OpenAI से रिंग एजेंट 65% तक कॉल का समाधान करते हैं
GPT‑5.6 से रिंग के बहुभाषी एजेंट आवाज़, चैट, व्हाट्सऐप और वेब पर काम करते हैं—GPT‑4.1 से 90% कम लागत पर.
70 लाख+
हर महीने संभाली जाने वाली जुड़ी हुई कॉल
65%
एजेंट के ज़रिए 65% तक अनुरोधों का समाधान
90%
चुनिंदा कार्यभार के लिए GPT-4.1 से कम लागत
4.8
औसत ग्राहक संतुष्टि स्कोर
कॉल बढ़ने पर ग्राहक सेवा का विस्तार आम तौर पर और कर्मचारियों को जोड़कर किया जाता है, लेकिन इससे हर बातचीत की लागत और जटिलता बढ़ जाती है. आवाज़ और चैट पर काम करने वाले एजेंट का मंच रिंग(एक नई विंडो में खुलेगा) भारत में बड़े उपभोक्ता व्यवसायों के साथ काम करते हुए इस समस्या से सीधे रूबरू हुआ.
ये कंपनियाँ बढ़ती कॉल का जवाब देने में ही नहीं जूझ रही थीं. उनके ग्राहक सेवा प्रतिनिधि बीमा खरीदने से लेकर अपॉइंटमेंट लेने तक में ग्राहकों की मदद करने के लिए बिखरी हुई, मैन्युअल प्रणालियों से भी जूझ रहे थे.
इस अनुभव से रिंग को उद्यमों के लिए एक एजेंट मंच बनाने की प्रेरणा मिली, जिसके केंद्र में GPT‑5.6 जैसे अत्यधिक कुशल मॉडल हैं और जो आवाज़, चैट, व्हाट्सऐप और वेब पर काम करता है. तत्काल प्रतिक्रिया माँगने वाले उपयुक्त कार्यभार GPT‑4.1 से GPT‑5.6 पर ले जाने से मॉडल की लागत लगभग 90% घटी, जबकि आवश्यक गुणवत्ता और प्रतिक्रिया गति बनी रही.
“सिर्फ़ मॉडल की गुणवत्ता ही काफ़ी नहीं है. हमें तेज़ प्रतिक्रिया, उपकरणों का भरोसेमंद इस्तेमाल, निर्देशों का सटीक पालन और बड़े पैमाने पर भी किफ़ायती संचालन चाहिए. OpenAI ने हमें वही संतुलन दिया जिसकी हमें ज़रूरत थी.”
रिंग के एजेंट अब हर महीने 70 लाख से अधिक जुड़ी हुई कॉल संभालते हैं, और उसकी सेवाएँ लेने वाली कंपनियों का औसत ग्राहक संतुष्टि स्कोर 4.8 है.
ग्राहक का अनुरोध पूरा करने के लिए एजेंट को पॉलिसी जाँचनी, खाते का रिकॉर्ड निकालना, अपॉइंटमेंट तय करना, ग्राहक संबंध प्रबंधन प्रणाली अपडेट करनी या पूरा प्रासंगिक संदर्भ बनाए रखते हुए बातचीत किसी विशेषज्ञ को सौंपनी पड़ सकती है.
तत्काल संवाद के लिए रिंग GPT‑5.6 Luna और अन्य मॉडल इस्तेमाल करता है, ताकि ग्राहकों के अनुरोध समझे जा सकें, उपकरण चुने जा सकें और कई चरणों वाली कार्यप्रक्रियाओं में उनका मार्गदर्शन किया जा सके. रिंग की समन्वय परत ग्राहक संबंध प्रबंधन प्रणालियों, टिकटिंग मंचों, भुगतान प्रणालियों, समय तय करने वाले उपकरणों और आंतरिक एपीआई में कार्रवाइयाँ करती है. ज़रूरत पड़ने पर मामले बातचीत के सारांश के साथ किसी कर्मचारी को सौंप दिए जाते हैं.
रिंग की ज्ञान प्रणाली डेटा संग्रहों, पीडीएफ़, सीएसवी और व्यावसायिक दस्तावेज़ों में संरचित छँटाई के साथ अर्थ-आधारित खोज करती है. इससे एजेंट उद्यम की प्रासंगिक जानकारी के आधार पर सवालों के जवाब दे पाते हैं.
रिंग पात्रता जाँच, सहायता, सत्यापन, समय तय करने और मामले आगे सौंपने का काम विशेषज्ञ उप-एजेंट के बीच बाँट भी सकता है. यह मंच इन चरणों का समन्वय करते हुए आवाज़, चैट, व्हाट्सऐप और वेब पर ग्राहक से बातचीत की निरंतरता बनाए रखता है.
