Ringgin agentit hoitavat jopa 65 % puheluista OpenAI:n avulla
GPT‑5.6:n avulla Ringgin monikieliset agentit palvelevat puheluissa, chatissa, WhatsAppissa ja verkossa 90 % pienemmin kustannuksin kuin GPT‑4.1:llä.
Yli 7 milj.
Käsiteltyjä yhdistettyjä puheluita kuukaudessa
65 %
Agentit ratkaisevat jopa 65 % pyynnöistä
90 %
Pienemmät kustannukset kuin GPT-4.1:llä valituissa tehtävissä
4,8
Asiakkaiden keskimääräinen CSAT
Kun puhelumäärät kasvavat, asiakaspalvelua laajennetaan yleensä lisäämällä henkilöstöä. Tämä kuitenkin nostaa kustannuksia ja monimutkaistaa jokaisen yhteydenoton käsittelyä. Puhe- ja chat-agenttialusta Ringg(avautuu uudessa ikkunassa) kohtasi tämän ongelman tehdessään yhteistyötä Intian suurten kuluttajayritysten kanssa.
Yritysten haasteena eivät olleet vain kasvavat puhelumäärät. Myös asiakaspalvelijat kamppailivat hajanaisten, manuaalista työtä vaativien järjestelmien kanssa auttaessaan asiakkaita esimerkiksi ostamaan vakuutuksia tai varaamaan aikoja.
Näiden kokemusten pohjalta Ringg rakensi yrityksille agenttialustan, jonka ytimessä ovat GPT‑5.6:n kaltaiset tehokkaat mallit. Alusta kattaa puhelut, chatin, WhatsAppin ja verkon. Soveltuvien reaaliaikaisten tehtävien siirtäminen GPT‑4.1:stä GPT‑5.6:een pienensi mallikustannuksia noin 90 % ja täytti samalla laatu- ja viivevaatimukset.
”Mallin laatu on vain osa kokonaisuutta. Tarvitsemme myös pientä viivettä, luotettavaa työkalujen käyttöä, tarkkaa ohjeiden noudattamista ja laajassakin käytössä kannattavia ratkaisuja. OpenAI tarjosi tarvitsemamme tasapainon.”
Ringgin agentit käsittelevät nyt yli 7 miljoonaa yhdistettyä puhelua kuukaudessa, ja sen asiakkaiden keskimääräinen asiakastyytyväisyyspistemäärä (CSAT) on 4,8.
Asiakkaan pyynnön hoitaminen voi edellyttää agentilta vakuutuksen tarkistamista, tilitietojen hakemista, ajan varaamista, CRM-järjestelmän päivittämistä tai keskustelun siirtämistä asiantuntijalle niin, että olennaiset taustatiedot säilyvät.
Reaaliaikaisessa vuorovaikutuksessa Ringg käyttää GPT‑5.6 Lunaa ja muita malleja asiakkaiden pyyntöjen tulkitsemiseen, työkalujen valintaan ja asiakkaiden opastamiseen monivaiheisissa työnkuluissa. Ringgin orkestrointikerros suorittaa toimintoja CRM-, tukipyyntö- ja maksujärjestelmissä, ajanvaraustyökaluissa sekä sisäisissä API-rajapinnoissa. Tarvittaessa se siirtää tapauksen ihmiselle ja liittää mukaan keskustelun yhteenvedon.
Ringgin tietojärjestelmä yhdistää rakenteisen suodatuksen semanttiseen hakuun tietoaineistoista, PDF- ja CSV-tiedostoista sekä yritysasiakirjoista. Näin agentit voivat vastata kysymyksiin olennaisten yritystietojen pohjalta.
Ringg voi myös jakaa tehtäviä aliagenteille, jotka ovat erikoistuneet asiakkaiden soveltuvuuden arviointiin, tukeen, todentamiseen, ajanvaraukseen tai tapausten siirtämiseen jatkokäsittelyyn. Alusta koordinoi näitä vaiheita ja pitää samalla asiakaskeskustelun yhtenäisenä puheluissa, chatissa, WhatsAppissa ja verkossa.
