La IA de Ringg resuelve hasta el 65 % de las llamadas con OpenAI

Cuando aumenta el volumen de llamadas, las operaciones de atención al cliente suelen ampliarse con más personal, pero esto eleva el costo y la complejidad de cada interacción. Ringg⁠(se abre en una nueva ventana), una plataforma de agentes de voz y chat, conoció este problema de primera mano al trabajar con grandes empresas de consumo en la India.

Estas empresas no solo tenían dificultades para atender más llamadas: su personal de atención al cliente también lidiaba con sistemas manuales y fragmentados para ayudar a los clientes a completar tareas, desde contratar seguros hasta agendar citas.

Esa experiencia llevó a Ringg a crear una plataforma de agentes empresariales basada en modelos de alta eficiencia como GPT‑5.6, que abarca voz, chat, WhatsApp y la web. Migrar las cargas de trabajo en tiempo real adecuadas de GPT‑4.1 a GPT‑5.6 redujo los costos de los modelos aproximadamente un 90 %, manteniendo la calidad y la latencia requeridas.

Los agentes de Ringg ahora atienden más de 7 millones de llamadas conectadas al mes, y sus clientes tienen una puntuación promedio de satisfacción del cliente (CSAT) de 4,8.

Para resolver una solicitud del cliente, los agentes pueden necesitar consultar una póliza, recuperar los datos de una cuenta, agendar una cita, actualizar un CRM o transferir la conversación a un especialista sin perder el contexto relevante.

Para las interacciones en tiempo real, Ringg usa GPT‑5.6 Luna y otros modelos para interpretar las solicitudes de los clientes, seleccionar herramientas y guiarlos por flujos de trabajo de varios pasos. La capa de orquestación de Ringg ejecuta acciones en CRM, plataformas de gestión de tickets, sistemas de pago, herramientas de programación de citas y API internas. Cuando es necesario, deriva los casos a una persona con un resumen de la conversación.

El sistema de conocimiento de Ringg combina el filtrado estructurado con la recuperación semántica en conjuntos de datos, PDF, CSV y documentos empresariales, para ayudar a los agentes a responder preguntas con información relevante de la empresa.

Ringg también puede distribuir el trabajo entre subagentes especializados en calificación, soporte, verificación, programación de citas y derivación de casos. La plataforma coordina esos pasos y mantiene una conversación coherente con el cliente por voz, chat, WhatsApp y la web.

Tras comparar OpenAI con otras alternativas en calidad de conversación, latencia, seguimiento de instrucciones, llamadas a herramientas, desempeño multilingüe, confiabilidad y costo, Ringg concluyó que OpenAI ofrecía el mejor equilibrio general para las cargas de trabajo en producción.

GPT‑5.6 y otros modelos de OpenAI también mostraron mayor consistencia al seguir instrucciones complejas, ejecutar llamadas a herramientas, mantener el contexto de la conversación y operar de forma confiable a escala empresarial.

Ringg asigna el trabajo a un modelo específico de OpenAI según las necesidades de la tarea. GPT‑4.1 gestiona la mayor parte del tráfico de voz y chat en tiempo real. GPT‑5.6 Luna sigue en el entorno de producción y se usa cuando su desempeño, latencia o relación precio-rendimiento se ajusta mejor a una solicitud. GPT‑5.6 Terra se encarga del análisis posterior a las llamadas, incluidos los resúmenes y la clasificación de sentimientos. Y GPT‑5.6 Sol se usa para evaluar, mejorar prompts y ejecutar flujos de trabajo con un modelo como juez.

Cuando un cliente habla durante una llamada o envía un mensaje de chat, el sistema de orquestación de Ringg combina esa entrada con las instrucciones del agente, el historial de la conversación, los datos específicos del cliente, el contexto relevante de la base de conocimiento y las herramientas disponibles. Luego, la capa de enrutamiento de Ringg selecciona el modelo y la configuración adecuados. La salida del modelo pasa por el sistema de orquestación y se entrega a través del canal elegido por el cliente.