रिंग ने बातचीत की गुणवत्ता, प्रतिक्रिया समय, निर्देशों के पालन, उपकरणों को कॉल करने, बहुभाषी प्रदर्शन, विश्वसनीयता और लागत के आधार पर OpenAI तथा अन्य विकल्पों को परखा. उसे वास्तविक परिचालन कार्यभार के लिए OpenAI में इनका सबसे अच्छा समग्र संतुलन मिला.
जटिल निर्देशों के पालन, उपकरण कॉल चलाने, बातचीत का संदर्भ बनाए रखने और उद्यम स्तर पर विश्वसनीय संचालन में भी GPT‑5.6 और अन्य OpenAI मॉडल ने अधिक स्थिर प्रदर्शन किया.
रिंग कार्य की ज़रूरतों के आधार पर उसे किसी विशिष्ट OpenAI मॉडल को सौंपता है. तत्काल आवाज़ और चैट संवाद का अधिकांश हिस्सा GPT‑4.1 संभालता है. GPT‑5.6 Luna परिचालन तकनीकी ढाँचे का हिस्सा बना हुआ है. इसका इस्तेमाल तब होता है जब इसका प्रदर्शन, प्रतिक्रिया समय या लागत के अनुपात में प्रदर्शन किसी अनुरोध के लिए बेहतर हो. GPT‑5.6 Terra कॉल के बाद का विश्लेषण संभालता है, जिसमें सारांश और भावनाओं का वर्गीकरण शामिल हैं. वहीं GPT‑5.6 Sol मूल्यांकन, प्रॉम्प्ट सुधार और मॉडल को निर्णायक की भूमिका देने वाली कार्यप्रक्रियाओं में मदद करता है.
ग्राहक के कॉल पर बोलने या चैट संदेश भेजने पर रिंग की समन्वय प्रणाली उस इनपुट को एजेंट के निर्देशों, पिछली बातचीत, ग्राहक-विशिष्ट डेटा, ज्ञान भंडार के प्रासंगिक संदर्भ और उपलब्ध उपकरणों से जोड़ती है. इसके बाद रिंग की रूटिंग परत उपयुक्त मॉडल और विन्यास चुनती है. मॉडल का आउटपुट समन्वय प्रणाली से गुज़रकर ग्राहक के चुने हुए माध्यम पर पहुँचता है.
लंबी बातचीत में, संदर्भ लगभग 80,000 टोकन तक पहुँचने पर प्रणाली उसका संरचित सारांश बनाती है. इससे हर बार पूरी पिछली बातचीत भेजे बिना, महत्वपूर्ण जानकारी बनाए रखते हुए संवाद जारी रह सकता है.
वास्तविक परिचालन में तैनाती से पहले रिंग पुरानी बातचीत और ग्राहकों की अनुकरणित कार्यप्रक्रियाओं से मॉडल का परीक्षण करता है. इसका मूल्यांकन मंच इन नतीजों से कमियाँ पहचानता है और प्रॉम्प्ट में सुधार सुझाता है. इससे एजेंट और उनके विन्यास में लगातार सुधार होता रहता है.
एक मूल्यांकन रिंग की कॉल के बाद विश्लेषण करने वाली कार्यप्रक्रिया का था. कंपनी ने GPT‑5.6 Terra को Gemini 2.5 Flash जैसे विकल्पों के मुकाबले परखा, और Terra सबसे आगे रहा. रिंग ने सारांश और भावनाओं के वर्गीकरण का काम GPT‑5.6 Terra को सौंप दिया. Terra ने सारांश और भावना विश्लेषण में उच्च सटीकता बनाए रखी, साथ ही प्रति कार्य लागत और लाभ के संतुलन में उल्लेखनीय सुधार किया.
कंपनी भाषाई और क्षेत्रीय विविधताओं पर भी मॉडल परखती है. इनमें भाषा बदलकर की जाने वाली या अंग्रेज़ी में स्थानीय भाषा के वाक्यांश मिलाने वाली बातचीत भी शामिल है, जो उसके सेवा क्षेत्रों में आम है. GPT‑5.6 Terra ने प्रचलित क्षेत्रीय भाषाओं में 97% तक सटीकता के साथ Gemini 2.5 Flash से बेहतर प्रदर्शन किया. इससे GPT‑5.6 रिंग के ग्राहकों को सेवा देने वाले एजेंट के लिए अधिक उपयुक्त साबित हुआ.
