Agen AI Ringg tuntaskan hingga 65% panggilan dengan OpenAI

Saat volume panggilan meningkat, operasi layanan pelanggan biasanya diperluas dengan menambah staf. Namun, cara ini menambah biaya dan kerumitan setiap interaksi. Ringg⁠(terbuka di jendela baru), platform agen suara dan chat, melihat langsung masalah ini saat bekerja sama dengan perusahaan besar yang melayani konsumen di India.

Perusahaan-perusahaan ini bukan hanya kesulitan menjawab lebih banyak panggilan. Staf layanan pelanggan mereka juga harus menghadapi sistem manual yang terpisah-pisah untuk membantu pelanggan menyelesaikan berbagai urusan, dari membeli asuransi hingga membuat janji temu.

Pengalaman itu mendorong Ringg membangun platform agen perusahaan yang berpusat pada model berefisiensi tinggi seperti GPT‑5.6, mencakup suara, chat, WhatsApp, dan web. Migrasi beban kerja real-time yang sesuai dari GPT‑4.1 ke GPT‑5.6 menurunkan biaya model sekitar 90%, sekaligus memenuhi kebutuhan kualitas dan latensi.

Agen Ringg kini menangani lebih dari 7 juta panggilan terhubung setiap bulan, dan pelanggan Ringg meraih skor kepuasan pelanggan (CSAT) rata-rata 4,8.

Untuk menyelesaikan permintaan pelanggan, agen mungkin perlu memeriksa polis, mengambil data akun, menjadwalkan janji temu, memperbarui CRM, atau mengalihkan percakapan ke spesialis beserta konteks yang relevan secara utuh.

Untuk interaksi real-time, Ringg menggunakan GPT‑5.6 Luna dan model lainnya untuk memahami permintaan pelanggan, memilih alat, dan memandu pelanggan melalui alur kerja bertahap. Lapisan orkestrasi Ringg menjalankan tindakan di CRM, platform tiket, sistem pembayaran, alat penjadwalan, dan API internal, serta meneruskan kasus ke staf manusia beserta ringkasan percakapan bila diperlukan.

Sistem pengetahuan Ringg memadukan penyaringan terstruktur dengan penelusuran semantik di berbagai kumpulan data, PDF, CSV, dan dokumen bisnis, sehingga agen dapat menjawab pertanyaan dengan informasi perusahaan yang relevan.

Ringg juga dapat membagi pekerjaan ke subagen khusus untuk kualifikasi, dukungan, verifikasi, penjadwalan, dan eskalasi. Platform ini mengoordinasikan langkah-langkah tersebut sambil menjaga konsistensi percakapan dengan pelanggan di saluran suara, chat, WhatsApp, dan web.

Setelah membandingkan OpenAI dengan alternatif lain dari segi kualitas percakapan, latensi, kepatuhan pada instruksi, pemanggilan alat, kinerja multibahasa, keandalan, dan biaya, Ringg mendapati bahwa OpenAI memberikan keseimbangan terbaik secara keseluruhan untuk beban kerja produksi.

GPT‑5.6 dan model OpenAI lainnya juga lebih konsisten dalam mengikuti instruksi kompleks, menjalankan pemanggilan alat, mempertahankan konteks percakapan, dan beroperasi secara andal pada skala perusahaan.

Ringg mengarahkan pekerjaan ke model OpenAI tertentu sesuai kebutuhan tugas. GPT‑4.1 menangani sebagian besar trafik suara dan chat real-time. GPT‑5.6 Luna tetap digunakan dalam sistem produksi ketika kinerja, latensi, atau rasio harga-kinerjanya lebih sesuai untuk suatu permintaan. GPT‑5.6 Terra menangani analisis pascapanggilan, termasuk ringkasan dan klasifikasi sentimen. Sementara itu, GPT‑5.6 Sol mendukung evaluasi, penyempurnaan prompt, dan alur kerja yang menggunakan model sebagai penilai.

Saat pelanggan berbicara dalam panggilan suara atau mengirim chat, sistem orkestrasi Ringg memadukan masukan tersebut dengan instruksi agen, riwayat percakapan, data khusus pelanggan, konteks basis pengetahuan yang relevan, dan alat yang tersedia. Lapisan perutean Ringg lalu memilih model dan konfigurasi yang sesuai. Keluaran model diteruskan melalui sistem orkestrasi dan disampaikan lewat saluran pilihan pelanggan.

