Ringg i OpenAI: agents d'IA resolen fins al 65 % de trucades

Quan augmenta el volum de trucades, els serveis d'atenció al client solen ampliar la plantilla, però això incrementa el cost i la complexitat de cada interacció. Ringg⁠(s'obre en una finestra nova), una plataforma d'agents de veu i xat, va conèixer aquest problema de primera mà treballant amb grans empreses de consum a l'Índia.

Aquestes empreses no només tenien dificultats per atendre més trucades: els seus agents d'atenció al client també havien de bregar amb sistemes fragmentats i manuals per ajudar els clients a completar gestions, des de contractar una assegurança fins a reservar una cita.

Aquesta experiència va portar Ringg a crear una plataforma d'agents per a empreses basada en models d'alta eficiència com GPT‑5.6, que cobreix els canals de veu, xat, WhatsApp i web. Migrar les càrregues de treball en temps real adequades de GPT‑4.1 a GPT‑5.6 va reduir els costos dels models aproximadament un 90 %, mantenint la qualitat i la latència requerides.

Els agents de Ringg gestionen ara més de 7 milions de trucades connectades cada mes, i les empreses que els utilitzen tenen una puntuació mitjana de satisfacció del client (CSAT) de 4,8.

Per resoldre una sol·licitud d'un client, els agents poden haver de consultar una pòlissa, recuperar el registre d'un compte, programar una cita, actualitzar un CRM o transferir la conversa a un especialista sense perdre el context rellevant.

Per a les interaccions en temps real, Ringg utilitza GPT‑5.6 Luna i altres models per interpretar les sol·licituds dels clients, seleccionar eines i guiar-los per fluxos de treball de diversos passos. La capa d'orquestració de Ringg executa accions en CRM, plataformes de gestió d'incidències, sistemes de pagament, eines de programació de cites i API internes, i deriva els casos a una persona amb un resum de la conversa quan cal.

El sistema de coneixement de Ringg combina el filtratge estructurat amb la recuperació semàntica en conjunts de dades, PDF, CSV i documents empresarials, i ajuda els agents a respondre preguntes amb informació rellevant de l'empresa.

Ringg també pot repartir la feina entre subagents especialitzats en qualificació, assistència, verificació, programació de cites i derivació de casos. La plataforma coordina aquests passos i manté una conversa coherent amb el client a través dels canals de veu, xat, WhatsApp i web.

Després de comparar OpenAI amb altres alternatives pel que fa a qualitat de conversa, latència, seguiment d'instruccions, crides a eines, rendiment multilingüe, fiabilitat i cost, Ringg va concloure que OpenAI oferia el millor equilibri global per a les càrregues de treball en producció.

GPT‑5.6 i altres models d'OpenAI també van mostrar més consistència a l'hora de seguir instruccions complexes, executar crides a eines, mantenir el context de la conversa i funcionar de manera fiable a escala empresarial.

Ringg assigna la feina a un model d'OpenAI concret segons les necessitats de la tasca. GPT‑4.1 gestiona la major part del trànsit de veu i xat en temps real. GPT‑5.6 Luna continua formant part de la infraestructura de producció i s'utilitza quan el seu rendiment, latència o relació entre preu i rendiment s'ajusten millor a una sol·licitud. GPT‑5.6 Terra s'encarrega de l'anàlisi posterior a les trucades, inclosos els resums i la classificació de sentiments. I GPT‑5.6 Sol dona suport a l'avaluació, la millora d'indicacions i els fluxos de treball en què un model actua com a jutge.

Quan un client parla durant una trucada de veu o envia un missatge de xat, el sistema d'orquestració de Ringg combina aquesta informació amb les instruccions de l'agent, l'historial de la conversa, les dades específiques del client, el context rellevant de la base de coneixement i les eines disponibles. Tot seguit, la capa d'encaminament de Ringg selecciona el model i la configuració adequats. La resposta del model passa pel sistema d'orquestració i arriba al client a través del canal que ha triat.

