OpenAI सह Ringg एजंट: 65% पर्यंत कॉलवरील प्रश्नांचे निराकरण

कॉलची संख्या वाढली की ग्राहक सेवा विभाग सहसा अधिक कर्मचारी नेमून कामाचा व्याप सांभाळतात. मात्र, यामुळे प्रत्येक संवादाचा खर्च आणि गुंतागुंत वाढते. आवाज आणि लिखित संवादासाठी एजंट पुरवणाऱ्या Ringg⁠(नवीन विंडोमध्ये उघडेल) या व्यासपीठाला भारतातील मोठ्या ग्राहकाभिमुख व्यवसायांसोबत काम करताना ही समस्या प्रत्यक्ष अनुभवायला मिळाली.

या कंपन्यांना अधिक कॉलना उत्तरे देणे तर कठीण जातच होते; शिवाय, विमा खरेदीपासून भेटीची वेळ ठरवण्यापर्यंत ग्राहकांची कामे पूर्ण करण्यासाठी त्यांच्या ग्राहक सेवा प्रतिनिधींना विखुरलेल्या, हाताने चालवाव्या लागणाऱ्या प्रणालींशी झगडावे लागत होते.

या अनुभवातून Ringg ने GPT‑5.6 सारख्या अत्यंत कार्यक्षम मॉडेलवर आधारित, आवाज, लिखित संवाद, WhatsApp आणि वेब यांना व्यापणारे व्यावसायिक एजंट व्यासपीठ तयार केले. तत्काळ प्रतिसादाची गरज असलेली योग्य कामे GPT‑4.1 वरून GPT‑5.6 वर हलवल्याने आवश्यक गुणवत्ता आणि प्रतिसादवेळ राखून मॉडेलचा खर्च सुमारे 90% कमी झाला.

Ringg चे एजंट आता दरमहा जोडले गेलेले 70 लाखांहून अधिक कॉल हाताळतात आणि त्याच्या ग्राहकांचा सरासरी ग्राहक समाधान गुणांक 4.8 आहे.

ग्राहकाची विनंती पूर्ण करण्यासाठी एजंटना विमा पॉलिसी तपासणे, खात्याची नोंद मिळवणे, भेटीची वेळ ठरवणे, ग्राहक संबंध व्यवस्थापन प्रणाली अद्ययावत करणे किंवा संबंधित संदर्भासह संवाद तज्ज्ञाकडे सोपवणे आवश्यक असू शकते.

थेट संवादात ग्राहकांच्या विनंत्या समजून घेण्यासाठी, साधने निवडण्यासाठी आणि अनेक टप्प्यांच्या कार्यप्रक्रियांमध्ये ग्राहकांना मार्गदर्शन करण्यासाठी Ringg, GPT‑5.6 Luna आणि इतर मॉडेल वापरते. Ringg चा समन्वय स्तर ग्राहक संबंध व्यवस्थापन प्रणाली, तक्रार व्यवस्थापन व्यासपीठे, देयक प्रणाली, वेळापत्रकाची साधने आणि अंतर्गत एपीआय यांत कृती करतो. गरज पडल्यास संवादाच्या सारांशासह प्रकरण मानवी प्रतिनिधीकडे सोपवतो.

Ringg ची ज्ञानप्रणाली डेटासंच, पीडीएफ, सीएसव्ही आणि व्यावसायिक दस्तऐवजांमधील माहिती निकषांनुसार गाळते व अर्थानुसार शोधते. त्यामुळे एजंटना संस्थेची संबंधित माहिती वापरून प्रश्नांची उत्तरे देता येतात.

पात्रता तपासणी, मदत, पडताळणी, वेळापत्रक ठरवणे आणि प्रकरण वरिष्ठांकडे सोपवणे यांसाठी Ringg विशिष्ट उपएजंटमध्ये कामही विभागू शकते. हे व्यासपीठ या टप्प्यांचा समन्वय साधते आणि आवाज, लिखित संवाद, WhatsApp व वेब या सर्व माध्यमांत ग्राहकासोबतच्या संवादात सातत्य राखते.

Ringg ने संवादाची गुणवत्ता, प्रतिसादवेळ, सूचनांचे पालन, साधनांचा वापर, बहुभाषिक कामगिरी, विश्वासार्हता आणि खर्च या निकषांवर OpenAI व इतर पर्याय तपासले. प्रत्यक्ष वापरातील कामांसाठी या सर्व बाबींचा सर्वोत्तम समतोल OpenAI मध्ये आढळला.

