Traba déploie des agents IA d’entretien pour développer le recrutement dans l’industrie

Traba développe une plateforme de recrutement de nouvelle génération pour la chaîne d’approvisionnement industrielle. Sa mission est de mettre en relation les entreprises avec des intérimaires qualifiés et vérifiés, à grande échelle.

Pour atteindre cet objectif, Traba a conçu Scout, un système d’entretien propulsé par l’IA, intégré directement à ses opérations. Scout réalise désormais plus de 50 000 entretiens par mois pour des postes dans l’entreposage, la logistique et la fabrication, réduisant la charge de travail manuelle, améliorant les taux de placement et assurant des évaluations cohérentes dans chaque région.

Le recrutement est le goulot d’étranglement des chaînes d’approvisionnement industrielles

Alors que des millions de travailleurs sont disponibles, des processus de recrutement contraignants empêchent les centres de traitement des commandes, les pôles logistiques et les fabricants d’atteindre leur efficacité maximale.

Ces postes exigent des qualifications. Les horaires de travail varient. Des barrières linguistiques existent. Les exigences réglementaires doivent être respectées. Tout cela ralentit le recrutement.

Traba devait se développer sans recruter des milliers de recruteurs. L’entreprise avait besoin d’un système cohérent et fiable, capable d’évaluer plus rapidement l’adéquation des travailleurs aux postes.

Pourquoi Traba a choisi ElevenLabs

Fin 2024, les technologies de Text to Speech en temps réel et de Speech to Text sont devenues viables pour les entretiens par téléphone. Traba a commencé à tester des fournisseurs avec un objectif : trouver un partenaire capable de prendre en charge une IA conversationnelle avancée sans exiger de contrôler l’ensemble de la chaîne de traitement.

ElevenLabs proposait :

• Des voix de haute qualité : des voix naturelles et multilingues qui rendaient les conversations humaines plutôt que robotiques. 
• Une faible latence : suffisamment rapide pour des interactions en temps réel, sans délais gênants. 
• Flexibilité et contrôle : la possibilité d’orchestrer plusieurs agents, d’expérimenter différentes stratégies de prompt et de s’intégrer directement à leurs systèmes.
• Complexité réduite : la prise en charge des parties complexes de la chaîne de traitement audio, afin qu’ils puissent se concentrer sur leurs propres processus.

Concevoir l’intervieweur IA

Scout a été lancé avec une architecture à agent unique. Sa première version a démontré que l’IA pouvait mener des entretiens structurés, qualifier les candidats et fournir des évaluations utiles.

Scout V1 :

• Monolingue : prise en charge de l’anglais uniquement, limitant sa portée
• Logique à agent unique : un seul LLM gérait toutes les étapes, de l’introduction aux questions-réponses en passant par la logistique
• Ensembles de questions statiques : requêtes prédéfinies selon le poste, avec une flexibilité limitée
• Évaluation de base : prompt de synthèse en une seule étape à la fin de l’entretien
• Transfert à un opérateur : l’IA fournissait une indication, les intervenants humains prenaient les décisions finales

Malgré sa simplicité, V1 exécutait des milliers d’appels en parallèle et a immédiatement permis de gagner du temps.

Passer à plus de 250 000 appels : concilier profondeur, rapidité et cohérence

En mars 2025, Scout avait réalisé plus de 17 000 entretiens et économisé plus de 1 400 heures de vérification manuelle. Pour se préparer aux pics de demande saisonniers, le système a été reconstruit afin de fonctionner de manière autonome.

Les principales améliorations comprenaient :

Voix multilingues et changement dynamique

ElevenLabs a déployé la prise en charge multilingue, permettant à Scout de passer de l’anglais à l’espagnol en cours d’appel selon les préférences de l’utilisateur. Cela a ouvert l’accès à un segment de travailleurs jusqu’alors peu couvert.

Orchestration multi-agents

À mesure que le contexte des entretiens s’élargissait, Traba a constaté une dégradation du modèle. ElevenLabs a fourni les outils nécessaires pour répartir les appels entre des agents spécialisés, chargés de l’introduction, de la vérification, de la logistique et de l’assistance FAQ, avec des transitions fluides au cours de la conversation.

Logique d’entretien dédupliquée

Les travailleurs postulant à plusieurs emplois se voyaient poser les mêmes questions. Traba a conçu une chaîne de prétraitement pour dédupliquer les questions sémantiquement similaires d’un entretien à l’autre. Cela a réduit les redondances jusqu’à 20 % par candidat.

Cadre d’évaluation personnalisé

Les opérateurs avaient besoin de davantage de contrôle sur les évaluations. Traba a conçu Custom Scout, un cadre permettant de définir ce qu’est une « bonne » réponse pour chaque question. Les évaluations s’alignent désormais sur les critères propres à chaque client.

Retour d’expérience fondé sur des données de référence et itération des prompts

Traba a développé un cadre interne de test des prompts avec des boucles de retour instantanées. En générant des jeux de données vérifiés par des intervenants humains via Langfuse, l’équipe pouvait effectuer des tests A/B des prompts face aux performances réelles, ce qui permettait d’itérer rapidement à grande échelle.

Résultats

Le système d’entretien piloté par l’IA de Traba prend désormais en charge plus de 50 000 entretiens par mois et 85 % de toutes les vérifications des travailleurs sur la plateforme sont entièrement automatisées. Avec une moyenne de 5 minutes par conversation, cela permet d’économiser plus de 4 000 heures d’opérateurs par mois.

• 15 % de taux de complétion des missions en plus pour les travailleurs qualifiés par l’IA par rapport à ceux qualifiés par des intervenants humains
• Évaluations cohérentes entre les postes, les horaires et les zones géographiques
• Réduction du délai de recrutement grâce à des évaluations structurées facilitant la prise de décision
• Couche de vérification évolutive fonctionnant 24 h/24 et 7 j/7 avec une intervention minimale des opérateurs

En affinant continuellement leurs banques de questions, leur logique d’évaluation et leurs flux d’appels grâce aux retours d’expérience, Traba a conçu un système qui se développe tout en améliorant la qualité des résultats.

La suite

La feuille de route de Traba inclut l’intégration pilotée par des agents, les questions-réponses vidéo, le traitement des feuilles de temps et la détection des émotions via des LLM multimodaux. L’entreprise travaille également sur l’affinement des prompts piloté par des agents, en exploitant les données de performance pour entraîner des agents qui optimisent de manière autonome la conception des entretiens.

Tout au long de ce parcours, Traba continue de travailler avec nous tandis que nous développons la prochaine génération de notre plateforme Agents, repoussant les limites de l’intelligence linguistique dans des processus complexes du monde réel.