„Ringg“ DI agentai su „OpenAI“ išsprendžia iki 65 % užklausų

Augant skambučių skaičiui, klientų aptarnavimo pajėgumai paprastai didinami samdant daugiau darbuotojų, tačiau dėl to kiekvienas bendravimas su klientu tampa brangesnis ir sudėtingesnis. Balso ir tekstinių pokalbių agentų platforma „Ringg⁠(atsidaro naujame lange)“ tiesiogiai susidūrė su šia problema dirbdama su didelėmis Indijos įmonėmis, aptarnaujančiomis vartotojus.

Šioms įmonėms buvo sunku ne tik atsiliepti į vis daugiau skambučių. Jų klientų aptarnavimo specialistams teko dirbti su tarpusavyje nesusietomis sistemomis, reikalaujančiomis rankinio darbo, kad padėtų klientams atlikti užduotis – nuo draudimo įsigijimo iki registracijos vizitui.

Ši patirtis paskatino „Ringg“ sukurti įmonėms skirtą agentų platformą, pagrįstą itin efektyviais modeliais, tokiais kaip GPT‑5.6, ir apimančią balso bei tekstinius pokalbius, „WhatsApp“ ir žiniatinklį. Tinkamas realiojo laiko užduotis perkėlus iš GPT‑4.1 į GPT‑5.6, išlaidos modeliams sumažėjo maždaug 90 %, išlaikant reikiamą kokybę ir atsako spartą.

Dabar „Ringg“ agentai kas mėnesį aptarnauja daugiau nei 7 mln. skambučių, per kuriuos užmezgamas ryšys, o platformą naudojančių įmonių vidutinis klientų pasitenkinimo (CSAT) įvertis siekia 4,8.

Kad agentai įvykdytų kliento prašymą, jiems gali tekti patikrinti draudimo polisą, gauti paskyros įrašą, suplanuoti vizitą, atnaujinti CRM arba perduoti pokalbį specialistui, išsaugant visą reikalingą kontekstą.

Bendraudama realiuoju laiku, „Ringg“ naudoja GPT‑5.6 Luna ir kitus modelius klientų prašymams suprasti, įrankiams parinkti ir klientams padėti atlikti kelių etapų užduotis. „Ringg“ procesų koordinavimo sluoksnis atlieka veiksmus CRM, užklausų valdymo platformose, mokėjimo sistemose, planavimo įrankiuose ir vidinėse API, o prireikus perduoda atvejį darbuotojui kartu su pokalbio santrauka.

„Ringg“ žinių sistema derina struktūrinį filtravimą ir semantinę paiešką duomenų rinkiniuose, PDF bei CSV failuose ir verslo dokumentuose, kad agentai galėtų atsakyti į klausimus remdamiesi aktualia įmonės informacija.

„Ringg“ taip pat gali paskirstyti darbą specializuotiems pagalbiniams agentams, kurie vertina klientų tinkamumą, teikia pagalbą, atlieka patikras, planuoja vizitus ir perduoda atvejus specialistams. Platforma koordinuoja šiuos veiksmus ir užtikrina nuoseklų pokalbį su klientu balsu, tekstu, per „WhatsApp“ ir žiniatinklyje.

Palyginusi „OpenAI“ su alternatyvomis pagal pokalbio kokybę, delsą, instrukcijų laikymąsi, įrankių iškvietimą, veikimą įvairiomis kalbomis, patikimumą ir kainą, „Ringg“ nustatė, kad „OpenAI“ siūlo geriausią bendrą šių savybių derinį užduotims veikiančioje sistemoje.

GPT‑5.6 ir kiti „OpenAI“ modeliai taip pat nuosekliau laikėsi sudėtingų instrukcijų, vykdė įrankių iškvietimus, išlaikė pokalbio kontekstą ir patikimai veikė įmonėms reikalingu mastu.

„Ringg“ perduoda darbą konkrečiam „OpenAI“ modeliui pagal užduoties poreikius. GPT‑4.1 apdoroja didžiąją dalį realiojo laiko balso ir tekstinių pokalbių srauto. GPT‑5.6 Luna tebėra veikiančios sistemos dalis ir naudojamas tada, kai jo našumas, delsa arba kainos ir našumo santykis geriau atitinka užklausos poreikius. GPT‑5.6 Terra atlieka analizę po skambučio, įskaitant santraukų rengimą ir emocinio tono klasifikavimą. O GPT‑5.6 Sol naudojamas vertinimui, užklausų tobulinimui ir procesams, kuriuose modelis veikia kaip vertintojas.

Kai klientas kalba telefonu arba siunčia žinutę, „Ringg“ procesų koordinavimo sistema sujungia šią įvestį su agento instrukcijomis, pokalbio istorija, konkretaus kliento duomenimis, aktualiu žinių bazės kontekstu ir prieinamais įrankiais. Tada „Ringg“ maršruto parinkimo sluoksnis parenka tinkamą modelį ir konfigūraciją. Modelio išvestis perduodama per procesų koordinavimo sistemą ir pateikiama kliento pasirinktu kanalu.

