OpenAI로 고객 전화의 최대 65%를 해결하는 Ringg AI 에이전트

통화량이 늘어나면 고객 서비스 부서는 보통 인력을 충원해 대응하지만, 이로 인해 고객 응대에 드는 비용과 복잡성도 커집니다. 음성 및 채팅 에이전트 플랫폼인 Ringg⁠(새 창에서 열기)는 인도의 대형 소비자 대상 기업들과 협력하면서 이 문제를 직접 확인했습니다.

이들 기업은 늘어나는 전화에 응대하는 데 어려움을 겪었을 뿐 아니라, 상담원들도 보험 가입부터 예약까지 고객의 업무 처리를 돕기 위해 서로 분리된 수작업 시스템과 씨름하고 있었습니다.

이러한 경험을 바탕으로 Ringg는 GPT‑5.6 같은 고효율 모델을 핵심으로 삼아 음성, 채팅, WhatsApp, 웹을 아우르는 기업용 에이전트 플랫폼을 구축했습니다. 적합한 실시간 워크로드를 GPT‑4.1에서 GPT‑5.6으로 이전한 결과, 요구되는 품질과 지연 시간 수준을 충족하면서 모델 비용을 약 90% 절감했습니다.

현재 Ringg의 에이전트는 매월 700만 건 이상의 연결된 통화를 처리하며, Ringg 고객사들의 평균 고객 만족도(CSAT) 점수는 4.8점입니다.

에이전트가 고객 요청을 끝까지 처리하려면 보험 약관 확인, 계정 기록 조회, 예약, CRM 업데이트가 필요할 수 있습니다. 관련 맥락을 그대로 유지한 채 전문 상담원에게 대화를 넘겨야 할 때도 있습니다.

Ringg는 실시간 상호작용에 GPT‑5.6 Luna와 다른 모델을 활용해 고객 요청을 해석하고 도구를 선택하며, 여러 단계로 이루어진 워크플로를 고객에게 안내합니다. Ringg의 오케스트레이션 계층은 CRM, 티켓 관리 플랫폼, 결제 시스템, 일정 관리 도구, 내부 API 전반에서 작업을 실행하며, 필요한 경우 대화 요약과 함께 상담원에게 사안을 이관합니다.

Ringg의 지식 시스템은 데이터 세트, PDF, CSV, 업무 문서 전반에 걸쳐 구조화된 필터링과 의미 기반 검색을 결합해, 에이전트가 관련 기업 정보를 활용하여 질문에 답하도록 돕습니다.

또한 Ringg는 자격 판단, 지원, 검증, 일정 조율, 상위 담당자 이관을 전담하는 하위 에이전트들에게 업무를 나누어 맡길 수 있습니다. 플랫폼은 이 단계들을 조율하면서 음성, 채팅, WhatsApp, 웹 전반에서 고객과 일관된 대화를 유지합니다.

Ringg는 대화 품질, 지연 시간, 지시 준수, 도구 호출, 다국어 성능, 안정성, 비용 측면에서 OpenAI와 다른 대안을 비교 평가했습니다. 그 결과, 실제 운영 워크로드에 필요한 요소들을 전반적으로 가장 균형 있게 제공하는 것은 OpenAI였습니다.

GPT‑5.6과 다른 OpenAI 모델은 복잡한 지시 준수, 도구 호출 실행, 대화 맥락 유지, 기업 규모에서의 안정적인 운영에서도 더 일관된 성능을 보였습니다.

Ringg는 작업의 요구 사항에 따라 특정 OpenAI 모델에 작업을 배정합니다. GPT‑4.1은 실시간 음성 및 채팅 트래픽의 대부분을 처리합니다. GPT‑5.6 Luna도 운영 스택에 계속 포함되어 있으며, 성능이나 지연 시간, 가격 대비 성능이 요청에 더 적합할 때 사용됩니다. GPT‑5.6 Terra는 요약과 감정 분류를 포함한 통화 후 분석을 담당합니다. GPT‑5.6 Sol은 평가, 프롬프트 개선, 모델을 평가자로 활용하는 워크플로를 지원합니다.

고객이 음성 통화 중 말을 하거나 채팅을 보내면, Ringg의 오케스트레이션 시스템은 해당 입력을 에이전트 지침, 대화 내역, 고객별 데이터, 지식 베이스의 관련 맥락, 사용 가능한 도구와 결합합니다. 그런 다음 Ringg의 라우팅 계층이 적합한 모델과 구성을 선택합니다. 모델의 출력은 오케스트레이션 시스템을 거쳐 고객이 선택한 채널로 전달됩니다.

