Parloa rakentaa palveluagentteja, joille asiakkaat puhuvat
Parloa simuloi, arvioi ja käyttää yritysten puhepohjaisia asiakaspalvelujärjestelmiä OpenAI-mallien avulla.
Parloan alkuaikoina yksi perustajista, Stefan Ostwald, vietti päivän vakuutusyhtiön puhelinkeskuksessa, jonne hänen tiiminsä oli rakentanut ensimmäisiä puhepalveluja. Hän istui asiakaspalvelijoiden vieressä ja kuunteli samojen keskustelujen toistuvan yhä uudelleen: salasanojen palautuksia, vakuutusehtoihin liittyviä kysymyksiä ja tavanomaisia muutoksia. Hän ymmärsi, että suuren osan työstä voisi automatisoida.
Tämän kokemuksen jälkeen berliiniläinen Parloa(avautuu uudessa ikkunassa) alkoi kehittää sääntöpohjaisia puheagentteja suurten asiakaspalvelumäärien automatisointiin.
ChatGPT:n myötä yhtiö siirtyi kehittämään nykyistä AI Agent Management Platform (AMP) -alustaansa, joka perustuu uuden sukupolven malleihin, kuten GPT‑5.4:ään.
AMP:n avulla yritykset voivat suunnitella, ottaa käyttöön ja hallita asiakaspalvelutilanteita suuressa mittakaavassa. Jäykkien intentioiden ja työnkulkujen kartoittamisen sijaan tiimit määrittävät toiminnan luonnollisella kielellä, yhdistävät sisäiset järjestelmät ja tekevät nopeasti parannuksia sisäänrakennettujen simulaatioiden ja arviointien avulla.
Parloa hoitaa nämä vuorovaikutustilanteet alusta loppuun yksinkertaisesta reitityksestä monimutkaisiin, monivaiheisiin pyyntöihin. Keskiössä on tuotantoympäristön tasalaatuisuus, sillä suorituskyvyllä, viiveellä ja poikkeustapauksilla on merkitystä. Tämän saavuttamiseksi Parloa testaa malleja jatkuvasti todellisilla asiakasskenaarioilla ennen käyttöönottoa.
”Malleilla on merkitystä vain, jos ne toimivat tuotannossa. Teemme tiivistä yhteistyötä OpenAI:n kanssa, jotta mallit olisivat riittävän nopeita ja luotettavia reaaliaikaisiin keskusteluihin.”
Parloan Agent Management Platform (AMP) on suunniteltu niin, että liiketoimintakäyttäjät ja aihealueiden asiantuntijat voivat rakentaa tekoälyagentteja kirjoittamatta koodia.
”AMP:n avulla eri liiketoimintayksiköiden asiantuntijat voivat itse rakentaa agentit ja yhdistää ohjelmointirajapinnat huomattavasti kevyemmin ja yksinkertaisemmin”, O’Reilly sanoo.
Yleisellä tasolla AMP auttaa brändejä hallitsemaan tekoälyagentin koko elinkaarta. Se tarjoaa ei-teknisille tiimeille yksinkertaisen tavan määrittää agentin toiminta ennen tuotantoon siirtymistä. Koodin kirjoittamisen tai jäykkien intentiopuiden kartoittamisen sijaan asiantuntijat määrittävät agentin roolin, ohjeet, työkalut ja rajat luonnollisella kielellä. Tämä määritys toimii pohjana mallille annettaville kehotteille ja järjestelmän toiminnalle tuotannossa.
Kun agentti on määritetty, se testataan ennen käyttöönottoa. Parloa simuloi asiakaskeskusteluja GPT‑5.4:n kaltaisilla malleilla: yksi malli toimii soittajana ja toinen suorittaa määritettyä agenttia. Tiimit voivat tarkastella näitä vuorovaikutustilanteita, testata muutoksia realistisilla skenaarioilla ja kehittää järjestelmää ennen tuotantoon siirtymistä.
