OpenAI を活用した Ringg の AI エージェント、顧客からの電話の最大 65% を解決

電話の件数が増えると、カスタマーサービス部門は通常、増員によって対応しますが、それに伴い一件あたりの対応コストが増え、業務も複雑になります。音声・チャットエージェントのプラットフォームを提供する Ringg⁠（新しいウィンドウで開く） は、インドの大手消費者向け企業との取り組みを通じて、この課題を目の当たりにしました。

これらの企業は、増え続ける電話への対応に苦慮していただけではありません。カスタマーサービス担当者も、保険の購入から予約まで、顧客の手続きを支援するために、分断された手作業中心のシステムと格闘していました。

この経験をきっかけに、Ringg は GPT‑5.6 などの高効率モデルを中核に据え、音声、チャット、WhatsApp、ウェブに対応する企業向けエージェントプラットフォームを構築しました。移行に適したリアルタイムのワークロードを GPT‑4.1 から GPT‑5.6 に移すことで、必要な品質と応答速度を確保しながら、モデルのコストを約 90% 削減しました。

現在、Ringg のエージェントは毎月 700 万件以上の接続済み通話に対応しており、導入企業の平均顧客満足度（CSAT）スコアは 4.8 です。

エージェントが顧客の依頼を完了するには、保険契約の確認、アカウント情報の取得、予約の手配、CRM の更新、あるいは関連する経緯を漏れなく引き継いだうえでの専門担当者への転送などが必要になる場合があります。

リアルタイムのやり取りでは、Ringg は GPT‑5.6 Luna などのモデルを使い、顧客の依頼を解釈し、ツールを選び、複数のステップからなるワークフローを案内します。Ringg のオーケストレーション層は、CRM、チケット管理プラットフォーム、決済システム、予約ツール、社内 API を横断してアクションを実行し、必要に応じて会話の要約とともに案件を人間の担当者に引き継ぎます。

Ringg のナレッジシステムは、構造化されたフィルタリングと、データセット、PDF、CSV、業務文書を横断する意味検索を組み合わせています。これにより、エージェントは関連する企業情報を使って質問に回答できます。

Ringg は、適格性の判定、サポート、確認、予約、エスカレーションに特化したサブエージェントに業務を分担させることもできます。プラットフォームはこれらのステップを連携させながら、音声、チャット、WhatsApp、ウェブを通じて顧客との会話の一貫性を保ちます。

Ringg は、会話の品質、レイテンシー、指示への忠実さ、ツール呼び出し、多言語性能、信頼性、コストの面で OpenAI と他の選択肢を比較評価しました。その結果、本番ワークロードにおいて総合的に最も優れたバランスを備えていたのが OpenAI でした。

GPT‑5.6 をはじめとする OpenAI モデルは、複雑な指示への対応、ツール呼び出しの実行、会話の文脈の維持、企業規模での安定稼働においても、より一貫した性能を発揮しました。

Ringg はタスクの要件に応じて、特定の OpenAI モデルに処理を振り分けます。GPT‑4.1 は、リアルタイムの音声・チャット処理の大部分を担います。GPT‑5.6 Luna も引き続き本番環境に組み込まれており、性能、レイテンシー、費用対効果の特性が依頼により適している場合に使われます。GPT‑5.6 Terra は、要約や感情分類などの通話後の分析を担当します。そして GPT‑5.6 Sol は、評価、プロンプトの改善、モデルを評価者として使うワークフローを支えます。

顧客が音声通話中に話したり、チャットを送信したりすると、Ringg のオーケストレーションシステムは、その入力をエージェントへの指示、会話履歴、顧客固有のデータ、ナレッジベース内の関連情報、利用可能なツールと組み合わせます。続いて、Ringg のルーティング層が適切なモデルと設定を選択します。モデルの出力はオーケストレーションシステムを経由し、顧客が選んだチャネルで届けられます。

