Gumagawa ang Parloa ng agent na gustong kausapin ng customer

Noong nagsisimula pa lamang ang Parloa, gumugol ng isang araw ang Co-founder na si Stefan Ostwald sa isang call center ng kompanya ng insurance, kung saan gumagawa ang kaniyang team ng mga unang voice experience. Habang nakaupo katabi ng mga agent, paulit-ulit niyang narinig ang parehong mga usapan: pag-reset ng password, mga tanong tungkol sa policy, at karaniwang mga pagbabago. Napagtanto niyang maaaring i-automate ang malaking bahagi ng gawaing iyon.

Matapos ang karanasang iyon, nagsimulang gumawa ang Parloa⁠(magbubukas sa bagong window), na nakabase sa Berlin, ng mga voice agent na gumagamit ng mga panuntunan upang i-automate ang napakaraming pakikipag-ugnayan sa customer.

Sa paglitaw ng ChatGPT, umunlad ang kompanya at binuo ang tinatawag ngayong AI Agent Management Platform (AMP), na gumagamit ng bagong henerasyon ng mga modelo kabilang ang GPT‑5.4.

Binibigyan ng AMP ang mga enterprise ng paraan upang magdisenyo, mag-deploy, at mamahala ng napakaraming pakikipag-ugnayan sa customer service. Sa halip na magbalangkas ng mahihigpit na intent at flow, inilalarawan ng mga team ang kilos sa natural na wika, ikinokonekta ito sa mga internal system, at mabilis na pinapahusay gamit ang mga built-in na simulation at evaluation.

Pinapatakbo ng Parloa ang mga pakikipag-ugnayang ito mula simula hanggang wakas, mula sa simpleng routing hanggang sa masalimuot at maraming hakbang na mga kahilingan. Nakatuon ito sa pagiging pare-pareho sa production, kung saan mahalaga ang performance, latency, at mga edge case. Para makamit ito, patuloy na sinusubukan ng Parloa ang mga modelo sa mga tunay na sitwasyon ng customer bago i-deploy ang mga ito.

Dinisenyo ang Agent Management Platform (AMP) ng Parloa upang makagawa ang mga business user at subject matter expert ng mga AI agent nang hindi nagsusulat ng code.

“Sa AMP, ang mga subject matter expert mula sa iba’t ibang business unit ay aktuwal na makakagawa ng mga agent at makakapagkonekta ng mga API sa mas episyente at simpleng paraan,” sabi ni O’Reilly.

Sa pangkalahatan, hinahayaan ng AMP ang mga brand na pamahalaan ang buong lifecycle ng AI agent. Ginagawa ito sa pamamagitan ng pagbibigay sa mga non-technical na team ng mas simpleng paraan upang tukuyin kung paano dapat kumilos ang isang agent bago ito ilunsad. Sa halip na magsulat ng code o bumuo ng mahihigpit na intent tree, itinatakda ng mga subject matter expert sa natural na wika ang tungkulin, mga tagubilin, tool, at hangganan ng agent. Ang configuration na iyon ang nagiging batayan ng prompt sa modelo at ng kilos ng system sa production.

Kapag natukoy na, sinusubukan ang agent bago ito i-deploy. Gumagamit ang Parloa ng mga modelong gaya ng GPT‑5.4 upang gayahin ang mga pag-uusap sa customer—isang modelo ang gumaganap bilang tumatawag at isa pa ang nagpapatakbo sa na-configure na agent. Maaaring direktang suriin ng mga team ang mga pakikipag-ugnayang ito, subukan ang mga pagbabago sa makatotohanang sitwasyon, at paulit-ulit na paghusayin ang mga ito bago ilunsad.

Pagkatapos, ginagamit ang parehong mga modelo upang suriin ang mga pag-uusap sa pamamagitan ng kumbinasyon ng mga deterministic check at LLM-as-a-judge scoring. Ipinapakita nito kung sinunod ng agent ang mga tagubilin, ginamit nang tama ang mga tool, at natapos ang gawain gaya ng inaasahan.

