عامل‌های Ringg با OpenAI تا ۶۵٪ تماس‌ها را پاسخ می‌دهند

با افزایش حجم تماس‌ها، بخش خدمات مشتریان معمولاً با جذب نیروی بیشتر گسترش می‌یابد، اما این کار هزینه و پیچیدگی هر تعامل را افزایش می‌دهد. Ringg⁠(در یک پنجره جدید باز می‌شود)، پلتفرم عامل‌های صوتی و گفتگویی، هنگام همکاری با شرکت‌های بزرگ ارائه‌دهنده خدمات به مصرف‌کنندگان در هند، این مشکل را از نزدیک دید.

این شرکت‌ها نه‌تنها در پاسخ‌گویی به تماس‌های بیشتر مشکل داشتند، بلکه کارکنان خدمات مشتریانشان نیز برای کمک به مشتریان در کارهایی مانند خرید بیمه یا رزرو نوبت، با سیستم‌های پراکنده و دستی دست‌وپنجه نرم می‌کردند.

این تجربه باعث شد Ringg پلتفرمی سازمانی برای عامل‌ها بسازد که مدل‌های پربازدهی مانند GPT‑5.6 در هسته آن قرار دارند و تماس صوتی، چت، واتس‌اپ و وب را پوشش می‌دهد. انتقال پردازش‌های بلادرنگِ مناسب از GPT‑4.1 به GPT‑5.6، هزینه مدل را حدود ۹۰٪ کاهش داد و در عین حال، کیفیت و تأخیر موردنیاز را تأمین کرد.

عامل‌های Ringg اکنون ماهانه بیش از ۷ میلیون تماس برقرارشده را مدیریت می‌کنند و مشتریان این شرکت، میانگین امتیاز رضایت مشتری (CSAT) برابر با ۴٫۸ دارند.

تکمیل درخواست مشتری ممکن است نیازمند بررسی بیمه‌نامه، بازیابی سابقه حساب، رزرو نوبت، به‌روزرسانی سیستم مدیریت ارتباط با مشتری (CRM) یا انتقال گفتگو به متخصص با حفظ اطلاعات مرتبط باشد.

Ringg در تعاملات بلادرنگ از GPT‑5.6 Luna و مدل‌های دیگر برای درک درخواست مشتری، انتخاب ابزار و راهنمایی مشتریان در فرایندهای چندمرحله‌ای استفاده می‌کند. لایه هماهنگ‌سازی Ringg، اقدامات را در سیستم‌های CRM، پلتفرم‌های تیکتینگ، سیستم‌های پرداخت، ابزارهای زمان‌بندی و APIهای داخلی اجرا می‌کند و در صورت نیاز، موارد را همراه با خلاصه گفتگو به نیروی انسانی ارجاع می‌دهد.

سیستم دانش Ringg، فیلترسازی ساختاریافته را با بازیابی معنایی در مجموعه‌داده‌ها، فایل‌های PDF و CSV و اسناد کسب‌وکار ترکیب می‌کند تا عامل‌ها با استفاده از اطلاعات مرتبط سازمان به پرسش‌ها پاسخ دهند.

Ringg همچنین می‌تواند کار را میان زیرعامل‌های تخصصی برای احراز شرایط، پشتیبانی، تأیید اطلاعات، زمان‌بندی و ارجاع به سطوح بالاتر تقسیم کند. این پلتفرم مراحل را هماهنگ می‌کند و هم‌زمان، انسجام گفتگو با مشتری را در تماس صوتی، چت، واتس‌اپ و وب حفظ می‌کند.

Ringg پس از مقایسه OpenAI با گزینه‌های دیگر از نظر کیفیت گفتگو، تأخیر، پیروی از دستورها، فراخوانی ابزار، عملکرد چندزبانه، قابلیت اتکا و هزینه، دریافت که OpenAI در مجموع بهترین توازن را برای پردازش‌ها در محیط عملیاتی ارائه می‌دهد.

