Traba déploie des agents d'entretien IA pour étendre le personnel industriel — copie

Traba construit une plateforme de recrutement de nouvelle génération pour la chaîne d'approvisionnement industrielle. Leur mission est de mettre en relation les entreprises avec des travailleurs temporaires qualifiés et vérifiés à grande échelle.

Pour atteindre cet objectif, Traba a créé Scout, un système d'entretien alimenté par l'IA intégré directement dans leurs opérations. Scout réalise désormais plus de 50 000 entretiens mensuels dans les rôles d'entreposage, de logistique et de fabrication - réduisant la charge de travail manuelle, améliorant les taux de placement et offrant des évaluations cohérentes dans chaque région.

Le recrutement est le goulot d'étranglement dans les chaînes d'approvisionnement industrielles

Bien que des millions de travailleurs soient prêts à travailler, des processus d'embauche complexes empêchent les centres de distribution, les hubs logistiques et les fabricants de fonctionner à pleine efficacité.

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

Traba devait se développer sans embaucher des milliers de recruteurs. Ils avaient besoin d'un système cohérent et fiable capable d'évaluer l'adéquation des travailleurs plus rapidement.

Pourquoi Traba a choisi ElevenLabs

Fin 2024, le Text to Speech et le Speech to Text sont devenus viables pour les entretiens téléphoniques. Traba a commencé à tester des fournisseurs avec un objectif : trouver un partenaire capable de soutenir une IA conversationnelle avancée sans nécessiter la propriété complète du pipeline.

ElevenLabs a offert :

• Des voix de haute qualité : des voix naturelles et multilingues qui rendent les conversations humaines plutôt que robotiques.
• Faible latence : suffisamment rapide pour des interactions en temps réel sans délais gênants.
• Flexibilité et contrôle : la capacité d'orchestrer plusieurs agents, d'expérimenter des stratégies de sollicitation et de s'intégrer directement dans leurs systèmes.
• Complexité réduite : gérer les parties difficiles du pipeline audio pour qu'ils puissent se concentrer sur leurs flux de travail uniques.

Construire l'intervieweur IA

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

Scout V1 :

• Monolingue: Ne supportait que l'anglais, limitant la portée
• Logique à agent unique: Un LLM gérait toutes les étapes — introduction, Q&R, logistique
• Ensembles de questions statiques: Questions prédéfinies basées sur le rôle avec une flexibilité limitée
• Évaluation de base: Résumé en une seule passe à la fin de l'entretien
• Transfert à un opérateur: L'IA fournissait un signal directionnel ; les humains prenaient les décisions finales

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

Passer à plus de 250 000 appels : résoudre la profondeur, la vitesse et la 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 à la demande saisonnière de pointe, le système a été reconstruit pour fonctionner de manière autonome.

Les améliorations clés comprenaient :

Voix multilingues et commutation dynamique

ElevenLabs a livré un support multilingue, permettant à Scout de passer de l'anglais à l'espagnol en cours d'appel selon la préférence de l'utilisateur. Cela a permis d'accéder à un segment de travailleurs auparavant mal desservi.

Orchestration multi-agents

À mesure que le contexte de l'entretien s'élargissait, Traba a rencontré une dégradation du modèle. ElevenLabs a fourni les outils pour répartir les appels entre des agents spécialisés - introduction, vérification, logistique et support FAQ - avec des transitions fluides pendant la conversation.

Logique d'entretien dédupliquée

Les travailleurs postulant à plusieurs emplois se voyaient poser les mêmes questions. Traba a conçu un pipeline de prétraitement pour dédupliquer les questions sémantiquement similaires entre les entretiens. Cela a réduit la redondance jusqu'à 20 % par candidat.

Cadre d'évaluation personnalisé

Les opérateurs avaient besoin de plus de contrôle sur les évaluations. Traba a construit Custom Scout, un cadre pour définir à quoi ressemblent les « bonnes » réponses pour chaque question. Les évaluations sont désormais alignées sur les critères uniques de chaque client.

Retour d'information sur la vérité terrain et itération des invites

Traba a développé un cadre interne de test des invites avec des boucles de rétroaction instantanées. En générant des ensembles de données vérifiés par des humains via Langfuse, l'équipe a pu tester les invites en A/B par rapport aux performances réelles — permettant une itération rapide à grande échelle.

Résultats

Le système d'entretien dirigé par l'IA de Traba gère désormais plus de 50 000 entretiens par mois et 85 % de toute la vérification des travailleurs sur la plateforme est entièrement automatisée. Avec une moyenne de 5 minutes par conversation, cela économise plus de 4 000 heures d'opérateur par mois.

• Taux de complétion des quarts de travail supérieur de 15 % pour les travailleurs qualifiés par l'IA par rapport à ceux qualifiés par des humains
• Évaluations cohérentes à travers les rôles, les quarts de travail et les géographies
• Réduction du temps d'embauche avec des évaluations structurées de qualité décisionnelle
• Couche de vérification évolutive qui fonctionne 24/7 avec un minimum d'intervention de l'opérateur

En affinant leurs banques de questions, leur logique d'évaluation et leurs flux d'appels grâce à des retours continus, Traba a construit un système qui évolue tout en améliorant la qualité des résultats.

Et après

La feuille de route de Traba inclut l'intégration dirigée par des agents, les questions-réponses basées sur la vidéo, le traitement des feuilles de temps et la détection des émotions via des LLM multimodaux. Ils travaillent également sur l'affinement des invites dirigé par des agents, en utilisant les données de performance pour former des agents qui optimisent la conception des entretiens de manière autonome.

Tout au long de ce parcours, Traba continue de collaborer avec nous alors que nous développons la prochaine génération de notre plateforme d'agents, repoussant les limites de l'intelligence linguistique dans des flux de travail complexes du monde réel.