Ringg-agents handelen met OpenAI tot 65% van klantgesprekken af

Als het aantal telefoontjes toeneemt, schalen klantenservices meestal op door meer mensen in te zetten. Maar daardoor wordt elk contact duurder en complexer. Ringg⁠(opent in een nieuw venster), een platform voor spraak- en chatagents, zag dit probleem van dichtbij bij grote consumentenbedrijven in India.

Deze bedrijven hadden niet alleen moeite om meer telefoontjes te beantwoorden. Hun klantenservicemedewerkers moesten ook werken met versnipperde, handmatige systemen om klanten te helpen, van het afsluiten van een verzekering tot het maken van een afspraak.

Daarom bouwde Ringg een agentplatform voor bedrijven, met zeer efficiënte modellen zoals GPT‑5.6 als kern, voor spraak, chat, WhatsApp en het web. Door geschikte realtime workloads van GPT‑4.1 naar GPT‑5.6 te migreren, daalden de modelkosten met ongeveer 90%, met behoud van de vereiste kwaliteit en responstijd.

De agents van Ringg voeren nu elke maand meer dan 7 miljoen telefoongesprekken. De klanten van Ringg hebben een gemiddelde klanttevredenheidsscore (CSAT) van 4,8.

Om een klantverzoek af te handelen, moeten agents soms een polis controleren, accountgegevens ophalen, een afspraak inplannen, een CRM bijwerken of het gesprek met alle relevante context overdragen aan een specialist.

Voor realtime interacties gebruikt Ringg GPT‑5.6 Luna en andere modellen om klantverzoeken te interpreteren, tools te selecteren en klanten door workflows met meerdere stappen te begeleiden. De orkestratielaag van Ringg voert acties uit in CRM-systemen, ticketplatforms, betaalsystemen, planningstools en interne API's. Waar nodig draagt deze de zaak met een gesprekssamenvatting over aan een medewerker.

Het kennissysteem van Ringg combineert gestructureerde filtering met semantisch zoeken in datasets, pdf's, csv-bestanden en bedrijfsdocumenten. Zo kunnen agents vragen beantwoorden met relevante bedrijfsinformatie.

Ringg kan werk ook verdelen over gespecialiseerde subagents voor kwalificatie, ondersteuning, verificatie, planning en escalatie. Het platform coördineert die stappen en zorgt dat het gesprek met de klant samenhangend blijft, of dat nu via spraak, chat, WhatsApp of het web verloopt.

Ringg vergeleek OpenAI met alternatieven op gesprekskwaliteit, responstijd, het volgen van instructies, toolaanroepen, meertalige prestaties, betrouwbaarheid en kosten. OpenAI bood de beste algehele balans voor workloads in productie.

GPT‑5.6 en andere OpenAI-modellen presteerden ook consistenter bij het volgen van complexe instructies, het uitvoeren van toolaanroepen, het behouden van gesprekscontext en het betrouwbaar functioneren op bedrijfsschaal.

Ringg leidt werk naar een specifiek OpenAI-model op basis van wat de taak vereist. GPT‑4.1 verwerkt het grootste deel van het realtime spraak- en chatverkeer. GPT‑5.6 Luna blijft onderdeel van de productieomgeving en wordt ingezet wanneer de prestaties, responstijd of prijs-prestatieverhouding beter bij een verzoek passen. GPT‑5.6 Terra verzorgt de analyse na afloop van gesprekken, waaronder samenvattingen en sentimentclassificatie. En GPT‑5.6 Sol ondersteunt evaluaties, promptverbeteringen en workflows waarin een model als beoordelaar fungeert.

Wanneer een klant tijdens een telefoongesprek spreekt of een chatbericht stuurt, combineert het orkestratiesysteem van Ringg die input met de instructies van de agent, de gespreksgeschiedenis, klantspecifieke gegevens, relevante context uit de kennisbank en beschikbare tools. De routeringslaag van Ringg selecteert vervolgens het juiste model en de juiste configuratie. De output van het model gaat via het orkestratiesysteem naar het kanaal dat de klant heeft gekozen.