Samat mallit arvioivat keskustelut determinististen tarkistusten ja suurta kielimallia arvioijana käyttävien pisteytysten yhdistelmällä. Näin nähdään, noudattiko agentti ohjeita, käyttikö se työkaluja oikein ja suorittiko se tehtävän odotetusti.
Reaaliaikaisen keskustelun aikana AMP:n orkestrointikerros antaa OpenAI-mallille kehotteena agentin määritykset ja keskustelukontekstin, jotta malli voi tuottaa vastauksen, hakea tietoa RAG-menetelmällä tai käyttää työkaluja asiakkaan taustajärjestelmien kanssa toimimiseen. Parloa päivittää tätä kerrosta jatkuvasti uusimman sukupolven malleilla, kun niiden suorituskyky todellisissa käyttötilanteissa paranee selvästi.
Keskustelun jälkeen erilliset OpenAI:hin perustuvat työnkulut tekevät vuorovaikutuksesta yhteenvedon, luokittelevat asiakkaan intention ja arvioivat suorituskykyä määritettyjen sääntöjen perusteella.
Agenttien monimutkaistuessa yhden monoliittisen kehotteen ylläpito vaikeutui. Pienilläkin muutoksilla saattoi olla tahattomia sivuvaikutuksia. Siksi Parloa otti käyttöön modulaarisen lähestymistavan. Tunnistautumisen, varausmuutosten ja tilitietojen päivitysten kaltaiset tehtävät voidaan jakaa erillisille aliagenteille. Tämä parantaa ohjeiden noudattamista ja helpottaa järjestelmien kehittämistä ajan mittaan.
Samalla alustaan sisältyy deterministisiä hallintakeinoja niissä kohdissa, joissa luotettavuus on tärkeintä. Yritykset voivat määrittää jäsenneltyjä API-ketjuja ja tapahtumapohjaista logiikkaa varmistaakseen kriittisten vaiheiden oikean järjestyksen. Näin keskustelun joustavuus yhdistyy ennakoitavaan suoritukseen.
Parloa simuloi GPT‑4.1:n, GPT‑5‑minin ja muiden mallien avulla realistisia asiakastilanteita ennen agentin käyttöönottoa. Sen jälkeen tilanteet arvioidaan käyttämällä sekä suurta kielimallia arvioijana että deterministisiä sääntöjä. Näin tiimit voivat testata poikkeustapauksia, tehdä nopeasti parannuksia ja varmistaa suorituskyvyn ennen kuin asiakkaat altistuvat virheille.
Parloa työskentelee pääasiassa suuryritysten kanssa, joille tasalaatuisuus on yhtä tärkeää kuin toiminnallisuus.
”Kun uusi malli julkaistaan, testaamme sen vertailutestikokonaisuudellamme”, sanoo vanhempi soveltava tutkija Matthäus Deutsch. ”Meille on erittäin tärkeää, että ratkaisut toimivat paitsi teoreettisissa vertailutesteissä myös todellisissa käyttötapauksissa.”
Abstrakteihin vertailutesteihin luottamisen sijaan Parloa jäljittelee todellisia tuotantoagentteja ja ajaa niitä simulaatio- ja arviointiputkien läpi. Testeillä mitataan ohjeiden noudattamisen luotettavuutta, API-kutsujen johdonmukaisuutta, viivettä ja yleistä suorituskykyä realistisissa olosuhteissa.
Arviointien perusteella ratkaistaan, mitkä mallit ovat valmiita tuotantoon. Käyttöön otetaan vain mallit, jotka toimivat luotettavasti todellisissa asiakasskenaarioissa.
”Yritysasiakkaille siirtymisestä aiheutuu todellisia kustannuksia”, Deutsch sanoo. ”Kun järjestelmä toimii tuotannossa, se pidetään vakaana ja vaihdetaan vain, jos hyödyt ovat selvät.”
