Ringg-ն OpenAI-ով լուծում է հաճախորդների հարցերի մինչև 65%-ը

Երբ զանգերն ավելանում են, հաճախորդների սպասարկումը սովորաբար ընդլայնում են՝ նոր աշխատակիցներ ներգրավելով։ Սակայն դա մեծացնում է յուրաքանչյուր շփման ծախսերն ու բարդությունը։ Ձայնային և չատային ագենտների Ringg⁠(բացվում է նոր պատուհանում) հարթակն այս խնդրին անմիջապես առնչվեց Հնդկաստանում սպառողներին սպասարկող խոշոր ընկերությունների հետ աշխատելիս։

Այս ընկերությունները ոչ միայն դժվարանում էին պատասխանել ավելացող զանգերին․ սպասարկման աշխատակիցները նաև ստիպված էին գործ ունենալ մասնատված, ձեռքով կառավարվող համակարգերի հետ՝ հաճախորդներին օգնելով ապահովագրություն գնելուց մինչև հանդիպում ամրագրելու հարցերում։

Այդ փորձը Ringg-ին դրդեց ստեղծել բիզնեսի համար նախատեսված ագենտների հարթակ՝ հիմնված GPT‑5.6‑ի նման բարձր արդյունավետությամբ մոդելների վրա, որն ընդգրկում է ձայնային կապը, չատը, WhatsApp-ը և վեբը։ Իրական ժամանակում կատարվող համապատասխան առաջադրանքները GPT‑4.1‑ից GPT‑5.6 տեղափոխելը մոդելի ծախսերը նվազեցրեց մոտ 90%-ով՝ ապահովելով պահանջվող որակն ու արձագանքման արագությունը։

Ringg-ի ագենտներն այժմ ամսական սպասարկում են ավելի քան 7 միլիոն կայացած զանգ, իսկ ընկերության հաճախորդների մոտ հաճախորդների գոհունակության միջին ցուցանիշը (CSAT) 4.8 է։

Հաճախորդի դիմումը լուծելու համար ագենտներին կարող է անհրաժեշտ լինել ստուգել ապահովագրական պոլիսը, գտնել հաշվի տվյալները, հանդիպում նշանակել, թարմացնել CRM-ը կամ զրույցը փոխանցել մասնագետի՝ պահպանելով ամբողջ անհրաժեշտ համատեքստը։

Իրական ժամանակի շփումների համար Ringg-ն օգտագործում է GPT‑5.6 Luna-ն և այլ մոդելներ՝ հաճախորդների դիմումները հասկանալու, գործիքներ ընտրելու և բազմաքայլ գործընթացներում հաճախորդներին ուղղորդելու համար։ Ringg-ի համակարգման շերտը գործողություններ է կատարում CRM-ներում, դիմումների կառավարման հարթակներում, վճարային համակարգերում, ժամանակացույցի գործիքներում և ներքին API-ներում՝ անհրաժեշտության դեպքում գործը զրույցի ամփոփման հետ փոխանցելով աշխատակցին։

Ringg-ի գիտելիքների համակարգը համադրում է կառուցվածքային զտումն ու իմաստային որոնումը տվյալների հավաքածուներում, PDF-ներում, CSV-ներում և բիզնես փաստաթղթերում՝ օգնելով ագենտներին պատասխանել հարցերին ընկերության համապատասխան տեղեկությունների հիման վրա։

Ringg-ը նաև կարող է աշխատանքը բաժանել մասնագիտացված ենթաագենտների միջև՝ համապատասխանությունը գնահատելու, աջակցելու, ստուգելու, հանդիպումներ նշանակելու և գործերը մասնագետներին փոխանցելու համար։ Հարթակը համակարգում է այդ քայլերը՝ հաճախորդի հետ հետևողական զրույց պահպանելով ձայնային կապով, չատով, WhatsApp-ով և վեբով։

Ringg-ը OpenAI-ն համեմատեց այլընտրանքների հետ՝ ըստ զրույցի որակի, արձագանքման արագության, հրահանգներին հետևելու, գործիքներ կանչելու, տարբեր լեզուներով աշխատելու կարողության, հուսալիության և արժեքի։ Ընկերությունը պարզեց, որ գործնական կիրառման համար OpenAI-ն առաջարկում է լավագույն ընդհանուր հավասարակշռությունը։

