Traba använder AI-intervjuagenter för att skala upp industribemanning

Traba bygger en bemanningsplattform för nästa generation inom den industriella leveranskedjan. Deras uppdrag är att matcha företag med granskade, kvalificerade tillfälliga medarbetare i stor skala.

För att nå det målet byggde Traba Scout, ett AI-drivet intervjusystem som är integrerat direkt i verksamheten. Scout genomför nu över 50 000 intervjuer i månaden för roller inom lagerhållning, logistik och tillverkning – minskar det manuella arbetet, förbättrar tillsättningsgraden och ger konsekventa bedömningar i varje region.

Bemanning är flaskhalsen i industriella leveranskedjor

Miljontals arbetare är redo att arbeta, men krångliga rekryteringsprocesser hindrar distributionscentraler, logistiknav och tillverkare från att arbeta med maximal effektivitet.

De här jobben kräver kvalificering. Skiftscheman varierar. Språkbarriärer finns. Regulatoriska krav måste följas. Allt detta bromsar bemanningen.

Traba behövde skala upp utan att anställa tusentals rekryterare. De behövde ett konsekvent och tillförlitligt system som snabbare kunde bedöma om en arbetare passade för jobbet.

Varför Traba valde ElevenLabs

I slutet av 2024 blev Text to Speech i realtid och Speech to Text användbara för telefonbaserade intervjuer. Traba började testa leverantörer med ett mål: att hitta en partner som kunde stödja avancerad Conversational AI utan att kräva ägarskap över hela pipelinen.

ElevenLabs erbjöd:

• Högkvalitativa röster: naturliga, flerspråkiga röster som fick samtalen att kännas mänskliga snarare än robotiska. 
• Låg latens: tillräckligt snabbt för interaktioner i realtid utan obekväma fördröjningar. 
• Flexibilitet och kontroll: möjlighet att samordna flera agenter, experimentera med promptstrategier och integrera direkt i deras system.
• Minskad komplexitet: hantering av utmanande delar av ljudpipelinen så att de kan fokusera på sina unika arbetsflöden.

Att bygga AI-intervjuaren

Scout lanserades med en arkitektur med en enda agent. Den första versionen visade att AI kunde genomföra strukturerade intervjuer, kvalificera kandidater och ge användbara bedömningar.

Scout V1:

• Enspråkig: Stödde endast engelska, vilket begränsade räckvidden
• Logik med en enda agent: En LLM hanterade alla steg — introduktion, frågor och svar, logistik
• Statiska frågeuppsättningar: Fördefinierade frågor baserade på roll, med begränsad flexibilitet
• Grundläggande utvärdering: En sammanfattande prompt i ett steg vid slutet av intervjun
• Överlämning till operatör: AI gav en vägledande signal; människor fattade de slutgiltiga besluten

Trots sin enkelhet genomförde V1 tusentals samtal parallellt och gav omedelbart tidsbesparingar.

Skalning till över 250 000 samtal: djup, hastighet och konsekvens

I mars 2025 hade Scout genomfört över 17 000 intervjuer och sparat mer än 1 400 timmar av manuell granskningstid. För att förbereda sig för säsongens högsta efterfrågan byggdes systemet om för att kunna fungera självständigt.

Viktiga uppgraderingar omfattade:

Flerspråkiga röster och dynamiskt språkbyte

ElevenLabs lanserade flerspråkigt stöd, vilket gjorde det möjligt för Scout att växla mellan engelska och spanska mitt i samtalet utifrån användarens önskemål. Det gav tillgång till en grupp arbetare som tidigare inte fått tillräcklig service.

Samordning av flera agenter

När intervjukontexten utökades stötte Traba på försämrad modellprestanda. ElevenLabs tillhandahöll verktygen för att dela upp samtal mellan specialiserade agenter – introduktion, granskning, logistik och FAQ-stöd – med sömlösa övergångar under samtalet.

Avduplicerad intervjulogik

Arbetare som sökte flera jobb fick samma frågor. Traba utvecklade en förbehandlingspipeline för att avduplicera semantiskt liknande frågor mellan intervjuer. Det minskade upprepningarna med upp till 20 % per kandidat.

Anpassat ramverk för utvärdering

Operatörerna behövde mer kontroll över bedömningarna. Traba byggde Custom Scout, ett ramverk för att definiera hur ”bra” svar ser ut för varje enskild fråga. Bedömningarna stämmer nu överens med varje kunds unika kriterier.

Återkoppling från facitdata och promptiteration

Traba utvecklade ett internt ramverk för prompttestning med omedelbara återkopplingsloopar. Genom att skapa mänskligt verifierade dataset via Langfuse kunde teamet A/B-testa prompter mot resultat i verkligheten — vilket möjliggjorde snabb iteration i stor skala.

Resultat

Trabas AI-ledda intervjusystem hanterar nu över 50 000 intervjuer per månad och 85 % av all granskning av arbetare på plattformen är helt automatiserad. Med i genomsnitt 5 minuter per samtal sparar detta över 4 000 operatörstimmar per månad.

• 15 % högre andel slutförda skift för AI-kvalificerade arbetare jämfört med mänskligt kvalificerade
• Konsekventa bedömningar mellan roller, skift och geografiska områden
• Kortare tid till anställning med strukturerade bedömningar som kan ligga till grund för beslut
• Skalbart granskningslager som körs dygnet runt med minimal insats från operatörer

Genom att förfina frågebanker, utvärderingslogik och samtalsflöden med kontinuerlig återkoppling byggde Traba ett system som skalar upp samtidigt som kvaliteten på resultaten förbättras.

Vad händer härnäst

Trabas färdplan omfattar onboarding som leds av agenter, video-baserade frågor och svar, hantering av tidrapporter samt känsloigenkänning via multimodala LLM:er. De arbetar också med promptförfining som leds av agenter och använder resultatdata för att träna agenter som självständigt optimerar intervjudesignen.

Under hela den här resan fortsätter Traba att samarbeta med oss när vi utvecklar nästa generation av vår Agents Platform och tänjer gränserna för språklig intelligens i komplexa arbetsflöden i verkligheten.