Ringg vertaili OpenAI:ta vaihtoehtoihin keskustelun laadun, viiveen, ohjeiden noudattamisen, työkalukutsujen, monikielisen suorituskyvyn, luotettavuuden ja kustannusten osalta. OpenAI osoittautui tasapainoisimmaksi kokonaisuudeksi tuotantokäyttöön.
GPT‑5.6 ja muut OpenAI-mallit suoriutuivat myös tasaisemmin monimutkaisten ohjeiden noudattamisesta, työkalukutsuista ja keskustelukontekstin säilyttämisestä sekä toimivat luotettavammin yrityskäytön mittakaavassa.
Ringg reitittää tehtävät tietylle OpenAI-mallille niiden vaatimusten perusteella. GPT‑4.1 käsittelee suurimman osan reaaliaikaisesta puhe- ja chat-liikenteestä. GPT‑5.6 Luna on edelleen osa tuotantojärjestelmää. Sitä käytetään, kun sen suorituskyky, viive tai hinta-laatusuhde sopii pyyntöön paremmin. GPT‑5.6 Terra hoitaa puhelujen jälkianalyysin, kuten yhteenvedot ja tunnesävyjen luokittelun. GPT‑5.6 Sol puolestaan tukee arviointia, kehotteiden parantamista ja työnkulkuja, joissa malli toimii arvioijana.
Kun asiakas puhuu puhelussa tai lähettää chat-viestin, Ringgin orkestrointijärjestelmä yhdistää syötteen agentin ohjeisiin, keskusteluhistoriaan, asiakaskohtaisiin tietoihin, tietopohjan olennaiseen kontekstiin ja käytettävissä oleviin työkaluihin. Tämän jälkeen Ringgin reitityskerros valitsee sopivan mallin ja määritykset. Mallin tuotos kulkee orkestrointijärjestelmän läpi ja toimitetaan asiakkaan valitsemassa kanavassa.
Pitkissä keskusteluissa järjestelmä luo jäsennellyn yhteenvedon, kun kontekstin koko lähestyy noin 80 000 tokenia. Keskustelu voi näin jatkua olennaisten tietojen säilyessä ilman, että koko historiaa lähetetään yhä uudelleen.
Ringg testaa malleja aiempien keskustelujen ja simuloitujen asiakaspolkujen avulla ennen tuotantokäyttöönottoa. Sen arviointialusta tunnistaa tuloksista heikkouksia ja ehdottaa parannuksia kehotteisiin. Näin agentteja ja määrityksiä voidaan kehittää jatkuvasti.
Yhdessä arvioinnissa tarkasteltiin Ringgin puhelujen jälkianalyysin työnkulkua. Yritys vertaili GPT‑5.6 Terraa muun muassa Gemini 2.5 Flashiin, ja Terra osoittautui parhaaksi. Ringg siirsi yhteenvedot ja tunnesävyjen luokittelun GPT‑5.6 Terralle. Terra säilytti yhteenvetojen ja sävyanalyysin hyvän tarkkuuden ja paransi samalla merkittävästi tehtäväkohtaista kannattavuutta.
Yritys testaa malleja myös eri kielillä ja alueellisilla kielimuodoilla. Testeissä on mukana keskusteluja, joissa vaihdetaan kieltä tai yhdistetään englantiin paikalliskielisiä ilmauksia – kuten sen palvelemilla markkinoilla usein tehdään. GPT‑5.6 Terra päihitti Gemini 2.5 Flashin ja saavutti jopa 97 %:n tarkkuuden yleisillä alueellisilla kielillä. Siksi GPT‑5.6 soveltuu paremmin Ringgin asiakkaita palveleviin agentteihin.