GPT‑5.6 و دیگر مدل‌های OpenAI در پیروی از دستورهای پیچیده، اجرای فراخوانی ابزارها، حفظ زمینه گفتگو و عملکرد قابل اتکا در مقیاس سازمانی نیز ثبات بیشتری داشتند.

Ringg هر کار را بر اساس نیازهای آن به مدل مشخصی از OpenAI می‌سپارد. GPT‑4.1 بیشتر ترافیک بلادرنگِ تماس صوتی و چت را پردازش می‌کند. GPT‑5.6 Luna همچنان در مجموعه فناوری‌های محیط عملیاتی حضور دارد و هرگاه عملکرد، تأخیر یا نسبت هزینه به عملکردش برای درخواستی مناسب‌تر باشد، به کار می‌رود. GPT‑5.6 Terra تحلیل پس از تماس، از جمله خلاصه‌سازی و طبقه‌بندی احساسات را انجام می‌دهد. GPT‑5.6 Sol نیز در ارزیابی، بهبود اعلان و فرایندهایی که در آن‌ها مدل نقش داور را دارد، به کار می‌رود.

وقتی مشتری در تماس صوتی صحبت می‌کند یا پیام چت می‌فرستد، سیستم هماهنگ‌سازی Ringg این ورودی را با دستورهای عامل، سابقه گفتگو، داده‌های خاص مشتری، اطلاعات مرتبط از پایگاه دانش و ابزارهای در دسترس ترکیب می‌کند. سپس لایه مسیریابی Ringg، مدل و پیکربندی مناسب را انتخاب می‌کند. خروجی مدل از سیستم هماهنگ‌سازی عبور می‌کند و از طریق کانال منتخب مشتری به او می‌رسد.

در تعاملات طولانی‌تر، وقتی حجم زمینه به حدود ۸۰٬۰۰۰ توکن نزدیک می‌شود، سیستم خلاصه‌ای ساختاریافته ایجاد می‌کند. به این ترتیب، گفتگو با حفظ اطلاعات مهم ادامه می‌یابد، بی‌آنکه لازم باشد کل سابقه مرتباً دوباره ارسال شود.

Ringg پیش از استقرار مدل‌ها در محیط عملیاتی، آن‌ها را با گفتگوهای گذشته و مسیرهای شبیه‌سازی‌شده مشتری آزمایش می‌کند. پلتفرم ارزیابی این شرکت با استفاده از نتایج، نقاط ضعف را شناسایی می‌کند و پیشنهادهایی برای بهبود اعلان می‌دهد؛ به این ترتیب، چرخه‌ای مستمر برای بهبود عامل‌ها و پیکربندی‌هایشان شکل می‌گیرد.

یکی از ارزیابی‌ها به فرایند تحلیل پس از تماس Ringg مربوط می‌شد. این شرکت GPT‑5.6 Terra را در برابر گزینه‌هایی مانند Gemini 2.5 Flash آزمایش کرد و Terra بهترین نتیجه را گرفت. Ringg خلاصه‌سازی و طبقه‌بندی احساسات را به GPT‑5.6 Terra سپرد. Terra ضمن حفظ دقت بالا در خلاصه‌سازی و تحلیل احساسات، صرفه اقتصادی هر پردازش را به‌طور چشمگیری بهبود داد.

این شرکت مدل‌ها را در زبان‌ها و گونه‌های منطقه‌ای مختلف نیز آزمایش می‌کند؛ از جمله گفتگوهایی که زبان در آن‌ها عوض می‌شود یا انگلیسی با عبارت‌های زبان محلی ترکیب می‌شود، رفتاری رایج در بازارهای هدف شرکت. GPT‑5.6 Terra با دقتی تا ۹۷٪ در زبان‌های رایج منطقه‌ای، از Gemini 2.5 Flash بهتر عمل کرد و GPT‑5.6 را به گزینه‌ای مناسب‌تر برای عامل‌های خدمت‌رسان به مشتریان Ringg تبدیل کرد.

