Ringgs Agenten lösen mit OpenAI bis zu 65 % der Anrufanliegen

Wenn das Anrufvolumen steigt, stellt der Kundenservice meist mehr Personal ein. Das erhöht jedoch die Kosten und die Komplexität jeder Interaktion. Ringg⁠(wird in einem neuen Fenster geöffnet), eine Plattform für Sprach- und Chat-Agenten, erlebte dieses Problem unmittelbar bei der Zusammenarbeit mit großen Unternehmen im Endkundengeschäft in Indien.

Diese Unternehmen hatten nicht nur Schwierigkeiten, mehr Anrufe zu beantworten. Ihre Serviceteams mussten sich auch mit fragmentierten, manuellen Systemen auseinandersetzen, um Menschen etwa beim Abschluss einer Versicherung oder bei einer Terminbuchung zu helfen.

Daraufhin entwickelte Ringg eine Agentenplattform für Unternehmen, die auf hocheffizienten Modellen wie GPT‑5.6 basiert und Sprache, Chat, WhatsApp und das Web abdeckt. Die Umstellung geeigneter Echtzeitaufgaben von GPT‑4.1 auf GPT‑5.6 senkte die Modellkosten um etwa 90 %, bei der erforderlichen Qualität und Latenz.

Ringgs Agenten bearbeiten inzwischen monatlich mehr als 7 Millionen verbundene Anrufe. Die Unternehmen, die Ringg nutzen, erreichen eine durchschnittliche Kundenzufriedenheit (CSAT) von 4,8.

Um ein Kundenanliegen zu erledigen, müssen Agenten möglicherweise eine Police prüfen, Kontodaten abrufen, einen Termin vereinbaren, ein CRM aktualisieren oder das Gespräch mit allen relevanten Informationen an eine Fachkraft übergeben.

Für Echtzeitinteraktionen nutzt Ringg GPT‑5.6 Luna und andere Modelle. Sie interpretieren Kundenanliegen, wählen Tools aus und führen Menschen durch mehrstufige Abläufe. Ringgs Orchestrierungsschicht führt Aktionen in CRM-Systemen, Ticketplattformen, Zahlungssystemen, Terminplanungstools und internen APIs aus. Bei Bedarf übergibt sie Fälle samt Gesprächszusammenfassung an eine Servicekraft.

Ringgs Wissenssystem verbindet strukturierte Filter mit semantischem Abruf aus Datensätzen, PDFs, CSV-Dateien und Geschäftsdokumenten. So können Agenten Fragen anhand relevanter Unternehmensinformationen beantworten.

Ringg kann die Arbeit auch auf spezialisierte Unteragenten für Qualifizierung, Support, Verifizierung, Terminplanung und Eskalation verteilen. Die Plattform koordiniert diese Schritte und hält das Kundengespräch über Sprache, Chat, WhatsApp und das Web hinweg konsistent.

Ringg verglich OpenAI mit Alternativen hinsichtlich Gesprächsqualität, Latenz, Befolgung von Anweisungen, Tool-Aufrufen, Mehrsprachigkeit, Zuverlässigkeit und Kosten. Dabei bot OpenAI insgesamt die beste Balance für den Produktivbetrieb.

GPT‑5.6 und andere OpenAI-Modelle lieferten auch konstantere Ergebnisse beim Befolgen komplexer Anweisungen, bei Tool-Aufrufen, beim Beibehalten des Gesprächskontexts und im zuverlässigen Einsatz im Unternehmensmaßstab.

Ringg weist Aufgaben je nach Anforderung einem bestimmten OpenAI-Modell zu. GPT‑4.1 übernimmt den Großteil der Sprach- und Chatinteraktionen in Echtzeit. GPT‑5.6 Luna bleibt Teil der Produktivumgebung und kommt zum Einsatz, wenn seine Leistung, Latenz oder sein Preis-Leistungs-Verhältnis besser zu einer Anfrage passt. GPT‑5.6 Terra übernimmt die Analyse nach dem Anruf, einschließlich Zusammenfassungen und Stimmungsklassifizierung. GPT‑5.6 Sol unterstützt Evaluationen, die Verbesserung von Prompts und Abläufe, in denen ein Modell Ergebnisse bewertet.

Wenn eine Person am Telefon spricht oder eine Chatnachricht sendet, verknüpft Ringgs Orchestrierungssystem diese Eingabe mit den Anweisungen des Agenten, dem Gesprächsverlauf, den Daten zur Person, relevanten Informationen aus der Wissensdatenbank und den verfügbaren Tools. Anschließend wählt Ringgs Routing-Schicht das passende Modell und die Konfiguration aus. Das Modellergebnis wird über das Orchestrierungssystem auf dem von der Person gewählten Kanal ausgegeben.

