Traba setzt KI-Interview-Agenten ein, um die Personalvermittlung in der Industrie zu skalieren

Traba entwickelt eine Personalplattform der nächsten Generation für die industrielle Lieferkette. Ziel ist es, Unternehmen im großen Maßstab mit geprüften, qualifizierten Zeitarbeitskräften zusammenzubringen.

Um dieses Ziel zu erreichen, entwickelte Traba Scout, ein KI-gestütztes Interview-System, das direkt in die Betriebsabläufe integriert ist. Scout führt inzwischen monatlich mehr als 50.000 Interviews für Positionen in Lagerhaltung, Logistik und Fertigung durch – reduziert den manuellen Aufwand, verbessert Vermittlungsquoten und liefert konsistente Bewertungen in allen Regionen.

Personalbesetzung ist der Engpass in industriellen Lieferketten

Millionen von Arbeitskräften sind einsatzbereit, doch reibungsintensive Einstellungsprozesse hindern Fulfillment-Center, Logistikzentren und Hersteller daran, mit maximaler Effizienz zu arbeiten.

Diese Jobs erfordern Qualifikationen. Schichtpläne unterscheiden sich. Es gibt Sprachbarrieren. Regulatorische Vorgaben müssen eingehalten werden. All das verlangsamt die Personalbesetzung.

Traba musste skalieren, ohne Tausende Recruiter einzustellen. Das Unternehmen brauchte ein konsistentes, zuverlässiges System, das die Eignung von Arbeitskräften schneller bewerten konnte.

Warum sich Traba für ElevenLabs entschied

Ende 2024 wurden Echtzeit-Text to Speech und Speech to Text für telefonbasierte Interviews praktikabel. Traba begann, Anbieter mit einem Ziel zu testen: einen Partner zu finden, der fortschrittliche dialogorientierte KI unterstützt, ohne die vollständige Kontrolle über die Pipeline zu verlangen.

ElevenLabs bot:

• Hochwertige Stimmen: natürliche, mehrsprachige Stimmen, durch die Gespräche menschlich statt roboterhaft wirkten. 
• Geringe Latenz: schnell genug für Echtzeitinteraktionen ohne unangenehme Verzögerungen. 
• Flexibilität und Kontrolle: die Möglichkeit, mehrere Agenten zu orchestrieren, Prompting-Strategien zu testen und direkt in die eigenen Systeme zu integrieren.
• Weniger Komplexität: anspruchsvolle Teile der Audio-Pipeline werden übernommen, sodass sich Traba auf seine eigenen Workflows konzentrieren kann.

Entwicklung des KI-Interviewers

Scout startete mit einer Einzelagenten-Architektur. Die erste Version zeigte, dass KI strukturierte Interviews führen, Kandidaten qualifizieren und nützliche Bewertungen liefern kann.

Scout V1:

• Einsprachig: unterstützte nur Englisch und begrenzte damit die Reichweite
• Einzelagenten-Logik: Ein LLM übernahm alle Schritte — Einführung, Fragen und Antworten, Logistik
• Statische Fragensets: rollenbasierte, vordefinierte Fragen mit begrenzter Flexibilität
• Grundlegende Bewertung: einmaliger Zusammenfassungs-Prompt am Ende des Interviews
• Übergabe an Operatoren: Die KI gab eine erste Einschätzung; Menschen trafen die endgültigen Entscheidungen

Trotz ihrer Einfachheit führte V1 Tausende Anrufe parallel durch und erzielte sofort Zeitersparnisse.

Skalierung auf über 250.000 Anrufe: Tiefe, Geschwindigkeit und Konsistenz optimieren

Bis März 2025 hatte Scout über 17.000 Interviews durchgeführt und mehr als 1.400 Stunden manueller Prüfzeit eingespart. Um auf saisonale Nachfragespitzen vorbereitet zu sein, wurde das System für den autonomen Betrieb neu aufgebaut.

Zu den wichtigsten Verbesserungen gehörten:

Mehrsprachige Stimmen und dynamischer Wechsel

ElevenLabs führte mehrsprachige Unterstützung ein, sodass Scout während eines Anrufs je nach Nutzerpräferenz zwischen Englisch und Spanisch wechseln kann. Dadurch wurde eine zuvor unterversorgte Gruppe von Arbeitskräften erreichbar.

Multi-Agenten-Orchestrierung

Mit zunehmendem Interview-Kontext stellte Traba eine Verschlechterung der Modellleistung fest. ElevenLabs stellte die Tools bereit, um Anrufe auf spezialisierte Agenten aufzuteilen – für Einführung, Prüfung, Logistik und FAQ-Support – mit nahtlosen Übergängen während des Gesprächs.

Deduplizierte Interview-Logik

Arbeitskräften, die sich auf mehrere Jobs bewarben, wurden dieselben Fragen gestellt. Traba entwickelte eine Vorverarbeitungs-Pipeline, um semantisch ähnliche Fragen über Interviews hinweg zu deduplizieren. Dadurch verringerte sich die Redundanz pro Kandidat um bis zu 20 %.

Individuelles Bewertungs-Framework

Operatoren benötigten mehr Kontrolle über Bewertungen. Traba entwickelte Custom Scout, ein Framework, das für jede Frage definiert, wie „gute“ Antworten aussehen. Die Bewertungen entsprechen nun den individuellen Kriterien jedes Kunden.

Ground-Truth-Feedback und Prompt-Iteration

Traba entwickelte ein internes Framework zum Testen von Prompts mit unmittelbaren Feedbackschleifen. Durch die Erstellung von durch Menschen verifizierten Datensätzen mit Langfuse konnte das Team Prompts per A/B-Test anhand der realen Leistung prüfen – und so schnell im großen Maßstab iterieren.

Ergebnisse

Trab as KI-gestütztes Interview-System führt inzwischen über 50.000 Interviews pro Monat durch, und 85 % aller Prüfungen von Arbeitskräften auf der Plattform sind vollständig automatisiert. Bei durchschnittlich fünf Minuten pro Gespräch spart dies monatlich über 4.000 Arbeitsstunden für Operatoren.

• 15 % höhere Schichtabschlussquoten bei KI-qualifizierten Arbeitskräften gegenüber menschlich qualifizierten
• Konsistente Bewertungen über Rollen, Schichten und Regionen hinweg
• Kürzere Einstellungszeit durch strukturierte, entscheidungsreife Bewertungen
• Skalierbare Prüfungsebene, die rund um die Uhr mit minimalem Operator-Einsatz läuft

Durch die kontinuierliche Optimierung von Fragenkatalogen, Bewertungslogik und Anrufabläufen baute Traba ein System, das skaliert und gleichzeitig die Ergebnisqualität verbessert.

Ausblick

Trab as Roadmap umfasst agentengesteuertes Onboarding, videobasierte Fragen und Antworten, Zeiterfassungsverarbeitung sowie Emotionserkennung über multimodale LLMs. Außerdem arbeitet das Unternehmen an agentengesteuerter Prompt-Optimierung und nutzt Leistungsdaten, um Agenten zu trainieren, die das Interviewdesign autonom optimieren.

Auf diesem Weg arbeitet Traba weiterhin mit uns zusammen, während wir die nächste Generation von unserer Agents Platform entwickeln und die Grenzen der Sprachintelligenz in komplexen Workflows der realen Welt erweitern.