Com OpenAI, agentes da Ringg resolvem até 65% das chamadas

Quando o volume de chamadas cresce, as operações de atendimento ao cliente costumam contratar mais pessoas, mas isso aumenta o custo e a complexidade de cada interação. A Ringg⁠(abre em uma nova janela), plataforma de agentes de voz e chat, vivenciou esse problema ao trabalhar com grandes empresas voltadas ao consumidor na Índia.

Além da dificuldade para atender a mais chamadas, as equipes de atendimento dessas empresas enfrentavam sistemas fragmentados e manuais para ajudar os clientes a concluir tarefas, desde contratar seguros até agendar consultas.

Essa experiência levou a Ringg a criar uma plataforma empresarial de agentes baseada em modelos de alta eficiência, como o GPT‑5.6, que abrange voz, chat, WhatsApp e web. A migração de cargas de trabalho em tempo real adequadas do GPT‑4.1 para o GPT‑5.6 reduziu os custos com modelos em aproximadamente 90%, mantendo a qualidade e a latência necessárias.

Os agentes da Ringg agora atendem a mais de 7 milhões de chamadas conectadas por mês, e seus clientes têm uma pontuação média de satisfação do cliente (CSAT) de 4,8.

Para concluir uma solicitação, os agentes podem precisar consultar uma apólice, recuperar dados de uma conta, agendar uma consulta, atualizar um CRM ou transferir a conversa para um especialista, preservando o contexto relevante.

Nas interações em tempo real, a Ringg usa o GPT‑5.6 Luna e outros modelos para interpretar solicitações dos clientes, selecionar ferramentas e orientar os clientes em fluxos de trabalho com várias etapas. A camada de orquestração da Ringg executa ações em CRMs, plataformas de chamados, sistemas de pagamento, ferramentas de agendamento e APIs internas, encaminhando os casos a um atendente humano com um resumo da conversa quando necessário.

O sistema de conhecimento da Ringg combina filtragem estruturada e recuperação semântica em conjuntos de dados, PDFs, CSVs e documentos empresariais, ajudando os agentes a responder a perguntas com informações relevantes da empresa.

A Ringg também pode dividir o trabalho entre subagentes especializados em qualificação, suporte, verificação, agendamento e encaminhamento. A plataforma coordena essas etapas e mantém uma conversa consistente com o cliente por voz, chat, WhatsApp e web.

Após comparar a OpenAI com alternativas em qualidade de conversa, latência, seguimento de instruções, chamadas de ferramentas, desempenho multilíngue, confiabilidade e custo, a Ringg concluiu que a OpenAI oferecia o melhor equilíbrio geral para cargas de trabalho em produção.

O GPT‑5.6 e outros modelos da OpenAI também foram mais consistentes ao seguir instruções complexas, executar chamadas de ferramentas, manter o contexto da conversa e operar com confiabilidade em escala empresarial.

A Ringg direciona o trabalho a um modelo específico da OpenAI conforme as necessidades da tarefa. O GPT‑4.1 processa a maior parte do tráfego de voz e chat em tempo real. O GPT‑5.6 Luna permanece na infraestrutura de produção e é usado quando seu desempenho, latência ou relação custo-desempenho é mais adequado a uma solicitação. O GPT‑5.6 Terra realiza a análise pós-chamada, incluindo resumos e classificação de sentimentos. Já o GPT‑5.6 Sol dá suporte à avaliação, ao aprimoramento de prompts e a fluxos de trabalho em que o modelo atua como avaliador.

Quando um cliente fala em uma chamada de voz ou envia uma mensagem no chat, o sistema de orquestração da Ringg combina essa entrada com as instruções do agente, o histórico da conversa, os dados específicos do cliente, o contexto relevante da base de conhecimento e as ferramentas disponíveis. A camada de roteamento da Ringg seleciona então o modelo e a configuração apropriados. A saída do modelo passa pelo sistema de orquestração e é entregue pelo canal escolhido pelo cliente.

