Ringgs AI-agenter løser op til 65 % af kundeopkaldene med OpenAI

Når antallet af opkald stiger, udvider kundeservice typisk kapaciteten ved at ansætte flere medarbejdere, men det øger omkostningerne og kompleksiteten ved hver kundekontakt. Ringg⁠(åbner i et nyt vindue), en platform til tale- og chatagenter, oplevede problemet på nært hold i samarbejdet med store virksomheder på det indiske forbrugermarked.

Disse virksomheder havde ikke kun svært ved at besvare flere opkald. Deres kundeservicemedarbejdere kæmpede også med fragmenterede, manuelle systemer for at hjælpe kunder med alt fra at købe forsikringer til at bestille tider.

Den erfaring fik Ringg til at udvikle en agentplatform til virksomheder, bygget op omkring højeffektive modeller som GPT‑5.6 og med understøttelse af tale, chat, WhatsApp og web. Ved at flytte egnede realtidsopgaver fra GPT‑4.1 til GPT‑5.6 reducerede Ringg modelomkostningerne med cirka 90 % og opfyldte samtidig kravene til kvalitet og svartid.

Ringgs agenter håndterer nu over 7 millioner besvarede opkald hver måned, og virksomhedens kunder har en gennemsnitlig kundetilfredshedsscore (CSAT) på 4,8.

For at løse en kundehenvendelse kan agenter være nødt til at tjekke en police, hente kontooplysninger, booke en tid, opdatere et CRM-system eller overføre samtalen til en specialist med al relevant kontekst bevaret.

Til interaktioner i realtid bruger Ringg GPT‑5.6 Luna og andre modeller til at fortolke kundehenvendelser, vælge værktøjer og guide kunder gennem arbejdsgange med flere trin. Ringgs orkestreringslag udfører handlinger på tværs af CRM-systemer, sagsplatforme, betalingssystemer, bookingværktøjer og interne API'er og overdrager om nødvendigt sager til en medarbejder sammen med et samtaleresumé.

Ringgs videnssystem kombinerer struktureret filtrering med semantisk informationssøgning på tværs af datasæt, PDF'er, CSV-filer og forretningsdokumenter, så agenter kan besvare spørgsmål ud fra relevante virksomhedsoplysninger.

Ringg kan også fordele arbejdet mellem specialiserede underagenter til kvalificering, support, verificering, booking og eskalering. Platformen koordinerer disse trin og opretholder samtidig en sammenhængende samtale med kunden på tværs af tale, chat, WhatsApp og web.

Ringg sammenlignede OpenAI med alternativer ud fra samtalekvalitet, svartid, evnen til at følge instruktioner, værktøjskald, ydeevne på flere sprog, pålidelighed og pris. OpenAI viste sig at levere den bedste samlede balance til opgaver i produktion.

GPT‑5.6 og andre OpenAI-modeller var også mere konsekvente til at følge komplekse instruktioner, udføre værktøjskald, bevare samtalens kontekst og fungere pålideligt i stor skala i virksomheder.

Ringg sender arbejdet til en bestemt OpenAI-model ud fra opgavens krav. GPT‑4.1 håndterer det meste af tale- og chattrafikken i realtid. GPT‑5.6 Luna indgår fortsat i produktionssystemet og bruges, når dens ydeevne, svartid eller forhold mellem pris og ydeevne passer bedre til en henvendelse. GPT‑5.6 Terra håndterer analyse efter opkald, herunder resuméer og klassificering af stemning. Og GPT‑5.6 Sol understøtter evaluering, forbedring af prompts og arbejdsgange, hvor en model fungerer som bedømmer.

Når en kunde taler under et opkald eller sender en chatbesked, kombinerer Ringgs orkestreringssystem dette input med agentens instruktioner, samtalehistorikken, kundespecifikke data, relevant kontekst fra vidensbasen og tilgængelige værktøjer. Derefter vælger Ringgs routinglag den passende model og konfiguration. Modellens output sendes gennem orkestreringssystemet og leveres via kundens valgte kanal.

