Ringg e OpenAI: agenti IA risolvono fino al 65% delle chiamate

Quando il volume delle chiamate aumenta, i servizi di assistenza clienti in genere rispondono assumendo più personale, ma questo rende ogni interazione più costosa e complessa. Ringg⁠(si apre in una nuova finestra), una piattaforma di agenti vocali e per la chat, ha riscontrato questo problema lavorando con grandi aziende rivolte ai consumatori in India.

Queste aziende non faticavano solo a rispondere a un numero crescente di chiamate: i loro operatori dovevano anche destreggiarsi tra sistemi frammentati e processi manuali per aiutare i clienti, dall’acquisto di una polizza alla prenotazione di appuntamenti.

Questa esperienza ha spinto Ringg a creare una piattaforma di agenti per le imprese basata su modelli ad alta efficienza come GPT‑5.6, che opera su canali vocali, chat, WhatsApp e web. La migrazione dei carichi di lavoro in tempo reale idonei da GPT‑4.1 a GPT‑5.6 ha ridotto i costi dei modelli di circa il 90%, garantendo la qualità e la latenza richieste.

Gli agenti di Ringg gestiscono ora oltre 7 milioni di chiamate connesse al mese e le aziende clienti registrano un punteggio medio di soddisfazione dei clienti (CSAT) di 4,8.

Per soddisfare una richiesta, gli agenti potrebbero dover controllare una polizza, recuperare i dati di un account, fissare un appuntamento, aggiornare un CRM o trasferire la conversazione a uno specialista senza perdere il contesto rilevante.

Per le interazioni in tempo reale, Ringg usa GPT‑5.6 Luna e altri modelli per interpretare le richieste dei clienti, selezionare strumenti e guidare i clienti attraverso flussi di lavoro in più fasi. Il livello di orchestrazione di Ringg esegue azioni su CRM, piattaforme di ticketing, sistemi di pagamento, strumenti di pianificazione e API interne, passando i casi a un operatore con un riepilogo della conversazione quando necessario.

Il sistema di conoscenza di Ringg combina filtri strutturati e recupero semantico su dataset, PDF, CSV e documenti aziendali, aiutando gli agenti a rispondere alle domande con informazioni aziendali pertinenti.

Ringg può anche suddividere il lavoro tra sottoagenti specializzati in qualificazione, assistenza, verifica, pianificazione e passaggio dei casi a un livello di assistenza superiore. La piattaforma coordina queste fasi mantenendo coerente la conversazione con il cliente su canali vocali, chat, WhatsApp e web.

Dopo aver confrontato OpenAI con le alternative per qualità della conversazione, latenza, rispetto delle istruzioni, chiamate agli strumenti, prestazioni multilingue, affidabilità e costi, Ringg ha concluso che OpenAI offriva il miglior equilibrio complessivo per i carichi di lavoro in produzione.

GPT‑5.6 e altri modelli OpenAI hanno anche dimostrato maggiore costanza nel seguire istruzioni complesse, eseguire chiamate agli strumenti, mantenere il contesto della conversazione e operare in modo affidabile su scala aziendale.

Ringg assegna il lavoro a uno specifico modello OpenAI in base alle esigenze dell’attività. GPT‑4.1 gestisce la maggior parte del traffico vocale e in chat in tempo reale. GPT‑5.6 Luna resta nello stack di produzione e viene usato quando le sue prestazioni, la latenza o il rapporto prezzo-prestazioni sono più adatti a una richiesta. GPT‑5.6 Terra gestisce l’analisi dopo la chiamata, inclusi riepiloghi e classificazione del sentiment. GPT‑5.6 Sol supporta invece la valutazione, il miglioramento dei prompt e i flussi di lavoro in cui il modello funge da giudice.

Quando un cliente parla durante una chiamata o invia un messaggio in chat, il sistema di orchestrazione di Ringg combina quell’input con le istruzioni dell’agente, la cronologia della conversazione, i dati del cliente, il contesto pertinente della knowledge base e gli strumenti disponibili. Il livello di instradamento di Ringg seleziona quindi il modello e la configurazione appropriati. L’output del modello passa attraverso il sistema di orchestrazione e viene fornito tramite il canale scelto dal cliente.