Tuotannon ulkopuoliset testit läpäisevät mallit otetaan ensin käyttöön pienessä osassa tuotantoliikennettä, minkä jälkeen käyttöä laajennetaan. Tuotannossa Ringgin reititin seuraa viivettä ja endpointien toimintakuntoa eri alueilla. Se siirtää liikennettä, jos endpoint ei ole käytettävissä tai sen viive ylittää raja-arvon. Erikoistuneet solmut, hälytykset ja versioidut käyttöönotot auttavat eristämään ongelmat ja rajaamaan niiden vaikutuksia.
Tämä lähestymistapa auttaa Ringgiä myös parantamaan tehtäväkohtaista kannattavuutta. Tiettyjen reaaliaikaisten tehtävien siirtäminen GPT‑4.1:stä GPT‑5.6 Lunaan pienensi mallikustannuksia noin 90 %.
”OpenAI on reagoinut nopeasti, kun olemme tarvinneet tukea mallien vaihtamiseen. Meille osoitettu Slack-tuki ja suora yhteys ydinkehitystiimiin auttavat meitä etenemään nopeasti ja vähentämään teknistä epävarmuutta, julkaisemaan nopeammin ja laajentamaan agenttiemme kykyjä.”
Ringgin agentit ratkaisevat sen asiakkaiden puolesta jopa 65 % tavanomaisista asiakasyhteydenotoista ilman ihmisasiakaspalvelijan osallistumista.
Policybazaar, yksi Intian suurimmista verkkovakuutusalustoista, yhdistää Ringgin avulla yli 57 000 asiakaspyyntöä, ja 67 % puheluista hoidetaan ilman ihmisen osallistumista. Policybazaarin keskimääräinen vastausaika lyheni 8–12 minuutista alle 60 sekuntiin, eli noin 88 %.
Maailmanlaajuisella terveydenhuoltoalustalla Practolla Ringgin agentit auttavat asiakkaita varaamaan terveydenhuollon aikoja ja hoitamaan palvelupyyntöjä. Käyttöönoton jälkeen Practo saavutti 85 %:n ratkaisuasteen ensimmäisellä puhelulla ja alle kolmen sekunnin vastausajat. Toimintakustannukset laskivat 70 % aiempaan, ihmisten hoitamaan työnkulkuun verrattuna. Ringg tekee nyt yli 1 000 ajanvarausta päivässä.
Verkkosijoitusalusta Groww ratkaisee Ringgin avulla 72 % listautumisanteihin, futuureihin ja optioihin liittyvistä yhteydenotoista kokonaan itsepalveluna. Keskimääräinen käsittelyaika on kaksi minuuttia.
Ringg kehittää OpenAI:n tietokoneenkäyttöominaisuuksien avulla selainagentteja alustojen käytön aloittamiseen, asiakkaan tuntemisprosesseihin (KYC), IT-vianmääritykseen, häiriötilanteiden päivystystukeen ja korvaushakemusten käsittelyyn.
Yritys kehittää myös kontekstikerrosta, joka säilyttää tiedot eri kanavien ja yhteydenottojen välillä. Asiakas voisi aloittaa asian hoitamisen puhelimitse, jatkaa WhatsAppissa ja viimeistellä sen selaimessa joutumatta toistamaan samoja tietoja joka kerta.
”OpenAI:n tietokoneenkäyttöominaisuudet vauhdittivat selainagenttiemme kehitystä. Niiden avulla voimme yhdistää käyttäjän näytön tapahtumat keskustelun kontekstiin, jolloin agentit voivat opastaa ihmisiä monimutkaisissa työnkuluissa reaaliaikaisesti.”
Ringgin näkemyksen mukaan seuraavan sukupolven asiakaspalvelutoimintaa mitataan saavutetuilla liiketoimintatuloksilla ja automaation syvyydellä, ei puhelumäärillä tai henkilöstön koolla.