Ilgesnių pokalbių metu sistema sukuria struktūrizuotą santrauką, kai kontekstas priartėja prie maždaug 80 000 žetonų. Taip pokalbis gali tęstis išsaugant svarbią informaciją ir nesiunčiant visos istorijos iš naujo.

Prieš diegdama modelius į veikiančią sistemą, „Ringg“ juos išbando pasitelkdama ankstesnius pokalbius ir imituojamus klientų aptarnavimo scenarijus. Jos vertinimo platforma pagal šiuos rezultatus nustato trūkumus ir siūlo, kaip patobulinti užklausas, taip užtikrindama nuolatinį agentų ir jų konfigūracijų tobulinimą.

Vienas iš vertinimų buvo skirtas „Ringg“ analizės po skambučio procesui. Įmonė išbandė GPT‑5.6 Terra ir alternatyvas, tokias kaip Gemini 2.5 Flash, o geriausius rezultatus parodė Terra. „Ringg“ santraukų rengimą ir emocinio tono klasifikavimą perkėlė į GPT‑5.6 Terra. Terra išlaikė didelį santraukų ir emocinio tono analizės tikslumą, kartu gerokai pagerindamas vienos užduoties ekonominį efektyvumą.

Įmonė taip pat išbando modelius su įvairiomis kalbomis ir jų regioniniais variantais, įskaitant pokalbius, kuriuose pereinama iš vienos kalbos į kitą arba anglų kalba maišoma su vietinės kalbos frazėmis – tai įprasta jos aptarnaujamose rinkose. GPT‑5.6 Terra pranoko Gemini 2.5 Flash ir pasiekė iki 97 % tikslumą plačiai vartojamomis regioninėmis kalbomis, todėl GPT‑5.6 geriau tiko „Ringg“ klientus aptarnaujantiems agentams.

Modeliams, sėkmingai išlaikiusiems bandymus atskiroje aplinkoje, pirmiausia patikima nedidelė realaus srauto dalis, o vėliau jų naudojimas plečiamas. Veikiančioje sistemoje „Ringg“ maršruto parinkimo komponentas stebi delsą ir prieigos taškų būklę įvairiuose regionuose. Kai prieigos taškas tampa nepasiekiamas arba viršijama delsos riba, srautas nukreipiamas kitur. Specializuoti mazgai, įspėjimai ir versijuojami diegimai padeda izoliuoti problemas ir apriboti jų poveikį.

Šis metodas taip pat padeda „Ringg“ pagerinti vienos užduoties ekonominį efektyvumą. Kai kurias realiojo laiko užduotis perkėlus iš GPT‑4.1 į GPT‑5.6 Luna, išlaidos modeliams sumažėjo maždaug 90 %.

„Ringg“ agentai platformą naudojančiose įmonėse išsprendžia iki 65 % įprastų klientų užklausų be jokio aptarnavimo darbuotojo įsikišimo.

Viena didžiausių Indijos internetinių draudimo platformų „Policybazaar“ naudoja „Ringg“ ryšiui užmegzti pagal daugiau nei 57 000 klientų užklausų, o 67 % skambučių aptarnaujama be žmogaus įsikišimo. Vidutinis „Policybazaar“ atsakymo laikas sutrumpėjo nuo 8–12 minučių iki mažiau nei 60 sekundžių – maždaug 88 %.

Pasaulinėje sveikatos priežiūros platformoje „Practo“ „Ringg“ agentai padeda klientams užsiregistruoti pas sveikatos priežiūros specialistus ir pateikti paslaugų užsakymus. Įdiegus platformą, „Practo“ pasiekė 85 % užklausų išsprendimo pirmuoju skambučiu rodiklį, o atsakymo laikas nesiekė trijų sekundžių. Veiklos sąnaudos sumažėjo 70 %, palyginti su ankstesniu procesu, kurį vykdė darbuotojai, o „Ringg“ dabar kasdien užregistruoja daugiau nei 1 000 vizitų.

Internetinė investavimo platforma „Groww“, pasitelkdama „Ringg“, vien savitarna išsprendžia 72 % gaunamų užklausų apie pirminius viešus akcijų siūlymus, ateities ir pasirinkimo sandorius. Vidutinis aptarnavimo laikas – dvi minutės.

Pasitelkdama „OpenAI“ naudojimosi kompiuteriu galimybes, „Ringg“ kuria naršyklės agentus, skirtus padėti pradėti naudotis platformomis, vykdyti „Pažink savo klientą“ (KYC) procedūras, šalinti IT triktis, padėti budintiems incidentų specialistams ir nagrinėti draudimo išmokų prašymus.

Įmonė taip pat kuria konteksto sluoksnį, kuris gali išsaugoti informaciją keičiantis bendravimo kanalams ir tęsiantis pokalbiams. Klientas galėtų pateikti prašymą balsu, tęsti jį per „WhatsApp“ ir užbaigti naršyklėje, kiekvieną kartą nekartodamas tų pačių duomenų.

„Ringg“ požiūriu, naujos kartos klientų aptarnavimas bus vertinamas pagal pasiektus verslo rezultatus ir automatizavimo lygį, o ne skambučių ar darbuotojų skaičių.