Per le interazioni più lunghe, il sistema crea un riepilogo strutturato quando il contesto si avvicina agli 80.000 token. La conversazione può così proseguire conservando le informazioni importanti, senza inviare ogni volta l’intera cronologia.

Prima della messa in produzione, Ringg testa i modelli usando conversazioni passate e simulazioni dei percorsi dei clienti. La sua piattaforma di valutazione usa i risultati per individuare i punti deboli e suggerire miglioramenti ai prompt, creando un ciclo di miglioramento continuo per agenti e configurazioni.

Una delle valutazioni ha riguardato il flusso di analisi dopo la chiamata di Ringg. L’azienda ha confrontato GPT‑5.6 Terra con alternative come Gemini 2.5 Flash e Terra ha ottenuto i risultati migliori. Ringg ha affidato a GPT‑5.6 Terra i riepiloghi e la classificazione del sentiment. Terra ha mantenuto un’elevata accuratezza nei riepiloghi e nell’analisi del sentiment, migliorando sensibilmente la redditività per unità.

L’azienda testa i modelli anche su varianti linguistiche e regionali, comprese conversazioni che passano da una lingua all’altra o mescolano l’inglese con espressioni locali, una pratica comune nei mercati in cui opera. GPT‑5.6 Terra ha superato Gemini 2.5 Flash, raggiungendo un’accuratezza fino al 97% nelle lingue regionali più diffuse: un risultato che rende GPT‑5.6 più adatto agli agenti al servizio dei clienti di Ringg.

Ai modelli che superano i test offline viene assegnata una piccola quota del traffico in produzione, prima di estenderne l’adozione. In produzione, il router di Ringg monitora latenza e stato degli endpoint nelle diverse regioni e reindirizza il traffico quando un endpoint non è disponibile o supera una soglia di latenza. Nodi specializzati, avvisi e distribuzioni con controllo delle versioni aiutano a isolare i problemi e limitarne l’impatto.

Questo approccio aiuta Ringg anche a migliorare la redditività per unità. La migrazione di alcuni carichi di lavoro in tempo reale da GPT‑4.1 a GPT‑5.6 Luna ha ridotto i costi dei modelli di circa il 90%.

Per le aziende clienti, gli agenti di Ringg risolvono fino al 65% delle richieste ordinarie dei consumatori senza alcun intervento umano.

Policybazaar, una delle maggiori piattaforme assicurative online in India, usa Ringg per mettere in contatto oltre 57.000 richieste dei clienti con l’assistenza, e il 67% delle chiamate viene gestito senza intervento umano. Il tempo medio di risposta di Policybazaar è sceso da 8–12 minuti a meno di 60 secondi, con un miglioramento di circa l’88%.

Practo, una piattaforma sanitaria globale, usa gli agenti di Ringg per aiutare i clienti a prenotare visite mediche e completare richieste di servizi. Dopo l’implementazione, Practo ha raggiunto un tasso di risoluzione alla prima chiamata dell’85% e tempi di risposta inferiori a tre secondi. I costi operativi sono diminuiti del 70% rispetto al precedente flusso gestito da operatori, mentre Ringg ora completa oltre 1.000 prenotazioni di appuntamenti al giorno.

La piattaforma di investimento online Groww usa Ringg per risolvere il 72% delle richieste in entrata su IPO, futures e opzioni interamente in modalità self-service, con un tempo medio di gestione di due minuti.

Grazie alle funzionalità di utilizzo del computer di OpenAI, Ringg sta sviluppando agenti per il browser dedicati all’onboarding sulle piattaforme, alle procedure Know Your Customer (KYC), alla risoluzione dei problemi IT, all’assistenza su chiamata per gli incidenti e alla gestione dei sinistri.

L’azienda sta inoltre sviluppando un livello di contesto in grado di conservare le informazioni tra canali e interazioni. Un cliente potrebbe avviare una richiesta a voce, proseguirla su WhatsApp e completarla in un browser senza dover ripetere ogni volta gli stessi dettagli.

Per Ringg, la prossima generazione di servizi ai clienti sarà valutata in base ai risultati aziendali raggiunti e al grado di automazione, anziché al volume delle chiamate o al numero di addetti.