Sa isang live na pag-uusap, binibigyan ng orchestration layer ng AMP ang isang modelo ng OpenAI ng prompt na may configuration ng agent at konteksto ng usapan upang bumuo ng tugon, kumuha ng impormasyon sa pamamagitan ng RAG, o mag-trigger ng mga tool na nakikipag-ugnayan sa mga backend ng customer. Patuloy na ina-update ng Parloa ang layer na ito gamit ang pinakabagong henerasyon ng mga modelo kapag nagpapakita ang mga ito ng malinaw na pagbuti sa performance sa totoong mundo.

Pagkatapos ng usapan, ibinubuod ng mga hiwalay na workflow na pinapagana ng OpenAI ang pakikipag-ugnayan, inuuri ang intent ng customer, at sinusuri ang performance ayon sa mga itinakdang panuntunan.

Habang nagiging mas masalimuot ang mga agent, mas humihirap ang pagpapanatili ng iisang monolitikong prompt. Maaaring magdulot ng hindi sinasadyang mga side effect ang maliliit na pagbabago. Bilang tugon, nagpakilala ang Parloa ng modular na paraan. Maaaring paghiwa-hiwalayin sa mga natatanging sub-agent ang mga gawaing gaya ng authentication, pagbabago ng booking, o pag-update ng account. Pinapahusay nito ang pagsunod sa tagubilin at pinadadali ang paglinang sa mga system sa paglipas ng panahon.

Kasabay nito, gumagamit ang platform ng mga deterministic control sa mga bahaging pinakamahalaga ang pagiging maaasahan. Maaaring magtakda ang mga enterprise ng mga structured API chain at event-based logic upang matiyak na nasa tamang pagkakasunod-sunod ang mahahalagang hakbang, habang binabalanse ang pleksibilidad ng usapan at predictable na pagpapatupad.

Gumagamit ang Parloa ng mga modelong gaya ng GPT‑4.1, GPT‑5‑mini, at iba pa upang gayahin ang makatotohanang pakikipag-ugnayan sa customer bago ilunsad ang isang agent. Pagkatapos, sinusuri nito ang mga pakikipag-ugnayang iyon gamit ang kumbinasyon ng LLM-as-a-judge at mga deterministic rule. Dahil dito, masusubukan ng mga team ang mga edge case, mabilis na makakapagpahusay, at mapapatunayan ang performance bago makaranas ng aberya ang mga customer.

Pangunahing nakikipagtulungan ang Parloa sa malalaking enterprise, kung saan kasinghalaga ng kakayahan ang pagiging pare-pareho.

“Kapag may lumabas na bagong modelo, sinusubukan namin ito gamit ang aming benchmarking suite,” sabi ni Matthäus Deutsch, Senior Applied Scientist. “Napakahalaga sa amin na gumana ang mga bagay hindi lamang sa mga teoretikal na benchmark kundi pati sa aktuwal at totoong mga use case.”

Sa halip na umasa sa mga abstraktong benchmark, ginagaya ng Parloa ang mga tunay na production agent at pinatatakbo ang mga ito sa mga pipeline ng simulation at evaluation. Sinusukat ng mga pagsubok na ito ang pagiging maaasahan sa pagsunod sa tagubilin, pagiging pare-pareho ng pagtawag sa API, latency, at pangkalahatang performance sa makatotohanang kondisyon.

Tinutukoy ng mga evaluation na ito kung aling mga modelo ang handa na para sa production. Tanging mga modelong maaasahan sa iba’t ibang tunay na sitwasyon ng customer ang dini-deploy.

“May tunay na gastos sa migration ang mga enterprise customer,” sabi ni Deutsch. “Kapag gumagana na ang isang system sa production, pinananatili nila itong stable at lumilipat lamang kapag malinaw ang mga pakinabang.”

