Agents IA Ringg : jusqu’à 65 % des appels résolus avec OpenAI

Quand le volume d’appels augmente, les services à la clientèle embauchent généralement du personnel, ce qui accroît le coût et la complexité de chaque interaction. Ringg⁠(s'ouvre dans une nouvelle fenêtre), une plateforme d’agents vocaux et de clavardage, a constaté ce problème en travaillant avec de grandes entreprises de produits et services de consommation en Inde.

Ces entreprises peinaient à répondre à davantage d’appels. Leurs agents du service à la clientèle devaient aussi composer avec des systèmes manuels fragmentés pour aider les clients à accomplir des tâches, de la souscription d’une assurance à la prise de rendez-vous.

Cette expérience a amené Ringg à créer une plateforme d’agents pour entreprises axée sur des modèles à haute efficacité comme GPT‑5.6, couvrant la voix, le clavardage, WhatsApp et le Web. La migration de charges de travail en temps réel adaptées de GPT‑4.1 vers GPT‑5.6 a réduit les coûts des modèles d’environ 90 %, tout en offrant la qualité et la latence requises.

Les agents de Ringg traitent maintenant plus de 7 millions d’appels établis chaque mois, et ses clients affichent un score moyen de satisfaction client (CSAT) de 4,8.

Pour répondre à une demande client, les agents peuvent devoir vérifier une police, récupérer un dossier de compte, fixer un rendez-vous, mettre à jour un CRM ou transférer la conversation à un spécialiste en conservant tout le contexte pertinent.

Pour les interactions en temps réel, Ringg utilise GPT‑5.6 Luna et d’autres modèles afin d’interpréter les demandes clients, de sélectionner des outils et de guider les clients dans des flux de travail à plusieurs étapes. La couche d’orchestration de Ringg exécute des actions dans les CRM, les plateformes de gestion des billets, les systèmes de paiement, les outils de planification et les API internes, en transférant au besoin les dossiers à une personne avec un résumé de la conversation.

Le système de connaissances de Ringg combine le filtrage structuré et la recherche sémantique dans les jeux de données, les PDF, les CSV et les documents d’entreprise, aidant les agents à répondre aux questions à partir d’informations pertinentes de l’entreprise.

Ringg peut aussi répartir le travail entre des sous-agents spécialisés en qualification, en soutien, en vérification, en planification et en transfert à un niveau supérieur. La plateforme coordonne ces étapes tout en maintenant une conversation cohérente avec le client par voix, clavardage, WhatsApp et Web.

Après avoir comparé OpenAI à d’autres solutions sur la qualité des conversations, la latence, le respect des instructions, les appels d’outils, les performances multilingues, la fiabilité et le coût, Ringg a conclu qu’OpenAI offrait le meilleur équilibre global pour les charges de travail en production.

GPT‑5.6 et d’autres modèles OpenAI ont aussi fait preuve de plus de constance pour suivre des instructions complexes, exécuter des appels d’outils, maintenir le contexte des conversations et fonctionner de façon fiable à l’échelle de l’entreprise.

Ringg achemine le travail vers un modèle OpenAI précis selon les besoins de la tâche. GPT‑4.1 traite la majeure partie du trafic vocal et de clavardage en temps réel. GPT‑5.6 Luna reste dans la pile de production et est utilisé lorsque ses performances, sa latence ou son rapport prix-performance conviennent mieux à une demande. GPT‑5.6 Terra assure l’analyse après appel, y compris les résumés et la classification des sentiments. Et GPT‑5.6 Sol prend en charge l’évaluation, l’amélioration des invites et les flux de travail où un modèle sert de juge.

Lorsqu’un client parle pendant un appel vocal ou envoie un message, le système d’orchestration de Ringg combine cette entrée avec les instructions de l’agent, l’historique de conversation, les données propres au client, le contexte pertinent de la base de connaissances et les outils disponibles. La couche de routage de Ringg sélectionne ensuite le modèle et la configuration appropriés. La sortie du modèle passe par le système d’orchestration et est transmise par le canal choisi par le client.

