Parloa bygger kundtjänstagenter som kunder vill prata med

Under Parloas första år tillbringade medgrundaren Stefan Ostwald en dag på ett försäkringsbolags kundtjänst, där hans team hade utvecklat tidiga röstlösningar. Bredvid kundtjänstmedarbetarna hörde han samma samtal upprepas gång på gång: återställning av lösenord, frågor om försäkringar och rutinmässiga ändringar. Han insåg att en stor del av arbetet kunde automatiseras.

Efter den erfarenheten började Berlinbaserade Parloa⁠(öppnas i ett nytt fönster) utveckla regelbaserade röststyrda agenter för att automatisera stora volymer av kundinteraktioner.

När ChatGPT lanserades började företaget utveckla det som i dag är dess plattform för hantering av AI-agenter, Agent Management Platform (AMP), baserad på en ny generation modeller, däribland GPT‑5.4.

Med AMP kan företag utforma, driftsätta och hantera kundtjänstinteraktioner i stor skala. I stället för att kartlägga rigida avsikter och flöden definierar team beteenden på naturligt språk, ansluter interna system och förbättrar snabbt lösningen med inbyggda simuleringar och utvärderingar.

Parloa hanterar interaktionerna från början till slut, från enkel dirigering till komplexa förfrågningar i flera steg. Fokus ligger på konsekvent funktion i produktion, där prestanda, svarstid och specialfall spelar stor roll. För att lyckas med det testar Parloa kontinuerligt modeller mot verkliga kundscenarier före driftsättning.

Parloas Agent Management Platform (AMP) är utformad så att verksamhetsanvändare och ämnesexperter kan bygga AI-agenter utan att skriva kod.

”Med AMP kan ämnesexperter från olika affärsenheter själva bygga agenterna och ansluta API:erna på ett mycket smidigare och enklare sätt”, säger O’Reilly.

På en övergripande nivå kan varumärken hantera AI-agentens hela livscykel med AMP. Det sker genom att icke-tekniska team enklare kan definiera hur en agent ska bete sig innan den tas i drift. I stället för att skriva kod eller kartlägga rigida avsiktsträd anger ämnesexperter agentens roll, instruktioner, verktyg och gränser på naturligt språk. Konfigurationen blir grunden för hur modellen promptas och hur systemet beter sig i produktion.

När agenten har definierats testas den före driftsättning. Parloa simulerar kundsamtal med modeller som GPT‑5.4, där en modell agerar uppringare och en annan kör den konfigurerade agenten. Team kan granska interaktionerna direkt, testa ändringar mot realistiska scenarier och göra förbättringar innan lösningen tas i drift.

Samma modeller används sedan för att utvärdera samtalen med en kombination av deterministiska kontroller och poängsättning där en LLM agerar domare. Det visar om agenten följde instruktionerna, använde verktygen korrekt och slutförde uppgiften som förväntat.

Under ett pågående samtal promptar AMP:s orkestreringslager en OpenAI-modell med agentkonfigurationen och samtalskontexten för att generera ett svar, hämta information via RAG eller aktivera verktyg som interagerar med kundens bakomliggande system. Parloa uppdaterar kontinuerligt lagret med den senaste generationens modeller när de uppvisar tydliga förbättringar i verklig användning.

Efter samtalet sammanfattar separata OpenAI-baserade arbetsflöden interaktionen, klassificerar kundens avsikt och utvärderar resultatet mot fastställda regler.

När agenterna blev mer komplexa blev det svårare att underhålla en enda monolitisk prompt. Små ändringar kunde få oavsiktliga följder. För att lösa detta införde Parloa ett modulärt arbetssätt. Uppgifter som autentisering, bokningsändringar eller kontouppdateringar kan delas upp mellan separata underagenter. Det förbättrar följsamheten till instruktioner och gör systemen enklare att vidareutveckla.

Samtidigt innehåller plattformen deterministiska kontroller där tillförlitligheten är särskilt viktig. Företag kan definiera strukturerade API-kedjor och händelsebaserad logik för att säkerställa att kritiska steg sker i rätt ordning och balansera flexibla samtal med förutsägbart utförande.

