Traba despliega agentes de IA para entrevistas y amplía la contratación de personal industrial

Traba está creando una plataforma de contratación de personal de nueva generación para la cadena de suministro industrial. Su misión es conectar empresas con trabajadores temporales cualificados y verificados a gran escala.

Para lograrlo, Traba creó Scout, un sistema de entrevistas con IA integrado directamente en sus operaciones. Scout realiza ahora más de 50.000 entrevistas mensuales para puestos de almacenamiento, logística y fabricación, lo que reduce la carga de trabajo manual, mejora las tasas de colocación y ofrece evaluaciones coherentes en todas las regiones.

La contratación de personal es el cuello de botella de las cadenas de suministro industriales

Aunque millones de trabajadores están disponibles, los procesos de contratación complejos impiden que centros de distribución, nodos logísticos y fabricantes operen con la máxima eficiencia.

Estos puestos requieren cualificación. Los horarios de los turnos varían. Hay barreras lingüísticas. Deben cumplirse requisitos normativos. Todo ello ralentiza la contratación de personal.

Traba necesitaba crecer sin contratar a miles de reclutadores. Necesitaba un sistema coherente y fiable que pudiera evaluar la idoneidad de los trabajadores más rápido.

Por qué Traba eligió ElevenLabs

A finales de 2024, Texto a Voz y Voz a Texto en tiempo real se convirtieron en soluciones viables para realizar entrevistas por teléfono. Traba empezó a probar proveedores con un objetivo: encontrar un socio que pudiera ofrecer IA conversacional avanzada sin tener que controlar toda la infraestructura.

ElevenLabs ofrecía:

• Voces de alta calidad: voces naturales y multilingües que hacían que las conversaciones resultaran humanas, no robóticas. 
• Baja latencia: la rapidez necesaria para interacciones en tiempo real sin retrasos incómodos. 
• Flexibilidad y control: la capacidad de orquestar varios agentes, experimentar con estrategias de prompting e integrarlos directamente en sus sistemas.
• Menor complejidad: gestión de las partes más exigentes de la infraestructura de audio para que puedan centrarse en sus flujos de trabajo específicos.

Creación del entrevistador con IA

Scout se lanzó con una arquitectura de un solo agente. Su primera versión demostró que la IA podía realizar entrevistas estructuradas, cualificar candidatos y ofrecer evaluaciones útiles.

Scout V1:

• Monolingüe: solo admitía inglés, lo que limitaba su alcance
• Lógica de un solo agente: un único LLM gestionaba todos los pasos —introducción, preguntas y respuestas, logística—
• Conjuntos de preguntas estáticos: consultas predefinidas según el puesto, con poca flexibilidad
• Evaluación básica: un prompt de resumen de una sola pasada al final de la entrevista
• Derivación a operadores: la IA aportaba una señal orientativa; las personas tomaban las decisiones finales

A pesar de su sencillez, V1 gestionaba miles de llamadas en paralelo y generó ahorro de tiempo de inmediato.

Escalar a más de 250.000 llamadas: profundidad, rapidez y coherencia

En marzo de 2025, Scout había realizado más de 17.000 entrevistas y ahorrado más de 1.400 horas de revisión manual. Para prepararse para los picos de demanda estacionales, el sistema se rediseñó para funcionar de forma autónoma.

Las mejoras principales incluyeron:

Voces multilingües y cambio dinámico

ElevenLabs lanzó la compatibilidad multilingüe, lo que permitió a Scout cambiar entre inglés y español a mitad de llamada según la preferencia del usuario. Esto facilitó el acceso a un segmento de trabajadores que hasta entonces había recibido poca atención.

Orquestación de varios agentes

A medida que se ampliaba el contexto de las entrevistas, Traba detectó una degradación del modelo. ElevenLabs proporcionó las herramientas para distribuir las llamadas entre agentes especializados —introducción, evaluación, logística y asistencia con preguntas frecuentes—, con transiciones fluidas durante la conversación.

Lógica de entrevista sin duplicados

A los trabajadores que solicitaban varios puestos se les hacían las mismas preguntas. Traba diseñó una infraestructura de preprocesamiento para eliminar preguntas semánticamente similares entre entrevistas. Esto redujo la redundancia hasta un 20 % por candidato.

Marco de evaluación personalizado

Los operadores necesitaban más control sobre las evaluaciones. Traba creó Custom Scout, un marco para definir cómo son las respuestas «buenas» en cada pregunta. Ahora las evaluaciones se ajustan a los criterios específicos de cada cliente.

Feedback basado en datos reales e iteración de prompts

Traba desarrolló un marco interno para probar prompts con ciclos de feedback instantáneos. Al generar conjuntos de datos verificados por personas con Langfuse, el equipo pudo realizar pruebas A/B de prompts frente al rendimiento en situaciones reales, lo que permitió iterar rápidamente a gran escala.

Resultados

El sistema de entrevistas de Traba, impulsado por IA, gestiona ahora más de 50.000 entrevistas al mes y el 85 % de todas las evaluaciones de trabajadores en la plataforma está completamente automatizado. Con una media de 5 minutos por conversación, esto ahorra más de 4.000 horas de operadores al mes.

• Un 15 % más de tasa de finalización de turnos para trabajadores cualificados por IA frente a los cualificados por personas
• Evaluaciones coherentes entre puestos, turnos y zonas geográficas
• Menor tiempo de contratación con evaluaciones estructuradas que permiten tomar decisiones
• Capa de evaluación escalable que funciona 24/7 con una intervención mínima de los operadores

Al perfeccionar sus bancos de preguntas, la lógica de evaluación y los flujos de llamadas mediante feedback continuo, Traba creó un sistema que escala y, al mismo tiempo, mejora la calidad de los resultados.

Qué viene ahora

La hoja de ruta de Traba incluye procesos de incorporación guiados por agentes, preguntas y respuestas por vídeo, procesamiento de partes de horas y detección de emociones mediante LLM multimodales. También están trabajando en la mejora de prompts guiada por agentes, utilizando datos de rendimiento para entrenar agentes que optimicen de forma autónoma el diseño de las entrevistas.

A lo largo de este recorrido, Traba sigue colaborando con nosotros mientras desarrollamos la próxima generación de nuestra plataforma Agents, ampliando los límites de la inteligencia lingüística en flujos de trabajo complejos del mundo real.