Parloa nggawe agen layanan sing disenengi pelanggan

Nalika Parloa lagi madeg, Stefan Ostwald minangka salah siji pangadege ngentekake sedina ing pusat panggilan asuransi, papan time lagi nggawe pengalaman swara wiwitan. Lungguh jejer karo para petugas, dheweke ngrungokake pacelathon sing padha kedadeyan bola-bali: ngreset sandhi, pitakonan babagan polis, lan owah-owahan rutin. Dheweke ngerti manawa akeh pakaryan kasebut bisa diotomatisasi.

Sawise pengalaman kasebut, Parloa⁠(mbukak ing jendhela anyar) sing berbasis ing Berlin wiwit nggawe agen swara adhedhasar aturan kanggo ngotomatisasi interaksi pelanggan kanthi volume gedhe.

Kanthi anane ChatGPT, perusahaan kasebut banjur nggawe AI Agent Management Platform (AMP), sing dibangun nganggo model generasi anyar kalebu GPT‑5.4.

AMP mbantu perusahaan ngrancang, ngetrapake, lan ngatur interaksi layanan pelanggan ing skala gedhe. Tinimbang nyusun maksud lan alur sing kaku, tim nemtokake prilaku nganggo basa alami, nyambungake sistem internal, lan nindakake iterasi kanthi cepet liwat simulasi lan evaluasi bawaan.

Parloa nglakokake interaksi kasebut saka wiwitan nganti pungkasan, saka pangalihan prasaja nganti panjaluk rumit kanthi pirang-pirang langkah. Fokuse yaiku konsistensi ing produksi, amarga kinerja, latensi, lan kasus pinggiran padha-padha wigati. Kanggo nggayuh kuwi, Parloa terus nguji model nganggo skenario pelanggan nyata sadurunge ditrapake.

Agent Management Platform (AMP) saka Parloa dirancang supaya pangguna bisnis lan ahli bidang bisa nggawe agen AI tanpa nulis kode.

“Kanthi AMP, ahli bidang saka macem-macem unit bisnis bisa nggawe agen lan nyambungake API kanthi cara sing luwih ramping lan prasaja,” ujare O’Reilly.

Kanthi umum, AMP ngidini merek ngatur kabeh siklus urip agen AI. Carane yaiku menehi tim nonteknis sarana sing luwih prasaja kanggo nemtokake prilaku agen sadurunge digunakake langsung. Tinimbang nulis kode utawa nyusun wit maksud sing kaku, ahli bidang nemtokake peran, pandhuan, piranti, lan wates agen nganggo basa alami. Konfigurasi kasebut dadi dhasar kanggo prompt sing diwenehake marang model lan prilaku sistem ing produksi.

Sawise ditemtokake, agen diuji sadurunge ditrapake. Parloa nyimulasi pacelathon pelanggan nganggo model kayata GPT‑5.4, kanthi siji model dadi panelpon lan model liyane nglakokake agen sing wis dikonfigurasi. Tim bisa mriksa interaksi kasebut langsung, nguji owah-owahan nganggo skenario nyata, lan nindakake iterasi sadurunge diluncurake.

Model sing padha banjur digunakake kanggo ngevaluasi pacelathon kasebut nganggo gabungan pamriksa deterministik lan pambiji LLM-minangka-juri. Asile nuduhake apa agen wis manut pandhuan, nggunakake piranti kanthi bener, lan ngrampungake tugas kaya sing dikarepake.

Sajrone pacelathon langsung, lapisan orkestrasi AMP menehi prompt marang model OpenAI adhedhasar konfigurasi agen lan konteks pacelathon kanggo ngasilake tanggapan, njupuk informasi liwat RAG, utawa ngaktifake piranti supaya bisa sesambungan karo backend pelanggan. Parloa terus nganyari lapisan iki nganggo model generasi paling anyar nalika model kasebut nuduhake peningkatan kinerja sing cetha ing kahanan nyata.

Sawise pacelathon rampung, alur kerja kapisah sing didhukung OpenAI ngringkes interaksi, nggolongake maksud pelanggan, lan ngevaluasi kinerja miturut aturan sing wis ditemtokake.

Nalika agen dadi saya rumit, njaga siji prompt monolitik dadi saya angel. Owah-owahan cilik bisa nyebabake efek samping sing ora dikarepake. Kanggo ngatasi iki, Parloa ngenalake pendekatan modular. Tugas kayata autentikasi, owah-owahan pesenan, utawa nganyari akun bisa dipisah dadi subagen dhewe-dhewe. Iki ningkatake kepatuhan marang pandhuan lan nggampangake pangembangan sistem.

Ing wektu sing padha, platform iki nggunakake kontrol deterministik ing bagean sing paling mbutuhake keandalan. Perusahaan bisa nemtokake rantai API terstruktur lan logika adhedhasar prastawa kanggo mesthekake langkah wigati ditindakake kanthi urutan sing bener, supaya keluwesan pacelathon lan eksekusi sing bisa diprediksi tetep imbang.

