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

Cuando aumenta el volumen de llamadas, los servicios de atención al cliente suelen ampliar su capacidad contratando a más personal, pero esto incrementa el coste y la complejidad de cada interacción. Ringg⁠(se abre en una ventana nueva), 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: sus agentes de atención al cliente también lidiaban con sistemas fragmentados y manuales para ayudar a los clientes a completar tareas, desde contratar un seguro hasta reservar una cita.

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

Los agentes de Ringg ya gestionan más de 7 millones de llamadas conectadas al mes, y sus clientes registran una puntuación media de satisfacción del cliente (CSAT) de 4,8.

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

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

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

Ringg también puede repartir el trabajo entre subagentes especializados en la cualificación de clientes potenciales, la asistencia, la verificación, la programación de citas y la derivación de casos. La plataforma coordina estos pasos y mantiene una conversación coherente con el cliente a través de voz, chat, WhatsApp y web.

Tras comparar OpenAI con otras alternativas en calidad de conversación, latencia, seguimiento de instrucciones, llamadas a herramientas, rendimiento multilingüe, fiabilidad y coste, Ringg concluyó que OpenAI ofrecía el mejor equilibrio global 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 funcionar de forma fiable a escala empresarial.

Ringg dirige el trabajo a un modelo concreto 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 formando parte del entorno de producción y se utiliza cuando su rendimiento, latencia o relación entre precio y rendimiento se ajustan 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 utiliza en flujos de trabajo de evaluación, mejora de prompts y uso de modelos como jueces.

Cuando un cliente habla durante una llamada de voz 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. A continuación, 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 aproxima 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 anteriores y flujos de interacción simulados antes de desplegarlos en producción. Su plataforma de evaluación utiliza esos resultados para identificar puntos débiles y recomendar mejoras en los prompts, creando un ciclo de mejora continua para sus agentes y configuraciones.

Una de las evaluaciones se centró en el flujo de trabajo 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 gran precisión en los resúmenes y el análisis de sentimientos, a la vez que mejoró sustancialmente la rentabilidad por interacción.

La empresa también prueba los modelos con distintos idiomas y variantes regionales, incluidas conversaciones que alternan entre idiomas o combinan el inglés con expresiones en lenguas locales, algo habitual en los mercados en los que opera. GPT‑5.6 Terra superó a Gemini 2.5 Flash, con una precisión de hasta el 97 % en lenguas regionales de uso habitual, lo que convirtió a GPT‑5.6 en una opción más adecuada para los agentes que atienden a los clientes de Ringg.

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

Este enfoque también ayuda a Ringg a mejorar la rentabilidad por interacción. La migración de determinadas cargas de trabajo en tiempo real de GPT‑4.1 a GPT‑5.6 Luna redujo los costes de los modelos en aproximadamente un 90 %.

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

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

En Practo, una plataforma sanitaria global, los agentes de Ringg ayudan a los clientes a reservar citas médicas y completar solicitudes de servicios. Tras el despliegue, Practo alcanzó una tasa de resolución en la primera llamada del 85 % y tiempos de respuesta inferiores a tres segundos. Los costes operativos se redujeron en un 70 % respecto a su anterior flujo de trabajo a cargo de personas, y Ringg ya completa más de 1000 reservas de citas al día.

La plataforma de inversión en línea Groww utiliza Ringg para resolver el 72 % de las consultas entrantes sobre salidas a bolsa, futuros y opciones íntegramente mediante autoservicio, con un tiempo medio de gestión de dos minutos.

Con las capacidades de uso del ordenador 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 informáticos, la asistencia de guardia ante incidencias y la tramitación de siniestros.

La empresa también está desarrollando una capa de contexto capaz de 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 de negocio obtenidos y el grado de automatización, en lugar del volumen de llamadas o el tamaño de la plantilla.