En les interaccions més llargues, el sistema crea un resum estructurat quan el context s'acosta als 80.000 tokens. Així, la conversa pot continuar sense perdre la informació important ni haver d'enviar tot l'historial repetidament.

Ringg prova els models amb converses anteriors i simulacions d'interaccions amb clients abans de desplegar-los en producció. La seva plataforma d'avaluació utilitza aquests resultats per detectar punts febles i recomanar millores en les indicacions, creant un cicle de millora contínua per als agents i les seves configuracions.

Una de les avaluacions es va centrar en el flux de treball d'anàlisi posterior a les trucades de Ringg. L'empresa va comparar GPT‑5.6 Terra amb alternatives com Gemini 2.5 Flash, i Terra va obtenir els millors resultats. Ringg va traslladar la generació de resums i la classificació de sentiments a GPT‑5.6 Terra. Terra va mantenir una alta precisió en els resums i l'anàlisi de sentiments, alhora que millorava substancialment la rendibilitat per interacció.

L'empresa també prova els models amb diferents llengües i variants regionals, incloses converses que alternen llengües o combinen l'anglès amb frases en llengües locals, una pràctica habitual als mercats on opera. GPT‑5.6 Terra va superar Gemini 2.5 Flash, amb una precisió de fins al 97 % en les llengües regionals habituals, fet que converteix GPT‑5.6 en una opció més adequada per als agents que atenen els clients de Ringg.

Els models que superen les proves fora de línia s'introdueixen en una petita part del trànsit de producció abans d'ampliar-ne el desplegament. En producció, l'encaminador de Ringg supervisa la latència i l'estat dels punts finals a les diferents regions i redirigeix el trànsit quan un punt final deixa d'estar disponible o supera un llindar de latència. Els nodes especialitzats, les alertes i els desplegaments amb control de versions ajuden a aïllar els problemes i limitar-ne l'impacte.

Aquest enfocament també ajuda Ringg a millorar la rendibilitat per interacció. Migrar determinades càrregues de treball en temps real de GPT‑4.1 a GPT‑5.6 Luna va reduir els costos dels models aproximadament un 90 %.

Els agents de Ringg resolen fins al 65 % de les consultes habituals que reben les empreses que els utilitzen, sense cap intervenció d'un agent humà.

Policybazaar, una de les plataformes d'assegurances en línia més grans de l'Índia, utilitza Ringg per canalitzar més de 57.000 sol·licituds de clients, i el 67 % de les trucades es gestionen sense intervenció humana. El temps mitjà de resposta de Policybazaar va passar de 8–12 minuts a menys de 60 segons, una millora d'aproximadament el 88 %.

A Practo, una plataforma sanitària global, els agents de Ringg ajuden els clients a reservar cites mèdiques i completar sol·licituds de servei. Després del desplegament, Practo va assolir una taxa de resolució en la primera trucada del 85 % i temps de resposta inferiors a tres segons. Els costos operatius van disminuir un 70 % respecte al flux de treball anterior, gestionat per persones, i ara Ringg completa més de 1.000 reserves de cites cada dia.

La plataforma d'inversió en línia Groww utilitza Ringg per resoldre el 72 % de les consultes entrants sobre sortides a borsa, futurs i opcions íntegrament mitjançant autoservei, amb un temps mitjà de gestió de dos minuts.

Amb les capacitats d'ús de l'ordinador d'OpenAI, Ringg desenvolupa agents de navegador per a la incorporació d'usuaris a plataformes, els processos de coneixement del client (KYC), la resolució de problemes informàtics, el suport de guàrdia per a incidències i la tramitació de sinistres.

L'empresa també desenvolupa una capa de context capaç de conservar la informació entre canals i interaccions. Un client podria iniciar una sol·licitud per veu, continuar-la a WhatsApp i acabar-la en un navegador sense haver de repetir les mateixes dades cada vegada.

Per a Ringg, la pròxima generació de serveis d'atenció al client es mesurarà pels resultats de negoci assolits i el grau d'automatització, i no pel volum de trucades o la mida de la plantilla.