Bei längeren Interaktionen erstellt das System eine strukturierte Zusammenfassung, sobald sich der Kontext etwa 80.000 Tokens nähert. Das Gespräch kann dann fortgesetzt werden, ohne jedes Mal den gesamten Verlauf zu senden. Die wichtigen Informationen bleiben erhalten.

Vor dem Produktiveinsatz testet Ringg Modelle anhand früherer Gespräche und simulierter Kundenabläufe. Die Evaluationsplattform nutzt diese Ergebnisse, um Schwächen zu erkennen und Verbesserungen an Prompts zu empfehlen. So entsteht ein kontinuierlicher Verbesserungsprozess für Agenten und Konfigurationen.

Eine Evaluation befasste sich mit Ringgs Analyse nach dem Anruf. Das Unternehmen testete GPT‑5.6 Terra gegen Alternativen wie Gemini 2.5 Flash. Terra schnitt am besten ab. Ringg stellte Zusammenfassungen und Stimmungsklassifizierung auf GPT‑5.6 Terra um. Terra behielt die hohe Genauigkeit bei Zusammenfassungen und Stimmungsanalysen bei und verbesserte zugleich die Wirtschaftlichkeit pro Vorgang deutlich.

Das Unternehmen testet Modelle auch mit verschiedenen Sprachen und regionalen Varianten. Dazu gehören Gespräche, in denen die Sprache gewechselt oder Englisch mit lokalen Ausdrücken kombiniert wird, wie es in den bedienten Märkten üblich ist. GPT‑5.6 Terra übertraf Gemini 2.5 Flash mit einer Genauigkeit von bis zu 97 % bei gängigen regionalen Sprachen. Damit eignete sich GPT‑5.6 besser für Agenten, die für Ringgs Kundenunternehmen im Einsatz sind.

Modelle, die Offline-Tests bestehen, werden zunächst für einen kleinen Teil der Anfragen im Produktivbetrieb eingesetzt, bevor der Einsatz ausgeweitet wird. Im Produktivbetrieb überwacht Ringgs Router die Latenz und den Zustand der Endpunkte über Regionen hinweg. Er leitet Anfragen um, wenn ein Endpunkt nicht verfügbar ist oder einen Latenzgrenzwert überschreitet. Spezialisierte Knoten, Warnmeldungen und versionierte Bereitstellungen helfen, Probleme einzugrenzen und ihre Auswirkungen zu begrenzen.

Dieser Ansatz hilft Ringg auch, die Wirtschaftlichkeit pro Vorgang zu verbessern. Die Umstellung bestimmter Echtzeitaufgaben von GPT‑4.1 auf GPT‑5.6 Luna senkte die Modellkosten um etwa 90 %.

Bei den Unternehmen, die Ringg nutzen, lösen die Agenten bis zu 65 % der routinemäßigen Kundenanfragen ganz ohne Beteiligung einer Servicekraft.

Policybazaar, eine der größten Online-Versicherungsplattformen Indiens, nutzt Ringg, um bei mehr als 57.000 Kundenanfragen eine Verbindung herzustellen. 67 % der Anrufe werden ohne menschliches Eingreifen bearbeitet. Die durchschnittliche Antwortzeit bei Policybazaar sank von 8–12 Minuten auf unter 60 Sekunden, eine Verbesserung um etwa 88 %.

Bei der globalen Gesundheitsplattform Practo helfen Ringgs Agenten Menschen, medizinische Termine zu buchen und Serviceanliegen zu erledigen. Nach der Einführung löste Practo 85 % der Anliegen beim ersten Anruf und erreichte Antwortzeiten von unter drei Sekunden. Die Betriebskosten sanken gegenüber dem zuvor von Menschen ausgeführten Ablauf um 70 %. Ringg schließt inzwischen täglich mehr als 1.000 Terminbuchungen ab.

Die Online-Anlageplattform Groww nutzt Ringg, um 72 % der eingehenden Anfragen zu Börsengängen, Futures und Optionen vollständig im Self-Service zu lösen, bei einer durchschnittlichen Bearbeitungszeit von zwei Minuten.

Mit den Funktionen von OpenAI zur Computerbedienung entwickelt Ringg Browser-Agenten für die Einführung in Plattformen, Know-Your-Customer-Prozesse (KYC), die Behebung von IT-Problemen, die Unterstützung bei Störungen im Bereitschaftsdienst und die Schadenbearbeitung.

Das Unternehmen entwickelt außerdem eine Kontextschicht, die Informationen über Kanäle und Interaktionen hinweg bewahren kann. So könnte eine Person ein Anliegen telefonisch beginnen, über WhatsApp fortsetzen und im Browser abschließen, ohne jedes Mal dieselben Angaben wiederholen zu müssen.

Für Ringg wird sich die nächste Generation des Kundenservice an erreichten Geschäftsergebnissen und der Automatisierungstiefe messen lassen, nicht am Anrufvolumen oder an der Personalstärke.