Em interações mais longas, o sistema cria um resumo estruturado quando o contexto se aproxima de 80.000 tokens. Assim, a conversa pode continuar com as informações importantes preservadas, sem enviar todo o histórico repetidamente.

A Ringg testa os modelos com históricos de conversas e fluxos simulados de clientes antes de implantá-los em produção. Sua plataforma de avaliação usa esses resultados para identificar pontos fracos e recomendar melhorias nos prompts, criando um ciclo de aprimoramento contínuo de seus agentes e configurações.

Uma das avaliações envolveu o fluxo de análise pós-chamada da Ringg. A empresa comparou o GPT‑5.6 Terra com alternativas como o Gemini 2.5 Flash, e o Terra se saiu melhor. A Ringg migrou os resumos e a classificação de sentimentos para o GPT‑5.6 Terra. O Terra manteve a alta precisão dos resumos e da análise de sentimentos e melhorou significativamente a relação entre custo e retorno por operação.

A empresa também testa modelos em diferentes idiomas e variações regionais, incluindo conversas que alternam entre idiomas ou combinam inglês com expressões locais, algo comum nos mercados em que atua. O GPT‑5.6 Terra superou o Gemini 2.5 Flash, com até 97% de precisão nos idiomas regionais mais comuns, tornando o GPT‑5.6 mais adequado aos agentes que atendem aos clientes da Ringg.

Os modelos aprovados nos testes offline são introduzidos em uma pequena parcela do tráfego de produção antes da ampliação da implantação. Em produção, o roteador da Ringg monitora a latência e a integridade dos endpoints em diferentes regiões e redireciona o tráfego quando um endpoint fica indisponível ou ultrapassa um limite de latência. Nós especializados, alertas e implantações versionadas ajudam a isolar problemas e limitar seu impacto.

Essa abordagem também ajuda a Ringg a melhorar a relação entre custo e retorno por operação. A migração de certas cargas de trabalho em tempo real do GPT‑4.1 para o GPT‑5.6 Luna reduziu os custos com modelos em aproximadamente 90%.

Nas empresas clientes, os agentes da Ringg resolvem até 65% das solicitações rotineiras de atendimento sem nenhuma participação de um atendente humano.

A Policybazaar, uma das maiores plataformas de seguros online da Índia, usa a Ringg para conectar mais de 57.000 solicitações de clientes, e 67% das chamadas são atendidas sem intervenção humana. O tempo médio de resposta da Policybazaar caiu de 8–12 minutos para menos de 60 segundos, uma melhoria de aproximadamente 88%.

Na Practo, uma plataforma global de saúde, os agentes da Ringg ajudam os clientes a agendar consultas e concluir solicitações de serviço. Após a implantação, a Practo atingiu uma taxa de resolução na primeira chamada de 85% e tempos de resposta inferiores a três segundos. Os custos operacionais caíram 70% em relação ao fluxo anterior, conduzido por pessoas, e a Ringg agora conclui mais de 1.000 agendamentos de consultas por dia.

A plataforma de investimentos online Groww usa a Ringg para resolver 72% das consultas recebidas sobre IPOs, futuros e opções inteiramente por autoatendimento, com tempo médio de atendimento de dois minutos.

Com os recursos de uso do computador da OpenAI, a Ringg está desenvolvendo agentes de navegador para integração de usuários em plataformas, processos de Conheça seu Cliente (KYC), resolução de problemas de TI, suporte de plantão a incidentes e processamento de sinistros.

A empresa também está desenvolvendo uma camada de contexto capaz de preservar informações entre canais e interações. Um cliente pode iniciar uma solicitação por voz, continuá-la no WhatsApp e concluí-la no navegador, sem precisar repetir os mesmos detalhes a cada vez.

Para a Ringg, a próxima geração de operações de atendimento será medida pelos resultados de negócio alcançados e pela profundidade da automação, e não pelo volume de chamadas ou pelo número de funcionários.