गुंतागुंतीच्या सूचनांचे पालन, साधनांचा वापर, संवादाचा संदर्भ जपणे आणि संस्थात्मक स्तरावर विश्वासार्हपणे काम करणे यांतही GPT‑5.6 आणि इतर OpenAI मॉडेलची कामगिरी अधिक सातत्यपूर्ण होती.

कामाच्या गरजेनुसार Ringg ते विशिष्ट OpenAI मॉडेलकडे सोपवते. बहुतेक थेट ध्वनी आणि लिखित संवाद GPT‑4.1 हाताळते. GPT‑5.6 Luna प्रत्यक्ष वापरातील प्रणालीत कायम आहे. त्याची कामगिरी, प्रतिसादवेळ किंवा किंमतीच्या तुलनेतील कामगिरी एखाद्या विनंतीला अधिक अनुकूल असेल तेव्हा ते वापरले जाते. GPT‑5.6 Terra कॉलनंतरचे विश्लेषण हाताळते, ज्यात सारांश आणि भावनांचे वर्गीकरण समाविष्ट आहे. तर GPT‑5.6 Sol मूल्यमापन, प्रॉम्प्टमध्ये सुधारणा आणि परीक्षक म्हणून मॉडेल वापरणाऱ्या कार्यप्रक्रियांना मदत करते.

ग्राहक कॉलवर बोलतो किंवा संदेश पाठवतो तेव्हा Ringg ची समन्वय प्रणाली तो मजकूर एजंटच्या सूचना, संवादाचा इतिहास, ग्राहकाची विशिष्ट माहिती, ज्ञानसंग्रहातील संबंधित संदर्भ आणि उपलब्ध साधने यांच्याशी जोडते. त्यानंतर Ringg चा मार्गनिवड स्तर योग्य मॉडेल आणि संरचना निवडतो. मॉडेलचे उत्तर समन्वय प्रणालीतून पाठवले जाते आणि ग्राहकाने निवडलेल्या माध्यमातून दिले जाते.

दीर्घ संवादांमध्ये संदर्भ सुमारे 80,000 टोकनच्या जवळ पोहोचला की प्रणाली एक संरचित सारांश तयार करते. त्यामुळे संपूर्ण इतिहास वारंवार न पाठवता महत्त्वाची माहिती जपून संवाद पुढे सुरू ठेवता येतो.

प्रत्यक्ष वापरात आणण्यापूर्वी Ringg जुने संवाद आणि ग्राहकांच्या संवादांचे अनुकरण वापरून मॉडेलची चाचणी घेते. त्याचे मूल्यमापन व्यासपीठ या निष्कर्षांवरून उणिवा शोधते आणि प्रॉम्प्टमधील सुधारणा सुचवते. त्यामुळे एजंट आणि त्यांच्या संरचनांमध्ये सातत्याने सुधारणा होत राहतात.

एका मूल्यमापनात Ringg ची कॉलनंतरच्या विश्लेषणाची कार्यप्रक्रिया तपासण्यात आली. कंपनीने GPT‑5.6 Terra ची Gemini 2.5 Flash सारख्या पर्यायांशी तुलना केली आणि Terra सरस ठरले. Ringg ने सारांश आणि भावनांचे वर्गीकरण ही कामे GPT‑5.6 Terra कडे सोपवली. Terra ने सारांश आणि भावनांच्या विश्लेषणात उच्च अचूकता राखली आणि प्रत्येक कामामागील खर्च व परतावा यांचे गणित लक्षणीयरीत्या सुधारले.

कंपनी विविध भाषा आणि प्रादेशिक भेदांनुसारही मॉडेल तपासते. यात बोलताना भाषा बदलणे किंवा इंग्रजीसोबत स्थानिक भाषेतील वाक्यांश वापरणे असे संवादही असतात. ती सेवा देत असलेल्या बाजारपेठांमध्ये बोलण्याची ही पद्धत सर्वसामान्य आहे. प्रचलित प्रादेशिक भाषांमध्ये 97% पर्यंत अचूकता गाठून GPT‑5.6 Terra ने Gemini 2.5 Flash पेक्षा चांगली कामगिरी केली. त्यामुळे Ringg च्या ग्राहकांना सेवा देणाऱ्या एजंटसाठी GPT‑5.6 अधिक योग्य ठरले.

