.
Neka som standard, skydda varje tabell, håll hemligheter på servern. Den verkliga lärdomen är strukturell: gör den säkra vägen till den enkla vägen och granska sedan undantagen i stället för reglerna.
Mitt första kvotfelmeddelande pratade om AI-leverantörens faktureringsinställningar. Ingen som använder produkten kan göra något med det. Nu berättar varje fel vad användaren faktiskt kan göra härnäst.
Projektets learnings-fil har vuxit till över tusen rader regler ur riktiga buggar. Halva värdet ligger i själva skrivandet. En bugg är inte klar när den är fixad. Den är klar när regeln som förhindrar hela buggklassen är nedskriven.
Lytdash är live som en fungerande SaaS, och att bygga den var den mest koncentrerade läroupplevelsen i min karriär. AI-orkestrering, säkerhetshärdning, kvalitetsgrindar och tvåspråkig produktdesign, allt i en kodbas.
88%
Acceptansgrad för skräddarsydda CV:n
uppmätt i den interna utvärderingssviten
+24,9
Genomsnittligt matchningslyft
för AI-skräddarsydda CV:n jämfört med originalet
10/10
Härdade AI-anropsställen
varje AI-anrop omslutet av retries och cache
2
Språk hela vägen
engelska och svenska i UI, mejl och felmeddelanden
Nästa steg
Poängsättning och förbättring av profilen med samma pipeline som driver CV-matchningen.
Prenumerationer med plan-baserade kvoter och en självbetjäningsportal.
Trattmätvärden över pipelinen, som svarsfrekvens per roll, källa och CV-version.
En växande utvärderingssvit så att varje modell- eller promptändring måste klara samma ribba.