A Ringg AI-ügynökei az ügyfélhívások akár 65 százalékát megoldják

GPT-5.6 az ügyfélszolgálati folyamatok közepén

A Ringg nagy indiai fogyasztói vállalatokkal dolgozva találkozott azzal a problémával, hogy a növekvő hívásmennyiséget hagyományosan több ember felvételével kezelik, ami minden interakció költségét és összetettségét növeli. A forrás szerint ezeknél a cégeknél az ügyfélszolgálati munkatársak széttöredezett, kézi rendszerekkel próbálták végigvinni az ügyfelek kéréseit, például biztosítás vásárlását vagy időpontfoglalást.

Erre válaszul a Ringg vállalati ügynökplatformot épített, amelynek központi elemei nagy hatékonyságú modellek, köztük a GPT-5.6. A rendszer hangon, chaten, WhatsAppon és weben működik. Az OpenAI közlése szerint a megfelelő valós idejű terhelések GPT-4.1-ről GPT-5.6-ra költöztetése körülbelül 90 százalékkal csökkentette a modellköltségeket, miközben megmaradt a szükséges minőség és késleltetés.

Siddharth Tripathi, a Ringg társalapítója az OpenAI közlésében így fogalmazott: „A modellminőség csak az egyenlet egyik része. Alacsony késleltetésre, megbízható eszközhasználatra, erős utasításkövetésre és olyan gazdaságosságra is szükségünk van, amely nagy léptékben is működik. Az OpenAI megadta azt az egyensúlyt, amelyre szükségünk volt.”

Hogyan osztja szét a Ringg a feladatokat a modellek között

Egy ügyfélkérés teljesítéséhez a rendszernek többféle műveletet kellhet elvégeznie: kötvényt ellenőrizhet, ügyfélrekordot kérhet le, időpontot foglalhat, CRM-et frissíthet, vagy a beszélgetést a megfelelő kontextussal együtt szakértőhöz irányíthatja. Valós idejű interakcióknál a Ringg GPT-5.6 Luna és más modellek segítségével értelmezi az ügyfélkéréseket, választ eszközöket, és több lépésből álló folyamatokon vezeti végig az ügyfeleket.

A Ringg orkestrációs rétege CRM-ekben, jegykezelő rendszerekben, fizetési rendszerekben, időpontfoglaló eszközökben és belső API-kon keresztül hajt végre műveleteket. Ha szükséges, a beszélgetés összefoglalójával együtt emberi munkatárshoz továbbítja az ügyet. A tudásrendszer strukturált szűrést és szemantikus keresést kombinál adathalmazokban, PDF-ekben, CSV-kben és üzleti dokumentumokban.

A Ringg az OpenAI-modelleket beszélgetési minőség, késleltetés, utasításkövetés, eszközhívás, többnyelvű teljesítmény, megbízhatóság és költség alapján vetette össze alternatívákkal. Az OpenAI szerint a Ringg arra jutott, hogy az OpenAI adta a legerősebb összesített egyensúlyt éles üzemi terhelésekhez.

A feladatokat a rendszer modell szerint is szétválasztja. A GPT-4.1 kezeli a legtöbb valós idejű hang- és chatforgalmat. A GPT-5.6 Luna továbbra is része az éles rendszernek, és akkor használják, amikor teljesítménye, késleltetése vagy ár-teljesítmény aránya jobban illik egy kéréshez. A GPT-5.6 Terra hívás utáni elemzést végez, például összefoglalókat és hangulatelemzést készít. A GPT-5.6 Sol értékelési, promptjavítási és model-as-judge munkafolyamatokat támogat.

Éles tesztekkel javítják a minőséget és a költségeket

A Ringg történeti beszélgetéseken és szimulált ügyfélfolyamatokon teszteli a modelleket, mielőtt éles környezetbe kerülnek. Értékelési platformja az eredmények alapján gyenge pontokat azonosít, és promptjavításokat javasol, így folyamatos fejlesztési ciklust hoz létre az ügynökök és konfigurációk számára.