やり取りが長くなり、コンテキストが約 80,000 トークンに近づくと、システムは構造化された要約を作成します。これにより、履歴全体を繰り返し送ることなく、重要な情報を保持したまま会話を続けられます。

Ringg は本番環境への導入前に、過去の会話や顧客対応フローのシミュレーションを使ってモデルをテストします。評価プラットフォームはその結果から弱点を特定し、プロンプトの改善案を提示します。こうして、エージェントとその設定を継続的に改善するサイクルを生み出しています。

評価の一つでは、Ringg の通話後分析ワークフローを取り上げました。同社は GPT‑5.6 Terra を Gemini 2.5 Flash などの他のモデルと比較テストし、Terra が最も優れた結果を示しました。Ringg は、要約と感情分類の処理を GPT‑5.6 Terra に移行しました。Terra は要約と感情分析の高い精度を維持しながら、一件あたりの採算性を大きく改善しました。

同社は、言語や地域による違いを踏まえたモデルのテストも行っています。対象には、同社がサービスを提供する市場でよく見られる、会話の途中で言語を切り替えたり、英語に現地の言語のフレーズを交ぜたりするやり取りも含まれます。GPT‑5.6 Terra は、広く使われる地域言語で最大 97% の精度を達成し、Gemini 2.5 Flash を上回りました。この結果から、GPT‑5.6 は Ringg の顧客に対応するエージェントに、より適したモデルとなりました。

オフラインテストに合格したモデルは、まず本番トラフィックのごく一部に導入し、その後、展開範囲を広げます。本番環境では、Ringg のルーターが各リージョンのレイテンシーとエンドポイントの稼働状態を監視します。エンドポイントが利用不能になったり、レイテンシーがしきい値を超えたりした場合は、トラフィックの振り分け先を切り替えます。専用ノード、アラート、バージョン管理されたデプロイにより、問題を切り分け、影響を最小限に抑えます。

このアプローチは、Ringg の一件あたりの採算性の改善にも役立っています。一部のリアルタイムワークロードを GPT‑4.1 から GPT‑5.6 Luna に移行することで、モデルのコストを約 90% 削減しました。

Ringg のエージェントは、導入企業に寄せられる定型的な顧客の問い合わせの最大 65% を、人間の担当者を一切介さずに解決しています。

インド最大級のオンライン保険プラットフォームである Policybazaar は、Ringg を使って 57,000 件以上の顧客の問い合わせを接続し、通話の 67% を人の介入なしで処理しています。Policybazaar の平均応答時間は 8～12 分から 60 秒未満に短縮され、約 88% 改善しました。

グローバルなヘルスケアプラットフォームである Practo では、Ringg のエージェントが、顧客の診療予約やサービスの申し込み手続きを支援しています。導入後、Practo は初回通話での解決率 85%、応答時間 3 秒未満を達成しました。運用コストは従来の人間中心のワークフローと比べて 70% 減少し、現在 Ringg は毎日 1,000 件以上の予約を完了しています。

オンライン投資プラットフォームの Groww は、Ringg を使い、IPO、先物、オプションに関する問い合わせの 72% を完全なセルフサービスで解決しています。平均対応時間は 2 分です。

Ringg は OpenAI のコンピューター操作機能を使い、プラットフォームの利用開始手続き、本人確認（KYC）、IT のトラブルシューティング、オンコールのインシデント対応、保険金請求処理を支援するブラウザーエージェントを開発しています。

同社は、チャネルややり取りをまたいで情報を保持できるコンテキスト層も開発しています。たとえば、顧客が音声で依頼を始め、WhatsApp で続きを進め、ブラウザーで完了する場合でも、毎回同じ内容を説明し直す必要がなくなります。

Ringg にとって、次世代の顧客対応業務の評価指標は、通話件数や人員数ではなく、実際に達成した業務上の成果と、自動化がどこまで進んでいるかです。