Bij langere interacties maakt het systeem een gestructureerde samenvatting zodra de context ongeveer 80.000 tokens nadert. Het gesprek kan dan verdergaan met behoud van de belangrijke informatie, zonder steeds de volledige geschiedenis mee te sturen.

Voordat Ringg modellen in productie neemt, test het ze met eerdere gesprekken en gesimuleerde klanttrajecten. Het evaluatieplatform gebruikt die resultaten om zwakke punten te vinden en promptverbeteringen aan te bevelen. Zo ontstaat een continue verbetercyclus voor de agents en hun configuraties.

Een van de evaluaties betrof de workflow van Ringg voor gespreksanalyse achteraf. Het bedrijf testte GPT‑5.6 Terra tegen alternatieven zoals Gemini 2.5 Flash, en Terra kwam als beste uit de bus. Ringg stapte voor samenvattingen en sentimentclassificatie over op GPT‑5.6 Terra. Terra behield een hoge nauwkeurigheid voor samenvattingen en sentimentanalyse, terwijl de kosten per verwerking aanzienlijk daalden.

Het bedrijf test modellen ook op taal- en regiovarianten, waaronder gesprekken waarin mensen tussen talen wisselen of Engels combineren met uitdrukkingen in de lokale taal. Dat is gebruikelijk in de markten die Ringg bedient. GPT‑5.6 Terra presteerde beter dan Gemini 2.5 Flash, met een nauwkeurigheid tot 97% voor veelgebruikte regionale talen. Daardoor past GPT‑5.6 beter bij de agents die de klanten van Ringg bedienen.

Modellen die de offline tests doorstaan, worden eerst op een klein deel van het productieverkeer ingezet voordat de uitrol wordt uitgebreid. In productie bewaakt de router van Ringg de responstijd en de status van endpoints in verschillende regio's. Het verkeer wordt omgeleid als een endpoint niet beschikbaar is of een drempel voor de responstijd overschrijdt. Gespecialiseerde nodes, waarschuwingen en implementaties met versiebeheer helpen problemen te isoleren en de impact ervan te beperken.

Deze aanpak helpt Ringg ook de kosten per verwerking te verlagen. Door bepaalde realtime workloads van GPT‑4.1 naar GPT‑5.6 Luna te migreren, daalden de modelkosten met ongeveer 90%.

Voor de klanten van Ringg handelen de agents tot 65% van de veelvoorkomende klantvragen af, zonder tussenkomst van een medewerker.

Policybazaar, een van de grootste online verzekeringsplatforms van India, gebruikt Ringg om voor meer dan 57.000 klantverzoeken contact te leggen. Daarbij wordt 67% van de gesprekken zonder menselijke tussenkomst afgehandeld. De gemiddelde responstijd van Policybazaar daalde van 8–12 minuten naar minder dan 60 seconden, een verbetering van ongeveer 88%.

Bij Practo, een wereldwijd zorgplatform, helpen de agents van Ringg klanten om zorgafspraken te maken en serviceverzoeken af te handelen. Na de implementatie handelde Practo 85% van de verzoeken tijdens het eerste telefoongesprek af, met responstijden van minder dan drie seconden. De operationele kosten daalden met 70% ten opzichte van de eerdere, door mensen uitgevoerde workflow. Ringg boekt nu elke dag meer dan 1.000 afspraken.

Online beleggingsplatform Groww gebruikt Ringg om 72% van de binnenkomende vragen over beursgangen, futures en opties volledig via selfservice af te handelen, met een gemiddelde afhandeltijd van twee minuten.

Met de mogelijkheden voor computergebruik van OpenAI ontwikkelt Ringg browseragents voor platformonboarding, Know Your Customer-processen (KYC), het oplossen van IT-problemen, incidentondersteuning tijdens bereikbaarheidsdiensten en de verwerking van schadeclaims.

Het bedrijf ontwikkelt ook een contextlaag die informatie tussen kanalen en interacties kan bewaren. Een klant kan een verzoek telefonisch beginnen, via WhatsApp voortzetten en in een browser afronden, zonder steeds dezelfde gegevens te hoeven herhalen.

Voor Ringg draait de volgende generatie klantenservice om behaalde bedrijfsresultaten en de mate van automatisering, niet om het aantal telefoontjes of medewerkers.