Untuk interaksi yang lebih panjang, sistem membuat ringkasan terstruktur saat konteks mendekati 80.000 token. Percakapan lalu dapat berlanjut dengan informasi penting tetap terjaga, tanpa harus berulang kali mengirim seluruh riwayat.

Ringg menguji model dengan percakapan terdahulu dan simulasi alur interaksi pelanggan sebelum menerapkannya di lingkungan produksi. Platform evaluasinya menggunakan hasil tersebut untuk mengidentifikasi kelemahan dan menyarankan perbaikan prompt, sehingga tercipta siklus peningkatan berkelanjutan bagi agen dan konfigurasinya.

Salah satu evaluasi menguji alur kerja analisis pascapanggilan Ringg. Perusahaan ini menguji GPT‑5.6 Terra terhadap alternatif seperti Gemini 2.5 Flash, dan Terra unggul. Ringg memindahkan pembuatan ringkasan dan klasifikasi sentimen ke GPT‑5.6 Terra. Terra mempertahankan akurasi tinggi untuk ringkasan dan analisis sentimen sekaligus meningkatkan efisiensi biaya per unit secara signifikan.

Perusahaan ini juga menguji model dalam berbagai bahasa dan variasi regional, termasuk percakapan yang berganti bahasa atau mencampur bahasa Inggris dengan frasa bahasa lokal—kebiasaan umum di pasar yang dilayaninya. GPT‑5.6 Terra mengungguli Gemini 2.5 Flash, dengan akurasi hingga 97% pada bahasa daerah yang umum digunakan. Ini menjadikan GPT‑5.6 lebih cocok untuk agen yang melayani pelanggan Ringg.

Model yang lolos pengujian offline diterapkan pada sebagian kecil trafik produksi sebelum penggunaannya diperluas. Di lingkungan produksi, router Ringg memantau latensi dan kondisi endpoint di berbagai wilayah, lalu mengalihkan trafik saat suatu endpoint tidak tersedia atau melampaui ambang latensi. Node khusus, peringatan, dan penerapan dengan pengelolaan versi membantu mengisolasi masalah dan membatasi dampaknya.

Pendekatan ini juga membantu Ringg meningkatkan efisiensi biaya per unit. Migrasi beban kerja real-time tertentu dari GPT‑4.1 ke GPT‑5.6 Luna menurunkan biaya model sekitar 90%.

Bagi perusahaan pelanggannya, agen Ringg menyelesaikan hingga 65% pertanyaan rutin pelanggan tanpa keterlibatan staf manusia.

Policybazaar, salah satu platform asuransi online terbesar di India, menggunakan Ringg untuk menghubungkan lebih dari 57.000 permintaan pelanggan, dan 67% panggilan ditangani tanpa campur tangan manusia. Waktu respons rata-rata Policybazaar turun dari 8–12 menit menjadi kurang dari 60 detik, membaik sekitar 88%.

Di Practo, platform layanan kesehatan global, agen Ringg membantu pelanggan membuat janji layanan kesehatan dan menyelesaikan permintaan layanan. Setelah penerapan, Practo mencapai tingkat penyelesaian pada panggilan pertama sebesar 85% dan waktu respons di bawah tiga detik. Biaya operasional turun 70% dibandingkan alur kerja sebelumnya yang ditangani manusia, sementara Ringg kini menyelesaikan lebih dari 1.000 pemesanan janji temu setiap hari.

Platform investasi online Groww menggunakan Ringg untuk menyelesaikan 72% pertanyaan masuk terkait IPO, kontrak berjangka, dan opsi sepenuhnya melalui layanan mandiri, dengan waktu penanganan rata-rata dua menit.

Dengan kemampuan penggunaan komputer dari OpenAI, Ringg mengembangkan agen browser untuk membantu pengguna mulai memakai platform, proses Kenali Pelanggan Anda (KYC), pemecahan masalah TI, dukungan siaga untuk insiden, dan pemrosesan klaim.

Perusahaan ini juga mengembangkan lapisan konteks yang dapat mempertahankan informasi lintas saluran dan interaksi. Pelanggan dapat memulai permintaan lewat suara, melanjutkannya di WhatsApp, lalu menyelesaikannya di browser tanpa harus mengulang detail yang sama setiap kali.

Bagi Ringg, operasi layanan pelanggan generasi berikutnya akan diukur dari hasil bisnis yang tercapai dan kedalaman otomatisasi, bukan volume panggilan atau jumlah staf.