مدل‌هایی که آزمون‌های آفلاین را با موفقیت می‌گذرانند، پیش از عرضه گسترده، روی بخش کوچکی از ترافیک محیط عملیاتی به کار گرفته می‌شوند. در محیط عملیاتی، مسیریاب Ringg تأخیر و سلامت نقطه‌های پایان را در مناطق مختلف پایش می‌کند و اگر نقطه پایانی از دسترس خارج شود یا تأخیرش از حد تعیین‌شده بگذرد، ترافیک را به مسیر دیگری می‌فرستد. گره‌های تخصصی، هشدارها و استقرارهای نسخه‌بندی‌شده به جداسازی مشکلات و محدود کردن اثرشان کمک می‌کنند.

این رویکرد به Ringg کمک می‌کند صرفه اقتصادی هر پردازش را نیز بهبود دهد. انتقال برخی پردازش‌های بلادرنگ از GPT‑4.1 به GPT‑5.6 Luna، هزینه مدل را حدود ۹۰٪ کاهش داد.

عامل‌های Ringg برای شرکت‌های مشتری خود، به حداکثر ۶۵٪ پرسش‌های معمول مشتریان بدون هیچ دخالت نیروی انسانی رسیدگی می‌کنند.

Policybazaar، یکی از بزرگ‌ترین پلتفرم‌های آنلاین بیمه در هند، با استفاده از Ringg برای بیش از ۵۷٬۰۰۰ درخواست مشتری ارتباط برقرار می‌کند و ۶۷٪ تماس‌ها بدون دخالت انسان مدیریت می‌شوند. میانگین زمان پاسخ‌گویی Policybazaar از ۸ تا ۱۲ دقیقه به کمتر از ۶۰ ثانیه رسید؛ بهبودی حدود ۸۸٪.

در Practo، پلتفرم جهانی خدمات سلامت، عامل‌های Ringg به مشتریان در رزرو نوبت درمانی و تکمیل درخواست‌های خدمات کمک می‌کنند. پس از استقرار، Practo به نرخ ۸۵٪ حل درخواست در اولین تماس و زمان پاسخ‌گویی کمتر از سه ثانیه دست یافت. هزینه‌های عملیاتی نسبت به فرایند قبلیِ متکی به نیروی انسانی، ۷۰٪ کاهش یافت و Ringg اکنون روزانه بیش از ۱٬۰۰۰ نوبت رزرو می‌کند.

پلتفرم سرمایه‌گذاری آنلاین Groww با استفاده از Ringg به ۷۲٪ پرسش‌های دریافتی درباره عرضه اولیه سهام، قراردادهای آتی و اختیار معامله، کاملاً به‌صورت سلف‌سرویس رسیدگی می‌کند؛ میانگین زمان رسیدگی دو دقیقه است.

Ringg با استفاده از قابلیت‌های کار با رایانه در OpenAI، عامل‌های مرورگر را برای راه‌اندازی و آشنایی کاربران با پلتفرم، فرایندهای شناخت مشتری (KYC)، عیب‌یابی فناوری اطلاعات، پشتیبانی آماده‌باش برای رخدادها و رسیدگی به درخواست‌های خسارت توسعه می‌دهد.

این شرکت همچنین در حال توسعه لایه‌ای برای زمینه است که اطلاعات را در کانال‌ها و تعاملات مختلف حفظ می‌کند. مشتری می‌تواند درخواستی را با تماس صوتی آغاز کند، در واتس‌اپ ادامه دهد و در مرورگر به پایان برساند، بی‌آنکه هر بار مجبور به تکرار همان جزئیات باشد.

از نگاه Ringg، معیار سنجش نسل بعدی عملیات خدمات مشتریان، نتایج محقق‌شده کسب‌وکار و عمق خودکارسازی خواهد بود، نه حجم تماس‌ها یا تعداد کارکنان.