Penelitian ini membahas kesenjangan kualifikasi dan perekrutan manual yang tidak efisien di industri IT Indonesia dengan mengembangkan Runix, sebuah sistem perekrutan berbasis kecerdasan buatan. Tujuannya adalah membuat dan memvalidasi prototipe berbasis Large Language Model (LLM) untuk menilai kandidat secara kuantitatif dan objektif. Dengan menggunakan metodologi Design Science Research (DSR), sebuah prototipe fungsional dibangun dengan menggunakan arsitektur micro-frontend. Sistem ini menggunakan LLM (Qwen 2.5) dengan pembelajaran few-shot dan kerangka kerja CO-STAR untuk menganalisis CV dan menghasilkan skor kecocokan kuantitatif. Penelitian dilakukan pada tahun 2025 di tiga perusahaan di Semarang, Sidoarjo, dan Bandung, dengan sampel 6 responden yang mengevaluasi sistem. Kesimpulannya adalah bahwa Runix merupakan solusi yang efektif, objektif, dan terukur, terbukti meningkatkan efisiensi proses rekrutmen lebih dari 60% dan mencapai nilai kegunaan yang baik (SUS 81,25). Untuk penelitian selanjutnya, disarankan untuk mengurangi halusinasi LLM, melakukan penyempurnaan khusus untuk domain tertentu, dan memperluas kemampuan sistem.