Tämän ansiosta järjestelmät toimivat tuotannossa ennakoitavasti suuressakin mittakaavassa. Miljoonissa asiakaskohtaamisissa useimmat keskustelut ratkeavat vaivattomasti. Vaikka puhelu siirrettäisiin ihmisasiakaspalvelijalle, syynä on harvoin järjestelmän epäonnistuminen. Eräässä käyttöönotossa maailmanlaajuinen matkailuyhtiö vähensi ihmisasiakaspalvelijaa koskevia pyyntöjä 80 prosentilla.
Arvioinnin asettamisesta etusijalle on tullut keskeinen kilpailuetu, jonka ansiosta Parloa voi edetä nopeasti tinkimättä tuotantoympäristön luotettavuudesta.
Puhe asettaa erilaisia vaatimuksia kuin tekstipohjainen keskustelu. Jokainen vuorovaikutustilanne kulkee pienen viiveen käsittelyputken läpi: puhe tekstiksi, mallin päättely ja teksti puheeksi.
Tässä käsittelyputkessa viive on ratkaisevan tärkeä. Pienetkin viiveet mallikerroksessa kasautuvat soittajan havaitsemiksi tauoiksi, mikä vaikuttaa mallien valintaan ja optimointiin.
Parloa optimoi tiiviissä yhteistyössä OpenAI:n kanssa reaaliaikaisten käyttötapausten suorituskykyä keskittyen viiveeseen, vastausten laatuun ja ohjeiden noudattamiseen. Tiimi arvioi ja kuormitustestaa jatkuvasti uusia malliversioita tuotantoa vastaavissa ympäristöissä ennen niiden käyttöönottoa todellisissa asiakaskohtaamisissa.
Parloa arvioi puheteknologiapinon jokaisen osan erikseen:
- Puheesta tekstiksi -järjestelmien sanatarkkuutta testataan erityisesti vakuutusnumeroiden ja asiakastunnisteiden kaltaisilla arkaluonteisilla syötteillä.
- Tekstistä puheeksi -malleja arvioidaan sokkokuuntelutesteillä, joissa selvitetään, kuinka luonnolliselta ääni kuulostaa todellisille käyttäjille. Tuloksia verrataan sitten todellisiin asiakaskohtaamisiin, jotta tuotantoympäristön tasainen suorituskyky voidaan varmistaa.
- Puheesta puheeksi -mallien tuotantovalmiutta arvioidaan parhaillaan keskittyen viiveeseen, tarkkuuteen ja kustannuksiin.
Järjestelmät on alusta lähtien suunniteltu maailmanlaajuiseen käyttöön. Vertailutestit kattavat useita kieliä, ja asiakkaat toimivat eri puolilla maailmaa. Monikielisen testauksen perusteellisuus kuvastaa sekä Parloan eurooppalaisia juuria että yritysasiakkaiden odotuksia: he tarvitsevat tasaista suorituskykyä kaikilla markkinoilla, eivät vain yhdellä kielellä tai yhdellä alueella.
Nykyään Parloan agentit käyvät miljoonia keskusteluja esimerkiksi vähittäiskaupan, matkailun ja vakuutusalan asiakkaiden kanssa. Käyttötapaukset vaihtelevat asiakastuen automatisoinnista tuloja tuottaviin työnkulkuihin, kuten puhelinmyyntiin.
Parloa uskoo asiakaspalvelun kehittyvän täysin multimodaaliseksi kokemukseksi.
Keskustelu voi alkaa puhelimessa, jatkua chatissa ja sisältää matkan varrella linkkejä tai vuorovaikutteisia elementtejä. AMP on suunniteltu käsittelemään kaikki vaiheet yhtenä vuorovaikutustilanteena erillisten työnkulkujen sijaan. Ajan mittaan tekoälyagenteista voi tulla verkkosivustojen ja mobiilisovellusten veroinen osa asiakaspolkuja.
Kun yritykset automatisoivat yhä suuremman osan asiakaskohtaamisistaan, Parloa keskittyy tekemään tekoälyagenteista riittävän luotettavia, joustavia ja luottamusta herättäviä maailmanlaajuiseen käyttöön.
