Parloa crea agents d'atenció al client amb qui val la pena parlar

Als inicis de Parloa, el cofundador Stefan Ostwald va passar un dia en un centre d’atenció telefònica d’una asseguradora, on el seu equip desenvolupava les primeres experiències de veu. Assegut al costat dels agents, va sentir com es repetien una vegada i una altra les mateixes converses: restablir contrasenyes, respondre preguntes sobre pòlisses i fer canvis rutinaris. Es va adonar que bona part d’aquella feina es podia automatitzar.

Després d’aquella experiència, Parloa⁠(s'obre en una finestra nova), amb seu a Berlín, va començar a crear agents de veu basats en regles per automatitzar grans volums d’interaccions amb clients.

Amb l’aparició de ChatGPT, l’empresa va evolucionar fins a crear l’actual plataforma de gestió d’agents d’IA (AMP), basada en una nova generació de models, com ara GPT‑5.4.

AMP permet a les empreses dissenyar, desplegar i gestionar a gran escala les interaccions d’atenció al client. En lloc de traçar intencions i fluxos rígids, els equips defineixen el comportament en llenguatge natural, connecten la plataforma als sistemes interns i iteren ràpidament amb simulacions i avaluacions integrades.

Parloa gestiona aquestes interaccions de principi a fi, des del simple encaminament fins a sol·licituds complexes amb diversos passos. L’objectiu és garantir la coherència en producció, on importen tant el rendiment i la latència com els casos límit. Per aconseguir-ho, Parloa prova contínuament els models amb situacions reals de clients abans de desplegar-los.

La plataforma de gestió d’agents (AMP) de Parloa està dissenyada perquè els usuaris empresarials i els especialistes en cada àmbit puguin crear agents d’IA sense escriure codi.

"Amb AMP, els especialistes de diferents unitats de negoci poden crear els agents i connectar les API d’una manera molt més àgil i senzilla", afirma O’Reilly.

En termes generals, AMP permet a les marques gestionar tot el cicle de vida dels agents d’IA. Ho fa oferint als equips no tècnics una manera més senzilla de definir com s’ha de comportar un agent abans que entri en funcionament. En lloc d’escriure codi o traçar arbres d’intencions rígids, els especialistes defineixen en llenguatge natural el rol, les instruccions, les eines i els límits de l’agent. Aquesta configuració serveix de base per donar indicacions al model i determinar com es comporta el sistema en producció.

Un cop definit, l’agent es prova abans de desplegar-lo. Parloa simula converses amb clients mitjançant models com GPT‑5.4: un model actua com a persona que truca i un altre executa l’agent configurat. Els equips poden examinar directament aquestes interaccions, provar els canvis en situacions realistes i iterar abans de posar-los en funcionament.

Després, els mateixos models avaluen les converses combinant comprovacions deterministes amb puntuacions d’un LLM que actua com a jutge. Això permet comprovar si l’agent ha seguit les instruccions, ha utilitzat correctament les eines i ha completat la tasca com s’esperava.

Durant una conversa en directe, la capa d’orquestració d’AMP proporciona a un model d’OpenAI la configuració de l’agent i el context de la conversa perquè generi una resposta, recuperi informació mitjançant RAG o activi eines per interactuar amb els sistemes dels clients. Parloa actualitza contínuament aquesta capa amb l’última generació de models a mesura que demostren millores clares de rendiment en situacions reals.

Després de la conversa, altres fluxos de treball basats en OpenAI resumeixen la interacció, classifiquen la intenció del client i n’avaluen el rendiment d’acord amb les regles definides.

A mesura que els agents es feien més complexos, resultava més difícil mantenir una única indicació monolítica. Petits canvis podien provocar efectes secundaris imprevistos. Per resoldre-ho, Parloa va introduir un enfocament modular. Tasques com l’autenticació, els canvis de reserva o l’actualització de comptes es poden separar en subagents diferents. Això millora el seguiment de les instruccions i facilita l’evolució dels sistemes.

Alhora, la plataforma incorpora controls deterministes allà on la fiabilitat és més important. Les empreses poden definir cadenes d’API estructurades i lògica basada en esdeveniments per garantir que els passos crítics es produeixin en l’ordre correcte, tot equilibrant la flexibilitat de la conversa amb una execució previsible.

