Ringg AI: Hanggang 65% ng tawag nalulutas sa tulong ng OpenAI
Gamit ang GPT‑5.6, pinapagana ng Ringg ang mga agent sa iba't ibang wika sa voice, chat, WhatsApp, at web, na 90% mas mababa ang gastos kaysa sa GPT‑4.1.
7M+
Mga nakakonektang tawag na pinangangasiwaan bawat buwan
65%
Hanggang 65% ng mga kahilingan ang nalulutas ng mga agent
90%
Mas mababang gastos kaysa sa GPT-4.1 para sa mga piling workload
4.8
Average na CSAT ng mga kliyente
Kapag dumarami ang mga tawag, karaniwang nagdaragdag ng tauhan ang customer service, pero tumataas din ang gastos at nagiging mas masalimuot ang bawat pakikipag-ugnayan. Direktang naranasan ng Ringg(magbubukas sa bagong window), isang platform para sa mga voice at chat agent, ang problemang ito habang nakikipagtulungan sa malalaking negosyong nagseserbisyo sa mga mamimili sa India.
Hindi lang hirap ang mga kumpanyang ito sa pagsagot ng mas maraming tawag. Nahihirapan din ang kanilang mga kawani sa customer service sa magkakahiwalay at manwal na sistema para tulungang matapos ng mga customer ang mga gawain, mula sa pagbili ng insurance hanggang sa pag-book ng appointment.
Dahil dito, bumuo ang Ringg ng agent platform para sa mga negosyo na nakasentro sa episyenteng mga modelo tulad ng GPT‑5.6 at sumasaklaw sa voice, chat, WhatsApp, at web. Sa paglipat ng angkop na mga real-time workload mula GPT‑4.1 patungong GPT‑5.6, bumaba nang humigit-kumulang 90% ang gastos sa modelo habang natutugunan ang kinakailangang kalidad at latency.
“Isa lang sa mga mahalagang salik ang kalidad ng modelo. Kailangan din namin ng mababang latency, maaasahang paggamit ng mga tool, mahusay na pagsunod sa mga tagubilin, at gastos na kaya naming tustusan habang lumalaki ang operasyon. Ibinigay sa amin ng OpenAI ang balanseng kailangan namin.”
Pinangangasiwaan na ngayon ng mga agent ng Ringg ang mahigit 7 milyong nakakonektang tawag bawat buwan, at may average na 4.8 na customer satisfaction (CSAT) score ang mga kliyente nito.
Para matugunan ang kahilingan ng customer, maaaring kailanganin ng mga agent na suriin ang isang polisa, kunin ang rekord ng account, magtakda ng appointment, mag-update ng CRM, o ilipat ang pag-uusap sa isang espesyalista nang buo ang mahalagang konteksto.
Para sa real-time na pakikipag-ugnayan, gumagamit ang Ringg ng GPT‑5.6 Luna at iba pang modelo para unawain ang mga kahilingan, pumili ng mga tool, at gabayan ang mga customer sa mga workflow na maraming hakbang. Nagsasagawa ng mga aksyon ang orchestration layer ng Ringg sa mga CRM, ticketing platform, payment system, scheduling tool, at internal API. Kapag kailangan, ipinapasa nito ang mga kaso sa isang tao kasama ang buod ng pag-uusap.
Pinagsasama ng knowledge system ng Ringg ang structured filtering at semantic retrieval sa mga dataset, PDF, CSV, at dokumento ng negosyo para masagot ng mga agent ang mga tanong gamit ang kaugnay na impormasyon ng kumpanya.
Maaari ring hatiin ng Ringg ang trabaho sa mga espesyalisadong subagent para sa pagsusuri ng kwalipikasyon, suporta, beripikasyon, pag-iskedyul, at pag-escalate. Pinag-uugnay ng platform ang mga hakbang na iyon habang pinananatiling magkakaugnay ang pag-uusap sa customer sa voice, chat, WhatsApp, at web.