Parloa använder modeller som GPT‑4.1 och GPT‑5‑mini för att simulera realistiska kundinteraktioner innan en agent tas i drift. Därefter utvärderas interaktionerna med både LLM som domare och deterministiska regler. Det gör att team kan testa specialfall, förbättra snabbt och validera prestandan innan kunder riskerar att drabbas av fel.

Parloa arbetar främst med stora företag, där konsekvens är lika viktig som kapacitet.

”När en ny modell lanseras kör vi hela vår uppsättning prestandatester mot den”, säger Matthäus Deutsch, Senior Applied Scientist. ”För oss är det mycket viktigt att allt inte bara fungerar i teoretiska prestandatester, utan även i verkliga användningsfall.”

I stället för att förlita sig på abstrakta prestandatester återskapar Parloa verkliga produktionsagenter och kör dem genom flöden för simulering och utvärdering. Testerna mäter hur tillförlitligt instruktioner följs, hur konsekvent API-anrop utförs samt svarstid och övergripande prestanda under realistiska förhållanden.

Utvärderingarna avgör vilka modeller som är redo för produktion. Endast modeller som fungerar tillförlitligt i verkliga kundscenarier driftsätts.

”Företagskunder har en faktisk kostnad för migrering”, säger Deutsch. ”När ett system väl fungerar i produktion håller de det stabilt och byter bara när fördelarna är tydliga.”

Därför fungerar systemen förutsägbart i produktion, även i stor skala. De flesta av miljontals kundinteraktioner löses smidigt. Även när samtal kopplas till mänskliga kundtjänstmedarbetare beror eskaleringen sällan på ett fel. I en driftsättning minskade ett globalt reseföretag önskemålen om en mänsklig kundtjänstmedarbetare med 80 %.

Detta fokus på utvärdering har blivit en viktig konkurrensfördel och gör att Parloa kan arbeta snabbt utan att offra tillförlitligheten i produktion.

Röst medför andra begränsningar än textbaserad chatt. Varje interaktion går genom ett flöde med låg latens: tal till text, modellens resonemang och text till tal.

I det här flödet är latensen avgörande. Även små fördröjningar i modellagret byggs på och skapar märkbara pauser för den som ringer, vilket påverkar hur modeller väljs och optimeras.

Parloa samarbetar nära med OpenAI för att optimera prestandan för användning i realtid, med fokus på latens, svarskvalitet och följsamhet till instruktioner. Teamet utvärderar och stresstestar kontinuerligt nya modellversioner i produktionsliknande miljöer innan de används i aktiva kundinteraktioner.

Parloa utvärderar varje del av röstlösningen separat:

• System för tal till text testas för andelen felaktiga ord, särskilt vid känsliga uppgifter som försäkringsnummer eller kontoidentifierare.
• Modeller för text till tal utvärderas genom blinda lyssningstester för att bedöma hur naturlig rösten låter för verkliga användare. Resultaten jämförs sedan med verkliga kundinteraktioner för att säkerställa konsekvent prestanda i produktionsmiljöer.
• Modeller för tal till tal utvärderas för närvarande inför produktion, med fokus på latens, precision och kostnad.

Redan från början har systemen byggts för global driftsättning. Prestandatesterna omfattar flera språk, och kunderna är verksamma i regioner över hela världen. Denna flerspråkiga noggrannhet speglar både Parloas europeiska rötter och företagskundernas krav på konsekvent prestanda på olika marknader, inte bara inom ett enda språk eller en enda region.

I dag hanterar Parloas agenter miljontals samtal inom bland annat detaljhandel, resor och försäkringar. Användningsfallen sträcker sig från automatiserad support till intäktsgenererande flöden som telefonförsäljning.

Parloa ser hur kundtjänsten utvecklas till en helt multimodal upplevelse.

Ett samtal kan börja i telefon, fortsätta i en chatt och innehålla länkar eller interaktiva element längs vägen. I stället för att behandla varje steg som ett separat flöde är AMP utformat för att hantera allt som en enda interaktion. Med tiden kan AI-agenter bli lika centrala för kundresan som webbplatser och mobilappar.

När företag automatiserar en allt större andel av sina kundinteraktioner fokuserar Parloa på att göra AI-agenter tillräckligt tillförlitliga, flexibla och betrodda för att fungera globalt.