대화가 길어져 컨텍스트가 약 80,000토큰에 가까워지면 시스템은 구조화된 요약을 생성합니다. 이를 통해 전체 내역을 반복해서 보내지 않고도 중요한 정보를 유지한 채 대화를 이어갈 수 있습니다.

Ringg는 운영 환경에 배포하기 전에 과거 대화와 시뮬레이션한 고객 이용 흐름으로 모델을 테스트합니다. 평가 플랫폼은 이 결과를 바탕으로 취약점을 파악하고 프롬프트 개선안을 제안해, 에이전트와 구성을 지속적으로 개선하는 순환 구조를 만듭니다.

평가 대상 중 하나는 Ringg의 통화 후 분석 워크플로였습니다. Ringg는 GPT‑5.6 Terra를 Gemini 2.5 Flash 등 다른 대안과 비교 테스트했으며, Terra가 가장 뛰어난 성능을 보였습니다. Ringg는 요약과 감정 분류 작업을 GPT‑5.6 Terra로 이전했습니다. Terra는 요약과 감정 분석에서 높은 정확도를 유지하면서 건당 비용 효율을 크게 높였습니다.

또한 Ringg는 다양한 언어와 지역별 언어 차이를 고려해 모델을 테스트합니다. 여기에는 서비스 지역에서 흔히 볼 수 있는, 대화 중 언어를 바꾸거나 영어와 현지어 표현을 섞어 쓰는 대화도 포함됩니다. GPT‑5.6 Terra는 널리 쓰이는 지역 언어에서 최대 97%의 정확도를 기록해 Gemini 2.5 Flash보다 우수한 성능을 보였습니다. 이에 따라 GPT‑5.6은 Ringg 고객사를 지원하는 에이전트에 더 적합한 선택이 되었습니다.

오프라인 테스트를 통과한 모델은 운영 트래픽의 일부에 먼저 적용한 뒤 점차 도입 범위를 넓힙니다. 운영 환경에서 Ringg의 라우터는 여러 지역의 지연 시간과 엔드포인트 상태를 모니터링하며, 엔드포인트를 사용할 수 없거나 지연 시간이 임계값을 넘으면 트래픽을 다른 곳으로 전환합니다. 특화된 노드, 알림, 버전 관리형 배포는 문제를 격리하고 그 영향을 제한하는 데 도움이 됩니다.

이러한 접근 방식은 Ringg의 건당 비용 효율을 높이는 데도 도움이 됩니다. 일부 실시간 워크로드를 GPT‑4.1에서 GPT‑5.6 Luna로 이전해 모델 비용을 약 90% 절감했습니다.

Ringg의 에이전트는 고객사에 접수되는 일상적인 고객 문의의 최대 65%를 상담원 개입 없이 해결합니다.

인도 최대 온라인 보험 플랫폼 중 하나인 Policybazaar는 Ringg를 활용해 57,000건 이상의 고객 요청을 연결하며, 통화의 67%는 상담원 개입 없이 처리됩니다. Policybazaar의 평균 응답 시간은 8~12분에서 60초 미만으로 줄어 약 88% 개선되었습니다.

글로벌 헬스케어 플랫폼 Practo에서는 Ringg의 에이전트가 고객의 진료 예약과 서비스 요청 처리를 돕습니다. 도입 후 Practo는 첫 통화 해결률 85%, 응답 시간 3초 미만을 달성했습니다. 운영 비용은 기존의 상담원 중심 워크플로 대비 70% 줄었으며, 현재 Ringg는 매일 1,000건 이상의 예약을 완료합니다.

온라인 투자 플랫폼 Groww는 Ringg를 활용해 기업공개(IPO), 선물, 옵션 관련 인바운드 문의의 72%를 셀프서비스만으로 해결하며, 평균 처리 시간은 2분입니다.

Ringg는 OpenAI의 컴퓨터 사용 기능을 활용해 플랫폼 온보딩, 고객 확인(KYC) 절차, IT 문제 해결, 당직 장애 대응 지원, 보험금 청구 처리를 위한 브라우저 에이전트를 개발하고 있습니다.

또한 채널과 대화가 달라져도 정보를 유지할 수 있는 컨텍스트 계층을 개발하고 있습니다. 고객은 음성으로 요청을 시작하고 WhatsApp에서 이어간 뒤 브라우저에서 마무리하면서, 매번 같은 내용을 반복해서 설명하지 않아도 됩니다.

Ringg가 바라보는 차세대 고객 서비스 운영의 평가 기준은 통화량이나 인력 규모가 아니라 실제 달성한 비즈니스 성과와 자동화의 깊이입니다.