En las interacciones más largas, el sistema crea un resumen estructurado cuando el contexto se acerca a los 80 000 tokens. Así, la conversación puede continuar conservando la información importante, sin enviar todo el historial una y otra vez.

Ringg prueba los modelos con conversaciones históricas y flujos de clientes simulados antes de implementarlos en producción. Su plataforma de evaluación usa esos resultados para detectar puntos débiles y recomendar mejoras en los prompts, lo que crea un ciclo de mejora continua para sus agentes y configuraciones.

Una de las evaluaciones se centró en el flujo de análisis posterior a las llamadas de Ringg. La empresa comparó GPT‑5.6 Terra con alternativas como Gemini 2.5 Flash, y Terra obtuvo los mejores resultados. Ringg trasladó la generación de resúmenes y la clasificación de sentimientos a GPT‑5.6 Terra. Terra mantuvo una alta precisión en los resúmenes y el análisis de sentimientos, a la vez que mejoró considerablemente la rentabilidad por unidad.

La empresa también prueba los modelos con variaciones lingüísticas y regionales, incluidas conversaciones que alternan entre idiomas o combinan inglés con frases en lenguas locales, algo habitual en los mercados donde opera. GPT‑5.6 Terra superó a Gemini 2.5 Flash, con hasta un 97 % de precisión en idiomas regionales de uso frecuente. Esto hizo de GPT‑5.6 una mejor opción para los agentes que atienden a los clientes de Ringg.

Los modelos que superan las pruebas fuera de producción se incorporan a una pequeña parte del tráfico de producción antes de ampliar su implementación. En producción, el enrutador de Ringg monitorea la latencia y el estado de los puntos de acceso en las distintas regiones, y redirige el tráfico cuando uno deja de estar disponible o supera un umbral de latencia. Los nodos especializados, las alertas y las implementaciones con control de versiones ayudan a aislar los problemas y limitar su impacto.

Este enfoque también ayuda a Ringg a mejorar la rentabilidad por unidad. Migrar ciertas cargas de trabajo en tiempo real de GPT‑4.1 a GPT‑5.6 Luna redujo los costos de los modelos aproximadamente un 90 %.

Los agentes de Ringg resuelven, para las empresas que los usan, hasta un 65 % de las consultas habituales de sus clientes sin intervención de un agente humano.

Policybazaar, una de las mayores plataformas de seguros en línea de la India, usa Ringg para canalizar más de 57 000 solicitudes de clientes, y el 67 % de las llamadas se atienden sin intervención humana. El tiempo promedio de respuesta de Policybazaar pasó de 8–12 minutos a menos de 60 segundos, una mejora de aproximadamente el 88 %.

En Practo, una plataforma global de atención médica, los agentes de Ringg ayudan a los clientes a agendar citas médicas y completar solicitudes de servicio. Tras la implementación, Practo alcanzó una tasa de resolución en la primera llamada del 85 % y tiempos de respuesta inferiores a tres segundos. Los costos operativos bajaron un 70 % respecto al flujo de trabajo anterior, a cargo de personas, y Ringg ahora concreta más de 1000 reservas de citas al día.

La plataforma de inversión en línea Groww usa Ringg para resolver el 72 % de las consultas recibidas sobre ofertas públicas iniciales, futuros y opciones exclusivamente mediante autoservicio, con un tiempo promedio de atención de dos minutos.

Con las capacidades de uso de computadora de OpenAI, Ringg está desarrollando agentes de navegador para la incorporación de usuarios a plataformas, los procesos de conocimiento del cliente (KYC), la resolución de problemas de TI, el soporte de guardia para incidentes y la gestión de reclamaciones.

La empresa también está desarrollando una capa de contexto que pueda conservar la información entre canales e interacciones. Un cliente podría iniciar una solicitud por voz, continuarla en WhatsApp y terminarla en un navegador sin tener que repetir los mismos datos cada vez.

Para Ringg, la próxima generación de operaciones de atención al cliente se medirá por los resultados empresariales alcanzados y el grado de automatización, no por el volumen de llamadas ni la cantidad de personal.