Parloa utilitza models com GPT‑4.1, GPT‑5‑mini i d’altres per simular interaccions realistes amb clients abans de posar en funcionament un agent. Després, avalua aquestes interaccions combinant un LLM que actua com a jutge amb regles deterministes. Això permet als equips provar casos límit, iterar ràpidament i validar el rendiment abans que els clients es puguin veure afectats per cap error.

Parloa treballa principalment amb grans empreses, on la coherència és tan important com les capacitats.

"Quan apareix un model nou, hi executem el nostre conjunt d'índexs comparatius", explica Matthäus Deutsch, investigador aplicat sènior. "Per a nosaltres és molt important que les coses no només funcionin en índexs comparatius teòrics, sinó també en casos d’ús reals."

En lloc de basar-se en índexs comparatius abstractes, Parloa reprodueix agents reals de producció i els sotmet a processos de simulació i avaluació. Aquestes proves mesuren la fiabilitat en el seguiment de les instruccions, la coherència de les crides a les API, la latència i el rendiment general en condicions realistes.

Aquestes avaluacions determinen quins models estan preparats per a la producció. Només es despleguen els models que ofereixen un rendiment fiable en situacions reals de clients.

"La migració té un cost real per als clients empresarials", afirma Deutsch. "Quan un sistema ja funciona en producció, el mantenen estable i només el canvien si els avantatges són clars."

Com a resultat, els sistemes es comporten de manera previsible en producció, fins i tot a gran escala. En milions d’interaccions amb clients, la majoria de converses es resolen sense entrebancs. Fins i tot quan les trucades es deriven a agents humans, poques vegades és perquè el sistema hagi fallat. En un dels desplegaments, una empresa de viatges mundial va reduir en un 80 % les sol·licituds per parlar amb un agent humà.

Aquesta mentalitat centrada en l’avaluació s’ha convertit en un element diferenciador clau que permet a Parloa avançar ràpidament sense sacrificar la fiabilitat en producció.

La veu planteja unes restriccions diferents de les del xat de text. Cada interacció passa per un procés de baixa latència: conversió de veu a text, raonament del model i conversió de text a veu.

En aquest procés, la latència és crítica. Fins i tot els petits retards a la capa del model s’acumulen i generen pauses perceptibles per a qui truca, fet que condiciona la selecció i l’optimització dels models.

Parloa treballa estretament amb OpenAI per optimitzar el rendiment en casos d’ús en temps real, amb especial atenció a la latència, la qualitat de les respostes i el seguiment de les instruccions. L’equip avalua contínuament les noves iteracions dels models i les sotmet a proves d’estrès en entorns semblants als de producció abans d’incorporar-les a interaccions reals amb clients.

Parloa avalua de manera independent cada component del conjunt de tecnologies de veu:

• Els sistemes de conversió de veu a text es posen a prova per mesurar la taxa d’errors de paraula, especialment amb dades sensibles com els números de pòlissa o els identificadors de compte.
• Els models de conversió de text a veu s’avaluen mitjançant proves d’escolta a cegues per determinar si la veu sona natural als usuaris reals. Després, aquests resultats es contrasten amb interaccions reals de clients per garantir un rendiment coherent en entorns de producció.
• Actualment, s’avalua si els models de veu a veu estan preparats per a la producció, amb especial atenció a la latència, la precisió i el cost.

Des del principi, aquests sistemes s’han creat per desplegar-los arreu del món. Els índexs comparatius abasten diversos idiomes, ja que els clients operen en regions d’arreu del món. Aquest rigor multilingüe reflecteix tant les arrels europees de Parloa com les expectatives dels clients empresarials, que exigeixen un rendiment coherent en tots els mercats, no només en un idioma o una regió.

Avui, els agents de Parloa gestionen milions de converses en sectors com el comerç minorista, els viatges i les assegurances, en casos d’ús que van des de l’automatització de l’atenció al client fins a fluxos que generen ingressos, com la televenda.

Parloa preveu que l’atenció al client evolucioni cap a una experiència plenament multimodal.

Una conversa pot començar per telèfon, continuar al xat i incorporar enllaços o elements interactius durant el procés. En lloc de tractar cada pas com un flux independent, AMP està dissenyada per gestionar-ho tot com una única interacció. Amb el temps, els agents d’IA podrien arribar a ser tan centrals en el recorregut del client com els llocs web i les aplicacions mòbils.

A mesura que les empreses automatitzen una proporció creixent de les interaccions amb clients, Parloa se centra a fer que els agents d’IA siguin prou fiables, flexibles i dignes de confiança per operar a escala mundial.