GPT‑5.6‑ը և OpenAI-ի մյուս մոդելները նաև ավելի հետևողական էին բարդ հրահանգներին հետևելիս, գործիքներ կանչելիս, զրույցի համատեքստը պահպանելիս և ձեռնարկության մասշտաբով հուսալի աշխատանք ապահովելիս։

Ringg-ն աշխատանքն ուղղորդում է OpenAI-ի կոնկրետ մոդելին՝ ըստ առաջադրանքի պահանջների։ GPT‑4.1‑ը սպասարկում է իրական ժամանակի ձայնային և չատային շփումների մեծ մասը։ GPT‑5.6 Luna-ն շարունակում է գործել աշխատանքային համակարգում և օգտագործվում է, երբ դրա արդյունավետությունը, արձագանքման արագությունը կամ գին-որակ հարաբերակցությունն ավելի հարմար են տվյալ դիմումի համար։ GPT‑5.6 Terra-ն կատարում է հետզանգային վերլուծություն՝ ներառյալ ամփոփումներն ու տրամադրության դասակարգումը։ Իսկ GPT‑5.6 Sol-ն աջակցում է գնահատմանը, հարցումների բարելավմանը և այն գործընթացներին, որտեղ մոդելը հանդես է գալիս որպես գնահատող։

Երբ հաճախորդը խոսում է ձայնային զանգի ժամանակ կամ հաղորդագրություն է ուղարկում չատով, Ringg-ի համակարգման համակարգը ստացվածը համադրում է ագենտի հրահանգների, զրույցի պատմության, հաճախորդի տվյալների, գիտելիքների բազայի համապատասխան համատեքստի և հասանելի գործիքների հետ։ Այնուհետև Ringg-ի ուղղորդման շերտն ընտրում է համապատասխան մոդելն ու կարգավորումները։ Մոդելի պատասխանը փոխանցվում է համակարգման համակարգով և հասնում հաճախորդին նրա ընտրած կապուղով։

Երկար շփումների դեպքում համակարգը ստեղծում է կառուցվածքային ամփոփում, երբ համատեքստը մոտենում է 80 000 թոքենի։ Դրանից հետո զրույցը կարող է շարունակվել՝ պահպանելով կարևոր տեղեկությունները, առանց ամեն անգամ ամբողջ պատմությունն ուղարկելու։

Նախքան մոդելների գործարկումը Ringg-ը դրանք փորձարկում է նախկին զրույցների և հաճախորդների հետ շփումների մոդելավորված սցենարների միջոցով։ Գնահատման հարթակն այդ արդյունքներով բացահայտում է թույլ կողմերը և առաջարկում հարցումների բարելավումներ՝ ապահովելով ագենտների ու դրանց կարգավորումների շարունակական կատարելագործումը։

Գնահատումներից մեկը վերաբերում էր Ringg-ի հետզանգային վերլուծության գործընթացին։ Ընկերությունը GPT‑5.6 Terra-ն փորձարկեց Gemini 2.5 Flash-ի նման այլընտրանքների համեմատ, և Terra-ն լավագույն արդյունքը ցույց տվեց։ Ringg-ն ամփոփումներն ու տրամադրության դասակարգումը տեղափոխեց GPT‑5.6 Terra։ Terra-ն պահպանեց ամփոփումների և տրամադրության վերլուծության բարձր ճշգրտությունը՝ միաժամանակ էապես բարելավելով մեկ գործարքի հաշվով տնտեսական արդյունավետությունը։

Ընկերությունը նաև մոդելները փորձարկում է լեզվական ու տարածաշրջանային տարբերակներով, այդ թվում՝ զրույցներով, որոնցում փոխում են լեզուն կամ անգլերենը համադրում տեղական լեզվով արտահայտությունների հետ․ սա տարածված է ընկերության սպասարկած շուկաներում։ GPT‑5.6 Terra-ն գերազանցեց Gemini 2.5 Flash-ին՝ տարածված տարածաշրջանային լեզուներում հասնելով մինչև 97% ճշգրտության։ Սա GPT‑5.6‑ն ավելի հարմար դարձրեց Ringg-ի հաճախորդներին սպասարկող ագենտների համար։