ऑफलाइन चाचणीत यशस्वी ठरलेली मॉडेल आधी प्रत्यक्ष वापरातील थोड्या संवादांसाठी वापरली जातात आणि मग त्यांचा वापर वाढवला जातो. प्रत्यक्ष वापरात Ringg चा मार्गनिवडक विविध प्रदेशांतील प्रतिसादवेळ आणि एंडपॉइंटची स्थिती तपासतो. एखादा एंडपॉइंट अनुपलब्ध झाला किंवा प्रतिसादवेळेची मर्यादा ओलांडली की तो विनंत्या दुसरीकडे वळवतो. विशेष नोड, सूचना आणि आवृत्तीनुसार तैनाती यांमुळे समस्या वेगळ्या ओळखता येतात आणि त्यांचा परिणाम मर्यादित ठेवता येतो.

या पद्धतीमुळे Ringg ला प्रत्येक कामामागील खर्च आणि परतावा यांचे गणितही सुधारता येते. तत्काळ प्रतिसादाची गरज असलेली काही कामे GPT‑4.1 वरून GPT‑5.6 Luna वर हलवल्याने मॉडेलचा खर्च सुमारे 90% कमी झाला.

Ringg चे एजंट मानवी प्रतिनिधीच्या कोणत्याही सहभागाशिवाय त्याच्या ग्राहकांकडे येणाऱ्या नेहमीच्या चौकशींपैकी 65% पर्यंत चौकशींचे निराकरण करतात.

भारतातील सर्वांत मोठ्या ऑनलाइन विमा व्यासपीठांपैकी एक असलेले Policybazaar, ग्राहकांच्या 57,000 हून अधिक विनंत्यांवर संपर्क साधण्यासाठी Ringg वापरते. यात 67% कॉल मानवी हस्तक्षेपाशिवाय हाताळले जातात. Policybazaar ची सरासरी प्रतिसादवेळ 8–12 मिनिटांवरून 60 सेकंदांपेक्षा कमी झाली—म्हणजे सुमारे 88% सुधारणा.

Practo या जागतिक आरोग्यसेवा व्यासपीठावर Ringg चे एजंट ग्राहकांना आरोग्यसेवेसाठी भेटीची वेळ ठरवण्यास आणि सेवेच्या विनंत्या पूर्ण करण्यास मदत करतात. ही प्रणाली वापरात आणल्यानंतर Practo ने पहिल्याच कॉलवर 85% विनंत्यांचे निराकरण केले आणि प्रतिसादवेळ तीन सेकंदांपेक्षा कमी ठेवली. पूर्वीच्या मनुष्यबळावर चालणाऱ्या कार्यप्रक्रियेच्या तुलनेत परिचालन खर्च 70% घटला. आता Ringg दररोज 1,000 हून अधिक भेटींची नोंदणी पूर्ण करते.

Groww हे ऑनलाइन गुंतवणूक व्यासपीठ प्रारंभिक सार्वजनिक समभाग विक्री, वायदे आणि विकल्प यांबाबत येणाऱ्या 72% चौकशी पूर्णपणे स्वयंसहाय्य सेवेतून सोडवण्यासाठी Ringg वापरते. त्यासाठी सरासरी दोन मिनिटे लागतात.

OpenAI च्या संगणक वापरण्याच्या क्षमतांच्या मदतीने Ringg ब्राउझर एजंट विकसित करत आहे. ते व्यासपीठावर नोंदणी, ग्राहक ओळख पडताळणी, माहिती तंत्रज्ञानातील अडचणी सोडवणे, तातडीच्या तांत्रिक घटनांमध्ये मदत आणि दाव्यांवरील प्रक्रिया यांसाठी असतील.

विविध माध्यमे आणि संवादांमध्ये माहिती जपून ठेवणारा संदर्भ स्तरही कंपनी विकसित करत आहे. ग्राहक एखादी विनंती बोलून सुरू करू शकेल, WhatsApp वर पुढे नेऊ शकेल आणि ब्राउझरमध्ये पूर्ण करू शकेल—प्रत्येक वेळी तेच तपशील पुन्हा न सांगता.

Ringg च्या मते, पुढच्या पिढीतील ग्राहक सेवा कामकाजाचे मूल्यमापन कॉल किंवा कर्मचाऱ्यांच्या संख्येवर नव्हे, तर साध्य झालेले व्यावसायिक परिणाम आणि स्वयंचलन किती खोलवर पोहोचले आहे यावर होईल.