Traba setzt KI-Interview-Agenten ein, um industrielle Personalbeschaffung zu skalieren — Kopie

Traba entwickelt eine Plattform der nächsten Generation für die Personalbeschaffung in der industriellen Lieferkette. Ihre Mission ist es, Unternehmen mit geprüften, qualifizierten Zeitarbeitern in großem Maßstab zu verbinden.

Um dieses Ziel zu erreichen, hat Traba Scout entwickelt, ein KI-gestütztes Interviewsystem, das direkt in ihre Abläufe integriert ist. Scout führt nun monatlich über 50.000 Interviews in den Bereichen Lagerhaltung, Logistik und Fertigung durch – reduziert den manuellen Arbeitsaufwand, verbessert die Vermittlungsquoten und liefert konsistente Bewertungen in jeder Region.

Personalbeschaffung ist der Engpass in industriellen Lieferketten

Obwohl Millionen von Arbeitern bereit sind zu arbeiten, behindern reibungsintensive Einstellungsprozesse die Effizienz von Fulfillment-Zentren, Logistikhubs und Herstellern.

Diese Jobs erfordern Qualifikationen. Schichtpläne variieren. Sprachbarrieren existieren. Regulatorische Anforderungen müssen eingehalten werden. All dies verlangsamt die Personalbeschaffung.

Traba musste skalieren, ohne Tausende von Personalvermittlern einzustellen. Sie brauchten ein konsistentes, zuverlässiges System, das die Eignung von Arbeitern schneller beurteilen konnte.

Warum Traba ElevenLabs wählte

Ende 2024 wurden Echtzeit- Text to Speech und Speech to Text für telefonbasierte Interviews praktikabel. Traba begann mit der Prüfung von Anbietern mit einem Ziel: einen Partner zu finden, der fortschrittliche konversationelle KI unterstützen kann, ohne den gesamten Pipeline-Besitz zu erfordern.

ElevenLabs bot:

• Hochwertige Stimmen: natürliche, mehrsprachige Stimmen, die Gespräche menschlich statt robotisch wirken ließen.
• Niedrige Latenz: schnell genug für Echtzeit-Interaktionen ohne unangenehme Verzögerungen.
• Flexibilität und Kontrolle: die Fähigkeit, mehrere Agenten zu orchestrieren, mit Prompt-Strategien zu experimentieren und direkt in ihre Systeme zu integrieren.
• Reduzierte Komplexität: Bewältigung der herausfordernden Teile der Audiopipeline, damit sie sich auf ihre einzigartigen Arbeitsabläufe konzentrieren können.

Den KI-Interviewer aufbauen

Scout startete mit einer Single-Agent-Architektur. Seine erste Version bewies, dass KI strukturierte Interviews führen, Kandidaten qualifizieren und nützliche Bewertungen zurückgeben konnte.

Scout V1:

• Monolingual: Unterstützte nur Englisch, was die Reichweite einschränkte
• Single-Agent-Logik: Ein LLM bearbeitete alle Schritte — Einführung, Q&A, Logistik
• Statische Fragensätze: Rollenbasierte, vordefinierte Abfragen mit begrenzter Flexibilität
• Einfache Bewertung: Einmalige Zusammenfassungsaufforderung am Ende des Interviews
• Übergabe an Operator: KI gab Richtungssignale; Menschen trafen die endgültigen Entscheidungen

Trotz seiner Einfachheit führte V1 Tausende von Anrufen parallel aus und sparte sofort Zeit.

Skalierung auf 250.000+ Anrufe: Lösung für Tiefe, Geschwindigkeit und Konsistenz

Bis März 2025 hatte Scout über 17.000 Interviews durchgeführt und mehr als 1.400 Stunden manueller Prüfzeit eingespart. Um sich auf die Spitzen-Nachfrage vorzubereiten, wurde das System neu aufgebaut, um autonom zu arbeiten.

Wichtige Upgrades umfassten:

Mehrsprachige Stimmen und dynamisches Umschalten

ElevenLabs führte mehrsprachige Unterstützung ein, die es Scout ermöglichte, während des Anrufs basierend auf Benutzerpräferenzen zwischen Englisch und Spanisch zu wechseln. Dies erschloss den Zugang zu einem zuvor unterversorgten Arbeitssegment.

Multi-Agent-Orchestrierung

Als sich der Interviewkontext erweiterte, stieß Traba auf Modellverschlechterung. ElevenLabs stellte die Werkzeuge zur Verfügung, um Anrufe auf spezialisierte Agenten aufzuteilen - Einführung, Prüfung, Logistik und FAQ-Unterstützung - mit nahtlosen Übergängen während des Gesprächs.

Deduplizierte Interviewlogik

Arbeiter, die sich für mehrere Jobs bewarben, wurden mit denselben Fragen konfrontiert. Traba entwickelte eine Vorverarbeitungspipeline, um semantisch ähnliche Fragen in Interviews zu deduplizieren. Dies reduzierte die Redundanz um bis zu 20% pro Kandidat.

Benutzerdefiniertes Bewertungsframework

Operatoren benötigten mehr Kontrolle über Bewertungen. Traba entwickelte Custom Scout, ein Framework, um zu definieren, wie ‚gute‘ Antworten auf einer pro-Frage-Basis aussehen. Bewertungen stimmen nun mit den einzigartigen Kriterien jedes Kunden überein.

Ground-Truth-Feedback und Prompt-Iteration

Traba entwickelte ein internes Prompt-Test-Framework mit sofortigen Feedback-Schleifen. Durch die Generierung von menschlich verifizierten Datensätzen über Langfuse konnte das Team Prompts gegen die reale Leistung A/B testen — was eine schnelle Iteration im großen Maßstab ermöglichte.

Ergebnisse

Trabas KI-gestütztes Interviewsystem führt nun über 50.000 Interviews pro Monat durch und 85% der gesamten Arbeiterprüfung auf der Plattform ist vollständig automatisiert. Bei durchschnittlich 5 Minuten pro Gespräch spart dies über 4.000 Operator-Stunden pro Monat.

• 15% höhere Schichtabschlussraten für KI-qualifizierte Arbeiter vs. menschlich qualifizierte
• Konsistente Bewertungen über Rollen, Schichten und Regionen hinweg
• Reduzierte Einstellungszeit mit strukturierten, entscheidungsrelevanten Bewertungen
• Skalierbare Prüfungsschicht die rund um die Uhr mit minimalem Operator-Eingriff läuft

Durch die Verfeinerung ihrer Fragenbanken, Bewertungslogik und Anrufabläufe durch kontinuierliches Feedback hat Traba ein System aufgebaut, das skaliert und gleichzeitig die Ergebnisqualität verbessert.

Was als Nächstes kommt

Trabas Fahrplan umfasst agentengeführtes Onboarding, videobasiertes Q&A, Zeiterfassungsverarbeitung und Emotionserkennung über multimodale LLMs. Sie arbeiten auch an der agentengeführten Prompt-Verfeinerung, indem sie Leistungsdaten nutzen, um Agenten zu trainieren, die das Interviewdesign autonom optimieren.

Während dieser Reise setzt Traba die Partnerschaft mit uns fort, während wir die nächste Generation von unserer Agents-Plattform entwickeln und die Grenzen der Sprachintelligenz in komplexen realen Arbeitsabläufen erweitern.