Ringgs KI-agenter løser opptil 65 % av kundeanrop med OpenAI

Når antallet anrop øker, blir kundeservicen vanligvis skalert opp med flere ansatte. Men det gjør hver kundehenvendelse dyrere og mer komplisert å håndtere. Ringg⁠(åpnes i et nytt vindu), en plattform for tale- og chatteagenter, erfarte dette problemet i arbeidet med store forbrukerrettede bedrifter i India.

Disse selskapene slet ikke bare med å besvare flere anrop. Kundebehandlerne deres måtte også kjempe med fragmenterte, manuelle systemer for å hjelpe kundene med alt fra å kjøpe forsikring til å bestille timer.

Denne erfaringen fikk Ringg til å bygge en agentplattform for bedrifter, med høyeffektive modeller som GPT‑5.6 i kjernen og støtte for tale, chat, WhatsApp og nett. Ved å flytte egnede sanntidsoppgaver fra GPT‑4.1 til GPT‑5.6 reduserte selskapet modellkostnadene med omtrent 90 %, samtidig som kravene til kvalitet og responstid ble oppfylt.

Ringgs agenter håndterer nå over 7 millioner oppkoblede samtaler hver måned, og kundene deres har en gjennomsnittlig kundetilfredshetsskår (CSAT) på 4,8.

For å løse en kundehenvendelse kan agentene måtte sjekke en forsikringspolise, hente kontoopplysninger, bestille en time, oppdatere et CRM-system eller overføre samtalen til en spesialist med all relevant kontekst.

I sanntidssamtaler bruker Ringg GPT‑5.6 Luna og andre modeller til å tolke kundehenvendelser, velge verktøy og veilede kundene gjennom arbeidsflyter med flere trinn. Ringgs orkestreringslag utfører handlinger på tvers av CRM-systemer, saksbehandlingsplattformer, betalingssystemer, timebestillingsverktøy og interne API-er. Ved behov overføres saken til en medarbeider sammen med et sammendrag av samtalen.

Ringgs kunnskapssystem kombinerer strukturert filtrering med semantisk gjenfinning i datasett, PDF-er, CSV-er og forretningsdokumenter. Dette hjelper agentene med å svare på spørsmål ved hjelp av relevant informasjon fra bedriften.

Ringg kan også fordele arbeidet mellom spesialiserte underagenter for kvalifisering, kundestøtte, verifisering, timebestilling og eskalering. Plattformen koordinerer disse trinnene og holder samtidig samtalen med kunden sammenhengende på tvers av tale, chat, WhatsApp og nett.

Ringg evaluerte OpenAI opp mot alternativer ut fra samtalekvalitet, responstid, evne til å følge instruksjoner, verktøykall, flerspråklig ytelse, pålitelighet og kostnader. Konklusjonen var at OpenAI ga den beste samlede balansen for oppgaver i produksjon.

GPT‑5.6 og andre OpenAI-modeller var også mer konsekvente til å følge komplekse instruksjoner, utføre verktøykall, bevare samtalekontekst og fungere pålitelig i stor skala for bedrifter.

Ringg ruter arbeidet til en bestemt OpenAI-modell ut fra oppgavens behov. GPT‑4.1 håndterer mesteparten av tale- og chattetrafikken i sanntid. GPT‑5.6 Luna er fortsatt en del av produksjonsmiljøet og brukes når ytelsen, responstiden eller forholdet mellom pris og ytelse passer bedre til en henvendelse. GPT‑5.6 Terra håndterer analyse etter samtaler, blant annet sammendrag og sentimentklassifisering. Og GPT‑5.6 Sol støtter evaluering, forbedring av prompter og arbeidsflyter der en modell brukes som dommer.

Når en kunde snakker i en talesamtale eller sender en chatmelding, kombinerer Ringgs orkestreringssystem dette med agentens instruksjoner, samtalehistorikk, kundespesifikke data, relevant kontekst fra kunnskapsbasen og tilgjengelige verktøy. Deretter velger Ringgs rutingslag riktig modell og konfigurasjon. Modellens svar sendes gjennom orkestreringssystemet og leveres i kundens valgte kanal.