Dahil dito, predictable ang kilos ng mga system sa production kahit sa napakalaking saklaw. Sa milyon-milyong pakikipag-ugnayan sa customer, nalulutas nang walang aberya ang karamihan ng mga usapan. Kahit ilipat ang mga tawag sa mga taong agent, bihirang kabiguan ang dahilan ng escalation. Sa isang deployment, nabawasan ng isang pandaigdigang kompanya sa paglalakbay nang 80% ang mga kahilingang makausap ang isang taong agent.

Naging pangunahing bentahe ang pag-iisip na inuuna ang evaluation, kaya mabilis na nakakakilos ang Parloa nang hindi isinasakripisyo ang pagiging maaasahan sa production.

Iba ang mga limitasyon ng boses kumpara sa text-based chat. Dumaraan ang bawat pakikipag-ugnayan sa isang low-latency pipeline: speech-to-text, pangangatwiran ng modelo, at text-to-speech.

Dahil sa pipeline na ito, napakahalaga ng latency. Kahit ang maliliit na pagkaantala sa layer ng modelo ay naiipon at nagiging kapansin-pansing paghinto para sa tumatawag, kaya naaapektuhan kung paano pinipili at ino-optimize ang mga modelo.

Mahigpit na nakikipagtulungan ang Parloa sa OpenAI upang i-optimize ang performance para sa mga real-time na use case, na nakatuon sa latency, kalidad ng tugon, at pagsunod sa tagubilin. Patuloy na sinusuri at isinasailalim ng team sa stress test ang mga bagong iteration ng modelo sa mga environment na katulad ng production bago gamitin ang mga ito sa live na pakikipag-ugnayan sa customer.

Hiwalay na sinusuri ng Parloa ang bawat bahagi ng voice stack:

• Sinusubukan ang mga speech-to-text system para sa word error rate, lalo na sa sensitibong input gaya ng mga policy number o account identifier.
• Sinusuri ang mga modelong text-to-speech sa pamamagitan ng blind listening test upang malaman kung gaano kanatural ang tunog ng boses para sa mga tunay na user. Pagkatapos, inihahambing ang mga resultang iyon sa mga tunay na pakikipag-ugnayan sa customer upang matiyak ang pare-parehong performance sa mga production environment.
• Kasalukuyang sinusuri ang mga modelong speech-to-speech kung handa na ang mga ito para sa production, na nakatuon sa latency, katumpakan, at gastos.

Sa simula pa lamang, binuo na ang mga system na ito para sa pandaigdigang deployment. Saklaw ng mga benchmark ang maraming wika, at nagpapatakbo ang mga customer sa iba’t ibang rehiyon sa buong mundo. Sinasalamin ng mahigpit na pagsusuring ito sa maraming wika ang pinagmulang Europeo ng Parloa at ang mga inaasahan ng mga enterprise customer, na nangangailangan ng pare-parehong performance sa iba’t ibang market, hindi lamang sa iisang wika o rehiyon.

Sa kasalukuyan, pinangangasiwaan ng mga agent ng Parloa ang milyon-milyong usapan sa mga industriyang kabilang ang retail, paglalakbay, at insurance. Sinusuportahan nito ang mga use case mula sa pag-automate ng support hanggang sa mga flow na lumilikha ng kita, gaya ng teleshopping.

Nakikita ng Parloa na nagiging ganap na multimodal na karanasan ang customer service.

Maaaring magsimula ang usapan sa telepono, magpatuloy sa chat, at magsama ng mga link o interactive na elemento habang nagpapatuloy. Sa halip na ituring na magkakahiwalay na flow ang bawat hakbang, dinisenyo ang AMP upang pangasiwaan ang mga ito bilang iisang pakikipag-ugnayan. Sa paglipas ng panahon, maaaring maging kasinghalaga ng mga website at mobile app ang mga AI agent sa mga customer journey.

Habang mas maraming pakikipag-ugnayan sa customer ang ina-automate ng mga enterprise, nakatuon ang Parloa sa paggawa ng mga AI agent na sapat ang pagiging maaasahan, pleksibilidad, at tiwala upang gumana sa pandaigdigang saklaw.