Ejen AI Ringg menyelesaikan hingga 65% panggilan dengan OpenAI

Apabila jumlah panggilan meningkat, operasi khidmat pelanggan lazimnya diperluas dengan menambah kakitangan, tetapi ini meningkatkan kos dan kerumitan setiap interaksi. Ringg⁠(dibuka dalam tetingkap baru), platform ejen suara dan sembang, menyaksikan sendiri masalah ini semasa bekerjasama dengan perniagaan pengguna berskala besar di India.

Syarikat-syarikat ini bukan sahaja bergelut untuk menjawab lebih banyak panggilan, malah kakitangan khidmat pelanggan mereka juga terpaksa menggunakan sistem manual yang tidak bersepadu untuk membantu pelanggan menyelesaikan urusan, daripada membeli insurans hingga menempah janji temu.

Pengalaman itu mendorong Ringg membina platform ejen perusahaan yang berteraskan model berkecekapan tinggi seperti GPT‑5.6, merangkumi suara, sembang, WhatsApp dan web. Pemindahan beban kerja masa nyata yang sesuai daripada GPT‑4.1 kepada GPT‑5.6 mengurangkan kos model kira-kira 90% sambil memenuhi keperluan kualiti dan kependaman.

Ejen Ringg kini mengendalikan lebih 7 juta panggilan yang berjaya disambungkan setiap bulan, dan pelanggannya mencatat skor purata kepuasan pelanggan (CSAT) sebanyak 4.8.

Untuk menyelesaikan permintaan pelanggan, ejen mungkin perlu menyemak polisi, mendapatkan rekod akaun, menjadualkan janji temu, mengemas kini CRM atau memindahkan perbualan kepada pakar dengan mengekalkan semua konteks yang berkaitan.

Untuk interaksi masa nyata, Ringg menggunakan GPT‑5.6 Luna dan model lain bagi mentafsir permintaan pelanggan, memilih alat dan membimbing pelanggan melalui aliran kerja berbilang langkah. Lapisan orkestrasi Ringg melaksanakan tindakan merentas CRM, platform tiket, sistem pembayaran, alat penjadualan dan API dalaman, serta merujuk kes kepada kakitangan bersama ringkasan perbualan apabila diperlukan.

Sistem pengetahuan Ringg menggabungkan penapisan berstruktur dengan pencarian semantik merentas set data, PDF, CSV dan dokumen perniagaan, membantu ejen menjawab soalan menggunakan maklumat perusahaan yang berkaitan.

Ringg juga boleh membahagikan kerja antara subejen khusus untuk penilaian kelayakan, sokongan, pengesahan, penjadualan dan rujukan ke peringkat lebih tinggi. Platform ini menyelaraskan langkah-langkah tersebut sambil mengekalkan perbualan yang konsisten dengan pelanggan merentas suara, sembang, WhatsApp dan web.

Selepas menilai OpenAI berbanding pilihan lain dari segi kualiti perbualan, kependaman, pematuhan arahan, panggilan alat, prestasi berbilang bahasa, kebolehpercayaan dan kos, Ringg mendapati OpenAI memberikan keseimbangan keseluruhan terbaik untuk beban kerja dalam persekitaran pengeluaran.

GPT‑5.6 dan model OpenAI lain juga menunjukkan prestasi yang lebih konsisten dalam mematuhi arahan kompleks, melaksanakan panggilan alat, mengekalkan konteks perbualan dan beroperasi dengan andal pada skala perusahaan.

Ringg menghalakan kerja kepada model OpenAI tertentu berdasarkan keperluan tugas. GPT‑4.1 mengendalikan kebanyakan trafik suara dan sembang masa nyata. GPT‑5.6 Luna kekal dalam susunan teknologi pengeluaran dan digunakan apabila prestasi, kependaman atau nisbah harga kepada prestasinya lebih sesuai untuk sesuatu permintaan. GPT‑5.6 Terra mengendalikan analisis selepas panggilan, termasuk ringkasan dan pengelasan sentimen. GPT‑5.6 Sol pula menyokong penilaian, penambahbaikan prom dan aliran kerja yang menggunakan model sebagai penilai.

Apabila pelanggan bercakap semasa panggilan suara atau menghantar mesej sembang, sistem orkestrasi Ringg menggabungkan input itu dengan arahan ejen, sejarah perbualan, data khusus pelanggan, konteks pangkalan pengetahuan yang berkaitan dan alat yang tersedia. Lapisan penghalaan Ringg kemudian memilih model dan konfigurasi yang sesuai. Output model disalurkan melalui sistem orkestrasi dan disampaikan melalui saluran pilihan pelanggan.