ऑफ़लाइन परीक्षण में सफल मॉडल को व्यापक रूप से लागू करने से पहले वास्तविक परिचालन के एक छोटे हिस्से में इस्तेमाल किया जाता है. परिचालन में रिंग का राउटर विभिन्न क्षेत्रों में प्रतिक्रिया समय और एंडपॉइंट की स्थिति पर नज़र रखता है. कोई एंडपॉइंट अनुपलब्ध हो जाए या प्रतिक्रिया समय तय सीमा पार कर जाए, तो अनुरोध दूसरे रास्ते भेजे जाते हैं. विशेष नोड, चेतावनियाँ और संस्करणबद्ध तैनाती समस्याओं को अलग करने और उनका प्रभाव सीमित रखने में मदद करते हैं.
यह तरीका रिंग को प्रति कार्य लागत और लाभ का संतुलन बेहतर करने में भी मदद करता है. तत्काल प्रतिक्रिया माँगने वाले कुछ कार्यभार GPT‑4.1 से GPT‑5.6 Luna पर ले जाने से मॉडल की लागत लगभग 90% घटी.
“जब भी हमें एक मॉडल से दूसरे पर जाने में सहायता चाहिए थी, OpenAI ने बहुत तत्परता से मदद की. स्लैक पर समर्पित सहायता और मुख्य इंजीनियरिंग टीम तक सीधी पहुँच से तकनीकी अनिश्चितता कम होती है. इससे हम तेज़ी से आगे बढ़ पाते हैं, नए समाधान जल्दी उपलब्ध कराते हैं और अपने एजेंट की क्षमताएँ बढ़ाते हैं.”
रिंग के एजेंट उसकी सेवाएँ लेने वाली कंपनियों के ग्राहकों की 65% तक सामान्य पूछताछ का समाधान किसी मानव प्रतिनिधि की भागीदारी के बिना करते हैं.
भारत के सबसे बड़े ऑनलाइन बीमा मंचों में से एक, पॉलिसीबाज़ार, 57,000 से अधिक ग्राहक अनुरोधों पर संपर्क स्थापित करने के लिए रिंग का इस्तेमाल करता है. 67% कॉल बिना मानवीय हस्तक्षेप के संभाली जाती हैं. पॉलिसीबाज़ार का औसत प्रतिक्रिया समय 8–12 मिनट से घटकर 60 सेकंड से कम हो गया—यानी लगभग 88% सुधार.
वैश्विक स्वास्थ्य सेवा मंच प्रैक्टो में रिंग के एजेंट ग्राहकों को स्वास्थ्य सेवा के लिए अपॉइंटमेंट बुक करने और सेवा अनुरोध पूरे करने में मदद करते हैं. तैनाती के बाद प्रैक्टो ने पहली कॉल पर 85% मामलों का समाधान किया और प्रतिक्रिया समय तीन सेकंड से कम रहा. उसकी पिछली कर्मचारी-संचालित कार्यप्रक्रिया के मुकाबले परिचालन लागत 70% घटी, जबकि रिंग अब हर दिन 1,000 से अधिक अपॉइंटमेंट बुक करता है.
ऑनलाइन निवेश मंच ग्रो रिंग की मदद से आईपीओ, वायदा और विकल्प अनुबंधों से जुड़ी 72% पूछताछ का समाधान पूरी तरह स्व-सेवा के ज़रिए करता है. इसमें औसतन दो मिनट लगते हैं.
OpenAI की कंप्यूटर इस्तेमाल करने की क्षमताओं से रिंग ऐसे ब्राउज़र एजेंट बना रहा है जो मंच पर शुरुआत करने, ग्राहक पहचान सत्यापन, सूचना प्रौद्योगिकी की समस्याएँ सुलझाने, कॉल पर तकनीकी घटनाओं में सहायता और दावों के निपटारे में मदद करेंगे.
कंपनी एक संदर्भ परत भी बना रही है, जो अलग-अलग माध्यमों और संवादों के बीच जानकारी सुरक्षित रख सके. ग्राहक बोलकर अनुरोध शुरू कर सकता है, व्हाट्सऐप पर उसे आगे बढ़ा सकता है और ब्राउज़र में पूरा कर सकता है—हर बार वही विवरण दोहराए बिना.
“OpenAI की कंप्यूटर इस्तेमाल करने की क्षमताओं ने ब्राउज़र एजेंट बनाने की हमारी योजना को गति दी. इनसे हम उपयोगकर्ता की स्क्रीन पर हो रही गतिविधियों को बातचीत के संदर्भ से जोड़ सकते हैं, ताकि एजेंट जटिल कार्यप्रक्रियाओं में लोगों का तत्काल मार्गदर्शन कर सकें.”
रिंग के लिए अगली पीढ़ी के ग्राहक सेवा संचालन का पैमाना कॉल या कर्मचारियों की संख्या नहीं, बल्कि हासिल किए गए व्यावसायिक नतीजे और स्वचालन की गहराई होगी.