Առանձին փորձարկումներն անցած մոդելները նախ գործարկվում են իրական շփումների փոքր մասի համար, ապա դրանց կիրառումն ընդլայնվում է։ Աշխատանքային միջավայրում Ringg-ի ուղղորդիչը տարբեր տարածաշրջաններում հետևում է արձագանքման ժամանակին ու վերջնակետերի վիճակին և վերահղում հոսքը, երբ վերջնակետն անհասանելի է դառնում կամ անցնում արձագանքման ժամանակի շեմը։ Մասնագիտացված հանգույցները, ծանուցումներն ու տարբերակների կառավարմամբ ներդրումներն օգնում են մեկուսացնել խնդիրները և սահմանափակել դրանց ազդեցությունը։

Այս մոտեցումը Ringg-ին նաև օգնում է բարելավել մեկ գործարքի հաշվով տնտեսական արդյունավետությունը։ Իրական ժամանակի որոշ առաջադրանքներ GPT‑4.1‑ից GPT‑5.6 Luna տեղափոխելը մոդելի ծախսերը նվազեցրեց մոտ 90%-ով։

Ringg-ի ագենտները լուծում են իր հաճախորդների ստացած առօրյա դիմումների մինչև 65%-ը՝ առանց սպասարկման աշխատակցի որևէ մասնակցության։

Հնդկաստանի խոշորագույն առցանց ապահովագրական հարթակներից Policybazaar-ը Ringg-ի միջոցով կապ է հաստատում հաճախորդների ավելի քան 57 000 դիմումներով, իսկ զանգերի 67%-ը սպասարկվում է առանց մարդու միջամտության։ Policybazaar-ի արձագանքման միջին ժամանակը 8–12 րոպեից կրճատվել է մինչև 60 վայրկյանից էլ պակաս՝ բարելավվելով մոտ 88%-ով։

Practo համաշխարհային առողջապահական հարթակում Ringg-ի ագենտները հաճախորդներին օգնում են բժշկական այցեր ամրագրել և ծառայությունների դիմումները հասցնել ավարտին։ Ներդրումից հետո Practo-ն հասավ առաջին զանգով հարցերի լուծման 85% ցուցանիշի և երեք վայրկյանից պակաս արձագանքման ժամանակի։ Գործառնական ծախսերը նվազեցին 70%-ով՝ համեմատած նախկին՝ աշխատակիցների վարած գործընթացի հետ, իսկ Ringg-ն այժմ օրական ավելի քան 1 000 այց է ամրագրում։

Groww առցանց ներդրումային հարթակը Ringg-ով լուծում է IPO-ների, ֆյուչերսների և օպցիոնների վերաբերյալ մուտքային հարցումների 72%-ը՝ ամբողջությամբ ինքնասպասարկման միջոցով և միջինում երկու րոպեում։

Օգտագործելով OpenAI-ի՝ համակարգչից օգտվելու հնարավորությունները՝ Ringg-ը մշակում է բրաուզերային ագենտներ՝ հարթակին ծանոթացնելու, «Ճանաչիր հաճախորդիդ» (KYC) գործընթացների, ՏՏ խնդիրների լուծման, միջադեպերի ժամանակ հերթապահ աջակցության և ապահովագրական պահանջների մշակման համար։

Ընկերությունը նաև մշակում է համատեքստի շերտ, որը կարող է տեղեկությունները պահպանել տարբեր կապուղիների և շփումների միջև։ Հաճախորդը կարող է դիմումը սկսել ձայնային կապով, շարունակել WhatsApp-ով և ավարտել բրաուզերում՝ առանց ամեն անգամ նույն մանրամասները կրկնելու։

Ringg-ի համար հաճախորդների սպասարկման հաջորդ սերունդը չափվելու է ձեռք բերված բիզնես արդյունքներով և ավտոմատացման խորությամբ, այլ ոչ թե զանգերի ծավալով կամ աշխատակիցների թվով։