Sinuri ng Ringg ang OpenAI at mga alternatibo batay sa kalidad ng pag-uusap, latency, pagsunod sa tagubilin, pagtawag ng tool, paggamit ng iba't ibang wika, pagiging maaasahan, at gastos. Lumabas na ang OpenAI ang may pinakamahusay na balanse para sa mga production workload.
Mas pare-pareho rin ang pagganap ng GPT‑5.6 at iba pang modelo ng OpenAI sa pagsunod sa masalimuot na mga tagubilin, pagtawag ng tool, pagpapanatili ng konteksto ng pag-uusap, at maaasahang operasyon sa saklaw na kailangan ng malalaking negosyo.
Idinidirekta ng Ringg ang trabaho sa isang partikular na modelo ng OpenAI ayon sa pangangailangan ng gawain. Pinangangasiwaan ng GPT‑4.1 ang karamihan ng real-time na voice at chat traffic. Bahagi pa rin ng production stack ang GPT‑5.6 Luna at ginagamit ito kapag mas angkop sa kahilingan ang pagganap, latency, o balanse nito ng presyo at pagganap. Pinangangasiwaan ng GPT‑5.6 Terra ang pagsusuri pagkatapos ng tawag, kabilang ang mga buod at pag-uuri ng sentimyento. Sinusuportahan naman ng GPT‑5.6 Sol ang ebalwasyon, pagpapahusay ng prompt, at mga workflow kung saan ginagamit ang modelo bilang tagasuri.
Kapag nagsalita ang customer sa isang voice call o nagpadala ng chat, pinagsasama ng orchestration system ng Ringg ang input na iyon sa mga tagubilin ng agent, kasaysayan ng pag-uusap, datos ng customer, kaugnay na konteksto mula sa knowledge base, at mga magagamit na tool. Pagkatapos, pinipili ng routing layer ng Ringg ang angkop na modelo at configuration. Dumadaan ang output ng modelo sa orchestration system at ipinapadala sa channel na pinili ng customer.
Para sa mas mahahabang pag-uusap, gumagawa ang sistema ng nakabalangkas na buod kapag umaabot na sa humigit-kumulang 80,000 token ang konteksto. Sa gayon, nagpapatuloy ang pag-uusap nang napapanatili ang mahalagang impormasyon, nang hindi paulit-ulit na ipinapadala ang buong kasaysayan.
Sinusubok ng Ringg ang mga modelo gamit ang mga nakaraang pag-uusap at simulasyon ng mga proseso ng customer bago i-deploy sa production. Ginagamit ng evaluation platform nito ang mga resulta para tukuyin ang mga kahinaan at magmungkahi ng mga pagbabago sa prompt, kaya patuloy na napapahusay ang mga agent at configuration nito.
Sa isang ebalwasyon, sinuri ang workflow ng Ringg para sa pagsusuri pagkatapos ng tawag. Sinubok ng kumpanya ang GPT‑5.6 Terra laban sa mga alternatibong tulad ng Gemini 2.5 Flash, at nanguna ang Terra. Inilipat ng Ringg sa GPT‑5.6 Terra ang pagbubuod at pag-uuri ng sentimyento. Napanatili ng Terra ang mataas na katumpakan sa mga buod at pagsusuri ng sentimyento habang malaki ang naging pagbuti sa kita kumpara sa gastos sa bawat gawain.
Sinusubok din ng kumpanya ang mga modelo sa iba't ibang wika at baryasyong panrehiyon, kabilang ang mga pag-uusap na nagpapalit-palit ng wika o naghahalo ng Ingles at mga lokal na parirala—karaniwang gawi sa mga merkadong pinagseserbisyuhan nito. Nahigitan ng GPT‑5.6 Terra ang Gemini 2.5 Flash, na may hanggang 97% na katumpakan sa mga karaniwang wikang panrehiyon. Dahil dito, mas angkop ang GPT‑5.6 sa mga agent na nagseserbisyo sa mga customer ng Ringg.