Untuk interaksi yang lebih panjang, sistem menghasilkan ringkasan berstruktur apabila konteks menghampiri kira-kira 80,000 token. Perbualan kemudian boleh diteruskan dengan maklumat penting dikekalkan, tanpa perlu menghantar keseluruhan sejarah berulang kali.

Ringg menguji model menggunakan perbualan terdahulu dan simulasi aliran pelanggan sebelum pelaksanaan dalam persekitaran pengeluaran. Platform penilaiannya menggunakan hasil tersebut untuk mengenal pasti kelemahan dan mencadangkan penambahbaikan prom, mewujudkan kitaran penambahbaikan berterusan bagi ejen dan konfigurasinya.

Salah satu penilaian melibatkan aliran kerja analisis selepas panggilan Ringg. Syarikat itu menguji GPT‑5.6 Terra berbanding pilihan lain seperti Gemini 2.5 Flash, dan Terra menunjukkan prestasi terbaik. Ringg memindahkan tugas ringkasan dan pengelasan sentimen kepada GPT‑5.6 Terra. Terra mengekalkan ketepatan tinggi untuk ringkasan dan analisis sentimen sambil meningkatkan kecekapan kos per unit dengan ketara.

Syarikat itu turut menguji model merentas bahasa dan variasi serantau, termasuk perbualan yang bertukar-tukar bahasa atau menggabungkan bahasa Inggeris dengan frasa bahasa tempatan, sesuatu yang lazim dalam pasaran yang dilayaninya. GPT‑5.6 Terra mengatasi Gemini 2.5 Flash, dengan ketepatan sehingga 97% bagi bahasa serantau yang lazim digunakan, menjadikan GPT‑5.6 lebih sesuai untuk ejen yang melayani pelanggan Ringg.

Model yang lulus ujian luar talian diperkenalkan kepada sebahagian kecil trafik pengeluaran sebelum penggunaannya diperluas. Dalam persekitaran pengeluaran, penghala Ringg memantau kependaman dan keadaan titik akhir merentas rantau serta mengalihkan trafik apabila titik akhir tidak tersedia atau melepasi ambang kependaman. Nod khusus, amaran dan pelaksanaan berversi membantu mengasingkan masalah dan mengehadkan kesannya.

Pendekatan ini juga membantu Ringg meningkatkan kecekapan kos per unit. Pemindahan beban kerja masa nyata tertentu daripada GPT‑4.1 kepada GPT‑5.6 Luna mengurangkan kos model kira-kira 90%.

Bagi pelanggan Ringg, ejennya menyelesaikan sehingga 65% pertanyaan rutin pelanggan tanpa sebarang penglibatan kakitangan manusia.

Policybazaar, salah satu platform insurans dalam talian terbesar di India, menggunakan Ringg untuk menyambungkan lebih 57,000 permintaan pelanggan, dan 67% panggilan dikendalikan tanpa campur tangan manusia. Purata masa respons Policybazaar berkurang daripada 8–12 minit kepada kurang 60 saat, iaitu penambahbaikan kira-kira 88%.

Di Practo, sebuah platform penjagaan kesihatan global, ejen Ringg membantu pelanggan menempah janji temu penjagaan kesihatan dan menyelesaikan permintaan perkhidmatan. Selepas pelaksanaan, Practo mencapai kadar penyelesaian pada panggilan pertama sebanyak 85% dan masa respons di bawah tiga saat. Kos operasi menurun sebanyak 70% berbanding aliran kerja terdahulu yang dikendalikan manusia, manakala Ringg kini menyelesaikan lebih 1,000 tempahan janji temu setiap hari.

Platform pelaburan dalam talian Groww menggunakan Ringg untuk menyelesaikan 72% pertanyaan masuk berkaitan IPO, niaga hadapan dan opsyen sepenuhnya melalui layan diri, dengan purata masa pengendalian dua minit.

Dengan keupayaan penggunaan komputer OpenAI, Ringg sedang membangunkan ejen pelayar untuk orientasi pengguna platform, proses Kenali Pelanggan Anda (KYC), penyelesaian masalah IT, sokongan insiden atas panggilan dan pemprosesan tuntutan.

Syarikat itu juga sedang membangunkan lapisan konteks yang boleh mengekalkan maklumat merentas saluran dan interaksi. Pelanggan boleh memulakan permintaan melalui suara, meneruskannya di WhatsApp dan menyelesaikannya dalam pelayar tanpa perlu mengulangi butiran yang sama setiap kali.

Bagi Ringg, operasi khidmat pelanggan generasi seterusnya akan diukur berdasarkan hasil perniagaan yang dicapai dan sejauh mana proses diautomasikan, bukannya jumlah panggilan atau bilangan kakitangan.