Az egyik értékelésben a Ringg a hívás utáni elemzési munkafolyamatot vizsgálta. A vállalat a GPT-5.6 Terrát olyan alternatívákkal vetette össze, mint a Gemini 2.5 Flash, és a Terra bizonyult jobbnak. A Ringg ezután az összefoglalókat és a hangulatelemzést GPT-5.6 Terrára helyezte át. A forrás szerint a Terra magas pontosságot tartott fenn az összefoglalók és a hangulatelemzés terén, miközben érdemben javította az egységgazdaságosságot.

A vállalat nyelvi és regionális változatokon is tesztel, beleértve azokat a beszélgetéseket, amelyek nyelvek között váltanak, vagy az angolt helyi nyelvű kifejezésekkel kombinálják. Az OpenAI közlése szerint a GPT-5.6 Terra felülmúlta a Gemini 2.5 Flash modellt, és gyakori regionális nyelveken akár 97 százalékos pontosságot ért el.

Az offline teszteken átjutó modelleket először az éles forgalom kis részére vezetik be, majd bővítik a használatot. Éles üzemben a Ringg routere régiók között figyeli a késleltetést és a végpontok állapotát, és áttereli a forgalmat, ha egy végpont elérhetetlenné válik vagy átlép egy késleltetési küszöböt.

Konkrét eredmények biztosításban, egészségügyben és befektetésben

Az OpenAI közlése szerint a Ringg ügyfeleinél az ügynökök a rutinszerű ügyfélkérdések akár 65 százalékát emberi ügyintéző bevonása nélkül oldják meg.

A Policybazaar, India egyik legnagyobb online biztosítási platformja, a Ringg segítségével több mint 57 000 ügyfélkérést kapcsol össze, és a hívások 67 százalékát emberi beavatkozás nélkül kezelik. A Policybazaar átlagos válaszideje 8-12 percről 60 másodperc alá csökkent, ami körülbelül 88 százalékos javulás.

A Practo globális egészségügyi platformnál a Ringg ügynökei egészségügyi időpontfoglalásokban és szolgáltatási kérések teljesítésében segítenek. A bevezetés után a Practo 85 százalékos első hívásos megoldási arányt ért el, a válaszidők pedig három másodperc alatt maradtak. A működési költségek 70 százalékkal csökkentek a korábbi, embervezérelt munkafolyamathoz képest, miközben a Ringg naponta több mint 1 000 időpontfoglalást teljesít.

A Groww online befektetési platformon a Ringg az IPO-khoz, határidős ügyletekhez és opciókhoz kapcsolódó bejövő kérdések 72 százalékát teljes egészében önkiszolgáló módon oldja meg, kétperces átlagos kezelési idővel.

Mit jelent ez a felhasználóknak és a piacnak

A Ringg példája azt mutatja, hogy az ügyfélszolgálati automatizálás értéke a forrásban szereplő vállalatoknál nem X, hanem a lezárt ügyfélfolyamatokban mérhető: gyorsabb válasz, kevesebb emberi átadás, alacsonyabb működési költség és több csatornán folytatható ügyintézés.

A vállalat az OpenAI számítógép-használati képességeire építve böngészős ügynököket is fejleszt platformbevezetéshez, Know Your Customer, azaz KYC-folyamatokhoz, informatikai hibaelhárításhoz, ügyeleti incidenskezeléshez és kárigény-feldolgozáshoz. Emellett olyan kontextusrétegen dolgozik, amely csatornákon és interakciókon át őrzi meg az információt. Egy ügyfél például hanghívásban kezdhet egy kérést, WhatsAppon folytathatja, majd böngészőben fejezheti be anélkül, hogy minden részletet újra el kellene mondania.

Tripathi szerint: „Az OpenAI számítógép-használati képességei felgyorsították a böngészős ügynökökre vonatkozó ütemtervünket. Lehetővé teszik, hogy összekapcsoljuk azt, ami a felhasználó képernyőjén történik, a beszélgetési kontextussal, így az ügynökök valós időben vezethetik végig az embereket összetett munkafolyamatokon.”