Ang mga modelong pumapasa sa offline testing ay ginagamit muna sa maliit na bahagi ng production traffic bago palawakin ang rollout. Sa production, sinusubaybayan ng router ng Ringg ang latency at kondisyon ng mga endpoint sa iba't ibang rehiyon. Inililipat nito ang traffic kapag hindi magamit ang isang endpoint o lumampas ito sa itinakdang latency. Tumutulong ang mga espesyalisadong node, alerto, at deployment na may mga bersyon para maihiwalay ang mga problema at malimitahan ang epekto ng mga ito.
Nakakatulong din ang paraang ito para mapahusay ng Ringg ang kita kumpara sa gastos sa bawat gawain. Sa paglipat ng ilang real-time workload mula GPT‑4.1 patungong GPT‑5.6 Luna, bumaba nang humigit-kumulang 90% ang gastos sa modelo.
“Napakabilis tumugon ng OpenAI kapag kailangan namin ng suporta sa paglipat ng mga modelo. Sa nakalaang suporta sa Slack at direktang pakikipag-ugnayan sa pangunahing engineering team, mas mabilis kaming nakakakilos nang mas kaunti ang teknikal na pag-aalinlangan, mas mabilis kaming nakakapaglunsad, at napapalawak namin ang kayang gawin ng aming mga agent.”
Para sa mga kliyente nito, nalulutas ng mga agent ng Ringg ang hanggang 65% ng mga karaniwang tanong ng customer nang walang tulong ng isang tao.
Ginagamit ng Policybazaar, isa sa pinakamalalaking online insurance platform sa India, ang Ringg para ikonekta ang mahigit 57,000 kahilingan ng customer. Napangangasiwaan ang 67% ng mga tawag nang walang tulong ng tao. Bumaba ang average na oras ng pagtugon ng Policybazaar mula 8–12 minuto tungo sa wala pang 60 segundo—pagbuting humigit-kumulang 88%.
Sa Practo, isang pandaigdigang healthcare platform, tinutulungan ng mga agent ng Ringg ang mga customer na mag-book ng mga appointment sa pangangalagang pangkalusugan at kumpletuhin ang mga kahilingan sa serbisyo. Matapos ang deployment, natugunan ng Practo ang 85% ng mga kahilingan sa unang tawag at nakatugon sa loob ng wala pang tatlong segundo. Bumaba nang 70% ang gastos sa operasyon kumpara sa dati nitong workflow na pinangungunahan ng mga tao. Nakakakumpleto na ngayon ang Ringg ng mahigit 1,000 appointment booking bawat araw.
Ginagamit ng online investment platform na Groww ang Ringg para malutas ang 72% ng mga papasok na tanong tungkol sa mga IPO, futures, at options sa pamamagitan lang ng self-service, na may average na dalawang minutong pagproseso.
Gamit ang mga kakayahan ng OpenAI sa paggamit ng computer, bumubuo ang Ringg ng mga browser agent para sa onboarding sa platform, mga proseso ng pagkilala sa customer (KYC), pag-troubleshoot ng IT, on-call na suporta sa mga insidente, at pagproseso ng mga claim.
Bumubuo rin ang kumpanya ng context layer na makakapagpanatili ng impormasyon sa iba't ibang channel at pakikipag-ugnayan. Maaaring simulan ng customer ang kahilingan sa voice, ipagpatuloy sa WhatsApp, at tapusin sa browser nang hindi kailangang ulitin ang parehong mga detalye sa bawat pagkakataon.
“Napabilis ng mga kakayahan ng OpenAI sa paggamit ng computer ang aming plano sa pagbuo ng mga browser agent. Naipagsasama namin ang nangyayari sa screen ng user at ang konteksto ng pag-uusap, kaya nagagabayan ng mga agent ang mga tao sa masalimuot na mga workflow sa real time.”
Para sa Ringg, susukatin ang susunod na henerasyon ng mga operasyon sa serbisyo sa customer batay sa mga resultang nakamit ng negosyo at lawak ng automation, sa halip na dami ng tawag o bilang ng tauhan.