Ved længere interaktioner opretter systemet et struktureret resumé, når konteksten nærmer sig cirka 80.000 tokens. Samtalen kan så fortsætte med de vigtige oplysninger bevaret, uden at hele historikken skal sendes igen og igen.

Ringg tester modeller med tidligere samtaler og simulerede kundeforløb, før de sættes i produktion. Virksomhedens evalueringsplatform bruger resultaterne til at identificere svagheder og anbefale forbedringer af prompts, så agenter og konfigurationer løbende bliver bedre.

En af evalueringerne omhandlede Ringgs arbejdsgang til analyse efter opkald. Virksomheden testede GPT‑5.6 Terra mod alternativer som Gemini 2.5 Flash, og Terra klarede sig bedst. Ringg flyttede udarbejdelsen af resuméer og klassificering af stemning til GPT‑5.6 Terra. Terra fastholdt en høj nøjagtighed i resuméer og stemningsanalyse og forbedrede samtidig økonomien pr. opgave markant.

Virksomheden tester også modeller på tværs af sprog og regionale variationer, herunder samtaler, hvor der skiftes mellem sprog, eller engelsk blandes med udtryk på lokale sprog – en udbredt praksis på de markeder, Ringg betjener. GPT‑5.6 Terra klarede sig bedre end Gemini 2.5 Flash med op til 97 % nøjagtighed på udbredte regionale sprog. Det gjorde GPT‑5.6 bedre egnet til agenter, der betjener Ringgs kunder.

Modeller, der består offlinetest, får først en lille del af produktionstrafikken, før udrulningen udvides. I produktion overvåger Ringgs router svartider og endepunkters driftsstatus på tværs af regioner og flytter trafik, når et endepunkt bliver utilgængeligt eller overskrider en grænse for svartid. Specialiserede noder, advarsler og versionsstyrede udrulninger hjælper med at isolere problemer og begrænse deres konsekvenser.

Denne tilgang hjælper også Ringg med at forbedre økonomien pr. opgave. Ved at flytte visse realtidsopgaver fra GPT‑4.1 til GPT‑5.6 Luna reducerede Ringg modelomkostningerne med cirka 90 %.

Hos Ringgs kunder løser agenterne op til 65 % af de rutinemæssige kundehenvendelser helt uden hjælp fra en medarbejder.

Policybazaar, en af Indiens største onlineforsikringsplatforme, bruger Ringg til at etablere kontakt ved over 57.000 kundehenvendelser, og 67 % af opkaldene håndteres uden menneskelig indgriben. Policybazaars gennemsnitlige svartid faldt fra 8–12 minutter til under 60 sekunder, en forbedring på cirka 88 %.

Hos Practo, en global sundhedsplatform, hjælper Ringgs agenter kunder med at bestille tid til sundhedsydelser og få løst servicehenvendelser. Efter implementeringen løste Practo 85 % af henvendelserne ved første opkald og opnåede svartider på under tre sekunder. Driftsomkostningerne faldt med 70 % sammenlignet med den tidligere medarbejderbaserede arbejdsgang, og Ringg gennemfører nu mere end 1.000 tidsbestillinger hver dag.

Onlineinvesteringsplatformen Groww bruger Ringg til at løse 72 % af indgående forespørgsler om børsintroduktioner, futures og optioner udelukkende via selvbetjening med en gennemsnitlig behandlingstid på to minutter.

Med OpenAI's funktioner til computerbetjening udvikler Ringg browseragenter til onboarding på platforme, kundekendskabsprocedurer (KYC), IT-fejlfinding, vagtsupport ved driftsforstyrrelser og behandling af forsikringskrav.

Virksomheden udvikler også et kontekstlag, der kan bevare oplysninger på tværs af kanaler og interaktioner. En kunde kan begynde en henvendelse via et taleopkald, fortsætte på WhatsApp og afslutte den i en browser uden at skulle gentage de samme oplysninger hver gang.

For Ringg skal næste generation af kundeservice måles på opnåede forretningsresultater, og hvor stor en del af arbejdet der automatiseres, frem for antallet af opkald eller medarbejdere.