Pour les interactions plus longues, le système crée un résumé structuré lorsque le contexte approche les 80 000 jetons. La conversation peut alors se poursuivre en conservant les informations importantes, sans renvoyer constamment tout l’historique.

Ringg teste les modèles à l’aide de conversations passées et de parcours clients simulés avant leur déploiement en production. Sa plateforme d’évaluation utilise ces résultats pour repérer les faiblesses et recommander des améliorations aux invites, créant une boucle d’amélioration continue pour ses agents et ses configurations.

Une évaluation portait sur le flux de travail d’analyse après appel de Ringg. L’entreprise a testé GPT‑5.6 Terra face à d’autres solutions comme Gemini 2.5 Flash, et Terra est arrivé en tête. Ringg a confié les résumés et la classification des sentiments à GPT‑5.6 Terra. Terra a maintenu une grande exactitude pour les résumés et l’analyse des sentiments, tout en améliorant sensiblement la rentabilité unitaire.

L’entreprise teste aussi les modèles selon les variations linguistiques et régionales, notamment dans les conversations qui alternent entre les langues ou mêlent l’anglais à des expressions locales, des pratiques courantes dans les marchés qu’elle dessert. GPT‑5.6 Terra a surpassé Gemini 2.5 Flash, avec jusqu’à 97 % d’exactitude dans les langues régionales courantes, faisant de GPT‑5.6 un meilleur choix pour les agents au service des clients de Ringg.

Les modèles qui réussissent les tests hors ligne sont introduits dans une petite part du trafic de production avant que le déploiement soit élargi. En production, le routeur de Ringg surveille la latence et l’état des points de terminaison dans toutes les régions, et redirige le trafic lorsqu’un point de terminaison devient indisponible ou dépasse un seuil de latence. Des nœuds spécialisés, des alertes et des déploiements versionnés aident à isoler les problèmes et à limiter leurs répercussions.

Cette approche aide aussi Ringg à améliorer sa rentabilité unitaire. La migration de certaines charges de travail en temps réel de GPT‑4.1 vers GPT‑5.6 Luna a réduit les coûts des modèles d’environ 90 %.

Pour ses clients, les agents de Ringg résolvent jusqu’à 65 % des demandes courantes de la clientèle sans aucune intervention d’un agent humain.

Policybazaar, l’une des plus grandes plateformes d’assurance en ligne en Inde, utilise Ringg pour établir le contact dans le cadre de plus de 57 000 demandes clients, et 67 % des appels sont traités sans intervention humaine. Le temps de réponse moyen de Policybazaar est passé de 8 à 12 minutes à moins de 60 secondes, soit une amélioration d’environ 88 %.

Chez Practo, une plateforme mondiale de soins de santé, les agents de Ringg aident les clients à prendre des rendez-vous médicaux et à mener à bien leurs demandes de service. Après le déploiement, Practo a atteint un taux de résolution au premier appel de 85 % et des temps de réponse inférieurs à trois secondes. Les coûts d’exploitation ont baissé de 70 % par rapport à son ancien flux de travail géré par des humains, tandis que Ringg effectue maintenant plus de 1 000 prises de rendez-vous par jour.

La plateforme d’investissement en ligne Groww utilise Ringg pour résoudre 72 % des demandes entrantes liées aux premiers appels publics à l’épargne, aux contrats à terme et aux options entièrement en libre-service, avec un temps de traitement moyen de deux minutes.

Grâce aux capacités d’utilisation de l’ordinateur d’OpenAI, Ringg développe des agents de navigateur pour l’intégration aux plateformes, les processus de connaissance du client (KYC), le dépannage informatique, le soutien de garde en cas d’incident et le traitement des réclamations.

L’entreprise développe aussi une couche de contexte capable de conserver l’information d’un canal et d’une interaction à l’autre. Un client pourrait commencer une demande par voie vocale, la poursuivre sur WhatsApp et la terminer dans un navigateur sans avoir à répéter les mêmes détails chaque fois.

Pour Ringg, la prochaine génération d’opérations de service à la clientèle se mesurera aux résultats d’affaires obtenus et au degré d’automatisation, plutôt qu’au volume d’appels ou aux effectifs.