Ringg : ses agents résolvent jusqu’à 65 % des appels avec OpenAI

Quand le volume d’appels augmente, les services clients recrutent généralement du personnel, ce qui accroît le coût et la complexité de chaque interaction. Ringg⁠(ouverture dans une nouvelle fenêtre), une plateforme d’agents vocaux et de chat, a directement constaté ce problème en travaillant avec de grandes entreprises de services aux particuliers en Inde.

Ces entreprises peinaient à répondre à davantage d’appels, et leurs conseillers devaient composer avec des systèmes fragmentés et manuels pour aider les clients dans leurs démarches, de la souscription d’une assurance à la prise de rendez-vous.

Cette expérience a conduit Ringg à créer une plateforme d’agents pour les entreprises, fondée sur des modèles très efficaces comme GPT‑5.6 et couvrant la voix, le chat, WhatsApp et le Web. La migration de certaines charges de travail en temps réel de GPT‑4.1 vers GPT‑5.6 a réduit les coûts des modèles d’environ 90 %, tout en assurant la qualité et la latence requises.

Les agents de Ringg traitent désormais plus de 7 millions d’appels aboutis par 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 un contrat, consulter un dossier, fixer un rendez-vous, mettre à jour un CRM ou transférer la conversation à un spécialiste en préservant 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, de sélectionner les outils et de guider les clients dans des processus à plusieurs étapes. La couche d’orchestration de Ringg exécute des actions dans les CRM, les plateformes de gestion des tickets, les systèmes de paiement, les outils de planification et les API internes. Au besoin, elle transfère les dossiers à un humain avec un résumé de la conversation.

Le système de connaissances de Ringg associe filtrage structuré et recherche sémantique dans des jeux de données, PDF, CSV et documents métier, pour aider 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 dans la qualification, l’assistance, la vérification, la planification et le transfert à un niveau supérieur. La plateforme coordonne ces étapes tout en maintenant une conversation cohérente avec le client sur les canaux vocaux, le chat, WhatsApp et le Web.

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

GPT‑5.6 et d’autres modèles OpenAI ont aussi montré une plus grande constance dans le respect d’instructions complexes, l’exécution d’appels d’outils, la conservation du contexte conversationnel et la fiabilité à l’échelle de l’entreprise.

Ringg oriente le travail vers un modèle OpenAI précis selon les besoins de la tâche. GPT‑4.1 traite la majorité du trafic vocal et du chat en temps réel. GPT‑5.6 Luna reste dans la stack de production et est utilisé lorsque ses performances, sa latence ou son rapport coût-performance conviennent mieux à une demande. GPT‑5.6 Terra assure l’analyse après appel, notamment les résumés et la classification des sentiments. Et GPT‑5.6 Sol prend en charge l’évaluation, l’amélioration des prompts et les processus où le modèle joue le rôle de juge.

Lorsqu’un client parle pendant un appel ou envoie un message dans le chat, le système d’orchestration de Ringg associe cette entrée aux instructions de l’agent, à l’historique de la conversation, aux données du client, au contexte pertinent de la base de connaissances et aux 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 sur le canal choisi par le client.

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

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 identifier les faiblesses et recommander des améliorations des prompts, créant une boucle d’amélioration continue pour ses agents et ses configurations.

Une évaluation portait sur le processus d’analyse après appel de Ringg. L’entreprise a testé GPT‑5.6 Terra face à des 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 précision pour les résumés et l’analyse des sentiments tout en améliorant sensiblement la rentabilité unitaire.

L’entreprise teste aussi les modèles sur des variantes linguistiques et régionales, notamment des conversations alternant entre plusieurs langues ou mêlant l’anglais à des expressions locales, une pratique courante sur les marchés qu’elle dessert. GPT‑5.6 Terra a surpassé Gemini 2.5 Flash, avec jusqu’à 97 % de précision sur les langues régionales courantes, ce qui rend GPT‑5.6 mieux adapté aux agents au service des clients de Ringg.

Les modèles qui réussissent les tests hors ligne sont affectés à une petite part du trafic de production avant un déploiement plus large. En production, le routeur de Ringg surveille la latence et l’état des points de terminaison dans chaque région. Il réoriente 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 leur impact.

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 sans aucune intervention d’un conseiller humain.

Policybazaar, l’une des plus grandes plateformes d’assurance en ligne en Inde, utilise Ringg pour prendre en charge 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 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 au processus précédent, géré par des humains, tandis que Ringg assure désormais 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 introductions en bourse, 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 la prise en main des plateformes, les procédures de connaissance du client (KYC), le dépannage informatique, l’assistance aux incidents en astreinte et le traitement des sinistres.

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

Pour Ringg, la prochaine génération de services clients se mesurera aux résultats métier obtenus et au degré d’automatisation, plutôt qu’au volume d’appels ou aux effectifs.