Agentes de IA da Ringg resolvem até 65% das chamadas com a OpenAI

Quando o volume de chamadas aumenta, os serviços de apoio ao cliente costumam contratar mais pessoas, mas isso aumenta o custo e a complexidade de cada interação. A Ringg⁠(abre numa nova janela), uma plataforma de agentes de voz e chat, deparou-se com este problema ao trabalhar com grandes empresas de bens e serviços de consumo na Índia.

Estas empresas não tinham apenas dificuldade em atender mais chamadas: as suas equipas de apoio ao cliente também enfrentavam sistemas manuais e fragmentados para ajudar os clientes a concluir tarefas, desde contratar seguros a marcar consultas.

Essa experiência levou a Ringg a criar uma plataforma de agentes para empresas assente em modelos de elevada 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 dos modelos em cerca de 90%, garantindo a qualidade e a latência necessárias.

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

Para concluir um pedido do cliente, os agentes podem ter de consultar uma apólice, obter o registo de uma conta, marcar uma consulta, atualizar um CRM ou transferir a conversa para um especialista, preservando todo o contexto relevante.

Nas interações em tempo real, a Ringg usa o GPT‑5.6 Luna e outros modelos para interpretar os pedidos dos clientes, selecionar ferramentas e orientar os clientes em fluxos de trabalho com vários passos. A camada de orquestração da Ringg executa ações em sistemas CRM, plataformas de gestão de pedidos de suporte, sistemas de pagamento, ferramentas de agendamento e API internas, encaminhando os casos para uma pessoa com um resumo da conversa, quando necessário.

O sistema de conhecimento da Ringg combina filtragem estruturada com pesquisa semântica em conjuntos de dados, PDF, CSV e documentos empresariais, ajudando os agentes a responder a perguntas com informação relevante da empresa.

A Ringg também pode distribuir o trabalho por subagentes especializados em qualificação, apoio, verificação, agendamento e encaminhamento. A plataforma coordena esses passos, mantendo uma conversa coerente com o cliente por voz, chat, WhatsApp e web.

Após comparar a OpenAI com alternativas em termos de qualidade de conversa, latência, cumprimento de instruções, chamadas de ferramentas, desempenho multilingue, fiabilidade e custo, a Ringg concluiu que a OpenAI oferecia o melhor equilíbrio global para cargas de trabalho em produção.

O GPT‑5.6 e outros modelos da OpenAI também foram mais consistentes no cumprimento de instruções complexas, na execução de chamadas de ferramentas, na manutenção do contexto da conversa e no funcionamento fiável à escala empresarial.

A Ringg encaminha o trabalho para um modelo específico da OpenAI consoante as necessidades da tarefa. O GPT‑4.1 trata a maior parte do tráfego de voz e chat em tempo real. O GPT‑5.6 Luna continua a integrar a infraestrutura de produção e é usado quando o seu desempenho, latência ou relação preço-desempenho se adequa melhor a um pedido. O GPT‑5.6 Terra trata da análise após as chamadas, incluindo resumos e classificação de sentimentos. E o GPT‑5.6 Sol apoia a avaliação, a melhoria de prompts e os fluxos de trabalho em que um modelo atua como avaliador.

Quando um cliente fala numa chamada de voz ou envia uma mensagem no chat, o sistema de orquestração da Ringg combina essa informação 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 encaminhamento da Ringg seleciona então o modelo e a configuração adequados. O resultado do modelo passa pelo sistema de orquestração e é entregue através do canal escolhido pelo cliente.

Nas interações mais longas, o sistema cria um resumo estruturado quando o contexto se aproxima dos 80 000 tokens. A conversa pode assim continuar com a informação importante preservada, sem enviar repetidamente todo o histórico.

A Ringg testa os modelos com conversas anteriores e simulações de percursos do cliente antes de os colocar em produção. A sua plataforma de avaliação usa esses resultados para identificar pontos fracos e recomendar melhorias nos prompts, criando um ciclo de melhoria contínua dos agentes e das configurações.

Uma das avaliações incidiu sobre o fluxo de trabalho de análise após as chamadas da Ringg. A empresa comparou o GPT‑5.6 Terra com alternativas como o Gemini 2.5 Flash, e o Terra obteve os melhores resultados. A Ringg passou a usar o GPT‑5.6 Terra para os resumos e a classificação de sentimentos. O Terra manteve uma elevada exatidão nos resumos e na análise de sentimentos, melhorando significativamente a rentabilidade por unidade.

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

Os modelos aprovados nos testes offline são introduzidos numa pequena parte do tráfego de produção antes de serem disponibilizados mais amplamente. Em produção, o sistema de encaminhamento da Ringg monitoriza a latência e o estado dos endpoints em várias regiões e redireciona o tráfego quando um endpoint fica indisponível ou ultrapassa um limite de latência. Nós especializados, alertas e implementações com controlo de versões ajudam a isolar problemas e a limitar o seu impacto.

Esta abordagem também ajuda a Ringg a melhorar a rentabilidade por unidade. A migração de determinadas cargas de trabalho em tempo real do GPT‑4.1 para o GPT‑5.6 Luna reduziu os custos dos modelos em cerca de 90%.

Os agentes da Ringg resolvem, para as empresas suas clientes, até 65% dos pedidos de rotina dos consumidores sem qualquer intervenção humana.

A Policybazaar, uma das maiores plataformas de seguros online da Índia, usa a Ringg para estabelecer contacto em mais de 57 000 pedidos de clientes, e 67% das chamadas são tratadas sem intervenção humana. O tempo médio de resposta da Policybazaar passou de 8–12 minutos para menos de 60 segundos, uma melhoria de cerca de 88%.

Na Practo, uma plataforma global de cuidados de saúde, os agentes da Ringg ajudam os clientes a marcar consultas e a concluir pedidos de serviço. Após a implementação, a Practo atingiu uma taxa de resolução na primeira chamada de 85% e tempos de resposta inferiores a três segundos. Os custos operacionais diminuíram 70% face ao anterior fluxo de trabalho assegurado por pessoas, e a Ringg conclui agora mais de 1000 marcações de consultas por dia.

A plataforma de investimento online Groww usa a Ringg para resolver 72% dos pedidos recebidos sobre ofertas públicas iniciais (IPO), futuros e opções inteiramente em regime de autosserviço, com um tempo médio de atendimento de dois minutos.

Com as capacidades de utilização do computador da OpenAI, a Ringg está a desenvolver agentes para o navegador destinados à integração de utilizadores em plataformas, a processos de identificação de clientes (KYC), à resolução de problemas informáticos, ao apoio de prevenção em incidentes e ao processamento de sinistros.

A empresa está também a desenvolver uma camada de contexto capaz de preservar informação entre canais e interações. Um cliente poderá iniciar um pedido por voz, continuá-lo no WhatsApp e concluí-lo num navegador sem ter de repetir os mesmos dados a cada passo.

Para a Ringg, a próxima geração de operações de apoio ao cliente será avaliada pelos resultados de negócio alcançados e pelo grau de automatização, e não pelo volume de chamadas ou pelo número de colaboradores.