Ved lengre samtaler lager systemet et strukturert sammendrag når konteksten nærmer seg 80 000 tokener. Samtalen kan dermed fortsette med den viktige informasjonen bevart, uten at hele historikken må sendes på nytt hver gang.

Ringg tester modeller med tidligere samtaler og simulerte kundeforløp før de settes i produksjon. Evalueringsplattformen bruker resultatene til å finne svakheter og anbefale forbedringer av prompter. Slik blir agentene og konfigurasjonene kontinuerlig forbedret.

En av evalueringene tok for seg Ringgs arbeidsflyt for analyse etter samtaler. Selskapet testet GPT‑5.6 Terra mot alternativer som Gemini 2.5 Flash, og Terra kom best ut. Ringg flyttet arbeidet med sammendrag og sentimentklassifisering til GPT‑5.6 Terra. Terra opprettholdt høy nøyaktighet i sammendrag og sentimentanalyse, samtidig som lønnsomheten per oppgave ble vesentlig bedre.

Selskapet tester også modeller på tvers av språk og regionale variasjoner. Dette inkluderer samtaler der kundene veksler mellom språk eller blander engelsk med uttrykk på lokale språk, noe som er vanlig i markedene Ringg betjener. GPT‑5.6 Terra presterte bedre enn Gemini 2.5 Flash, med opptil 97 % nøyaktighet på vanlige regionale språk. Det gjør GPT‑5.6 bedre egnet for agenter som betjener Ringgs kunder.

Modeller som består testing utenfor produksjonsmiljøet, tas i bruk for en liten andel av produksjonstrafikken før utrullingen utvides. I produksjon overvåker Ringgs ruter responstid og endepunktenes tilstand på tvers av regioner. Trafikken flyttes når et endepunkt blir utilgjengelig eller overskrider en terskel for responstid. Spesialiserte noder, varsler og versjonsstyrte utrullinger bidrar til å isolere problemer og begrense konsekvensene.

Denne tilnærmingen hjelper også Ringg med å forbedre lønnsomheten per oppgave. Ved å flytte utvalgte sanntidsoppgaver fra GPT‑4.1 til GPT‑5.6 Luna reduserte selskapet modellkostnadene med omtrent 90 %.

Hos Ringgs kunder løser agentene opptil 65 % av rutinemessige kundehenvendelser uten at en menneskelig kundebehandler involveres.

Policybazaar, en av Indias største nettbaserte forsikringsplattformer, bruker Ringg til å koble opp over 57 000 kundehenvendelser, og 67 % av anropene håndteres uten menneskelig hjelp. Policybazaars gjennomsnittlige responstid falt fra 8–12 minutter til under 60 sekunder, en forbedring på omtrent 88 %.

Hos Practo, en global helseplattform, hjelper Ringgs agenter kundene med å bestille timer hos helsepersonell og få løst tjenestehenvendelser. Etter innføringen løste Practo 85 % av henvendelsene ved første anrop og oppnådde responstider på under tre sekunder. Driftskostnadene falt med 70 % sammenlignet med den tidligere manuelt drevne arbeidsflyten, og Ringg gjennomfører nå over 1 000 timebestillinger hver dag.

Den nettbaserte investeringsplattformen Groww bruker Ringg til å løse 72 % av innkommende spørsmål om børsnoteringer, futures og opsjoner helt gjennom selvbetjening, med en gjennomsnittlig behandlingstid på to minutter.

Med OpenAIs funksjoner for datamaskinbruk utvikler Ringg nettleseragenter for oppstart på plattformer, kundekontroll (KYC), IT-feilsøking, hendelseshåndtering i vaktordninger og skadeoppgjør.

Selskapet utvikler også et kontekstlag som kan bevare informasjon på tvers av kanaler og samtaler. En kunde kan starte en henvendelse i en talesamtale, fortsette på WhatsApp og avslutte i en nettleser uten å måtte gjenta de samme opplysningene hver gang.

For Ringg vil neste generasjon kundeservice måles ut fra oppnådde forretningsresultater og hvor mye av prosessene som automatiseres, fremfor antall anrop eller ansatte.