Parloa nggunakake model kayata GPT‑4.1, GPT‑5‑mini, lan liyane kanggo nyimulasi interaksi pelanggan sing nyata sadurunge agen diluncurake, banjur ngevaluasi interaksi kasebut nganggo gabungan LLM-minangka-juri lan aturan deterministik. Iki ngidini tim nguji kasus pinggiran, nindakake iterasi kanthi cepet, lan ngesahake kinerja sadurunge pelanggan ngalami kegagalan.

Parloa utamane makarya karo perusahaan gedhe, sing nganggep konsistensi padha wigatine karo kapabilitas.

“Nalika ana model anyar, kita nguji model kasebut nganggo rangkaian tolok ukur,” ujare Matthäus Deutsch, Ilmuwan Terapan Senior. “Kanggo kita, samubarang kudu bisa mlaku ora mung ing tolok ukur teoretis, nanging uga ing kasus panggunaan nyata.”

Tinimbang ngandelake tolok ukur abstrak, Parloa niru agen produksi nyata lan nglakokake liwat alur simulasi lan evaluasi. Tes kasebut ngukur keandalan anggone manut pandhuan, konsistensi panggilan API, latensi, lan kinerja sakabèhé ing kahanan nyata.

Evaluasi kasebut nemtokake model endi sing siap digunakake ing produksi. Mung model sing nduweni kinerja andal ing macem-macem skenario pelanggan nyata sing ditrapake.

“Pelanggan perusahaan kudu nanggung biaya migrasi sing nyata,” ujare Deutsch. “Sawise sistem bisa mlaku ing produksi, sistem kasebut dijaga supaya tetep stabil lan mung diganti yen paedahe wis cetha.”

Asile, prilaku sistem ing produksi bisa diprediksi, sanajan ing skala gedhe. Saka mayuta-yuta interaksi pelanggan, akeh-akehe pacelathon bisa dirampungake tanpa alangan. Sanajan panggilan dialihake menyang petugas manungsa, eskalasi arang disebabake kegagalan. Ing salah siji implementasi, perusahaan lelungan global nyuda panjaluk kanggo petugas manungsa nganti 80%.

Pola pikir sing ngutamakake evaluasi iki dadi pembeda utama, saéngga Parloa bisa maju kanthi cepet tanpa ngorbanake keandalan ing produksi.

Swara nduweni watesan sing beda karo obrolan adhedhasar teks. Saben interaksi ngliwati alur kanthi latensi endhek: wicara menyang teks, nalar model, lan teks menyang wicara.

Alur iki ndadekake latensi dadi faktor sing wigati. Keterlambatan cilik ing lapisan model bisa numpuk dadi jeda sing dirasakake panelpon, lan iki mengaruhi cara model dipilih lan dioptimalake.

Parloa makarya raket karo OpenAI kanggo ngoptimalake kinerja ing kasus panggunaan wektu nyata, kanthi fokus ing latensi, mutu tanggapan, lan kepatuhan marang pandhuan. Tim kasebut terus ngevaluasi lan nguji ketahanan iterasi model anyar ing lingkungan kaya produksi sadurunge digunakake ing interaksi pelanggan langsung.

Parloa ngevaluasi saben komponen tumpukan teknologi swara kanthi kapisah:

• Sistem wicara menyang teks diuji adhedhasar tingkat kaluputan tembung, utamane kanggo input sensitif kayata nomer polis utawa pengenal akun.
• Model teks menyang wicara dievaluasi liwat tes ngrungokake wuta kanggo mbiji sepira alamine swara kasebut tumrap pangguna nyata. Asil kasebut banjur dicocogake karo interaksi pelanggan nyata kanggo mesthekake kinerja sing konsisten ing lingkungan produksi.
• Model wicara menyang wicara saiki lagi dievaluasi kesiapane kanggo produksi, kanthi fokus ing latensi, akurasi, lan biaya.

Wiwit awal, sistem kasebut wis digawe kanggo ditrapake ing saindenging donya. Tolok ukur nyakup pirang-pirang basa, kanthi pelanggan sing beroperasi ing macem-macem wilayah ing saindenging donya. Katelitian multibasa iki nggambarake asal-usul Parloa ing Eropa lan pangarep-arep pelanggan perusahaan, sing mbutuhake kinerja konsisten ing kabeh pasar, ora mung ing siji basa utawa wilayah.

Saiki, agen Parloa nangani mayuta-yuta pacelathon ing macem-macem industri, kalebu ritel, lelungan, lan asuransi, kanggo kasus panggunaan saka otomatisasi dhukungan nganti alur sing ngasilake bathi kayata blanja liwat telpon.

Parloa ndeleng layanan pelanggan bakal berkembang dadi pengalaman multimodal kanthi pepak.

Pacelathon bisa diwiwiti liwat telpon, diterusake ing obrolan, lan nyakup pranala utawa unsur interaktif sajrone proses kasebut. Tinimbang nganggep saben langkah minangka alur kapisah, AMP dirancang kanggo nangani kabeh minangka siji interaksi. Ing tembe, agen AI bisa dadi bagean utama lelampahan pelanggan kaya situs web lan aplikasi seluler.

Nalika perusahaan saya akeh ngotomatisasi interaksi pelanggan, Parloa fokus nggawe agen AI sing cukup andal, fleksibel, lan dipercaya supaya bisa beroperasi ing skala global.