Med OpenAI löser Ringgs AI-agenter upp till 65 % av kundsamtalen

När samtalsvolymen ökar skalar kundtjänstverksamheter vanligtvis upp genom att anställa fler, men det ökar kostnaden och komplexiteten för varje kundkontakt. Ringg⁠(öppnas i ett nytt fönster), en plattform för röst- och chattagenter, såg problemet på nära håll i sitt arbete med stora konsumentföretag i Indien.

Företagen hade inte bara svårt att besvara fler samtal. Deras kundtjänstmedarbetare brottades också med splittrade, manuella system när de skulle hjälpa kunder att utföra uppgifter, från att köpa försäkringar till att boka tider.

Erfarenheten fick Ringg att bygga en agentplattform för företag, med högeffektiva modeller som GPT‑5.6 i centrum och stöd för röst, chatt, WhatsApp och webben. Genom att flytta lämpliga realtidsarbetslaster från GPT‑4.1 till GPT‑5.6 minskade modellkostnaderna med cirka 90 %, samtidigt som kraven på kvalitet och latens uppfylldes.

Ringgs agenter hanterar nu över 7 miljoner uppkopplade samtal varje månad, och företagets kunder har ett genomsnittligt kundnöjdhetsbetyg (CSAT) på 4,8.

För att en agent ska kunna slutföra ett kundärende kan den behöva kontrollera en försäkring, hämta en kontopost, boka en tid, uppdatera ett CRM-system eller överföra samtalet till en specialist utan att relevant kontext går förlorad.

För interaktioner i realtid använder Ringg GPT‑5.6 Luna och andra modeller för att tolka kundförfrågningar, välja verktyg och vägleda kunder genom arbetsflöden i flera steg. Ringgs orkestreringslager utför åtgärder i CRM-system, ärendeplattformar, betalningssystem, schemaläggningsverktyg och interna API:er. Vid behov eskaleras ärenden till en människa tillsammans med en samtalssammanfattning.

Ringgs kunskapssystem kombinerar strukturerad filtrering med semantisk sökning i datauppsättningar, PDF- och CSV-filer samt affärsdokument, vilket hjälper agenter att besvara frågor med relevant företagsinformation.

Ringg kan också fördela arbetet mellan specialiserade underagenter för kvalificering, support, verifiering, schemaläggning och eskalering. Plattformen samordnar stegen samtidigt som den upprätthåller ett sammanhängande samtal med kunden via röst, chatt, WhatsApp och webben.

Ringg utvärderade OpenAI och andra alternativ utifrån samtalskvalitet, latens, instruktionsföljning, verktygsanrop, flerspråkig prestanda, tillförlitlighet och kostnad. OpenAI visade sig erbjuda den bästa helhetsbalansen för produktionsarbetslaster.

GPT‑5.6 och andra OpenAI-modeller presterade också jämnare när det gällde att följa komplexa instruktioner, utföra verktygsanrop, bibehålla samtalskontext och fungera tillförlitligt i företagsskala.

Ringg skickar arbetet till en specifik OpenAI-modell utifrån uppgiftens behov. GPT‑4.1 hanterar merparten av röst- och chatttrafiken i realtid. GPT‑5.6 Luna finns kvar i produktionsmiljön och används när dess prestanda, latens eller pris–prestandaprofil passar en förfrågan bättre. GPT‑5.6 Terra hanterar analys efter samtal, inklusive sammanfattningar och klassificering av sentiment. GPT‑5.6 Sol stöder utvärdering, förbättring av prompter och arbetsflöden där modellen agerar bedömare.

När en kund talar under ett röstsamtal eller skickar ett chattmeddelande kombinerar Ringgs orkestreringssystem informationen med agentens instruktioner, samtalshistoriken, kundspecifika data, relevant kontext från kunskapsbasen och tillgängliga verktyg. Ringgs routningslager väljer sedan lämplig modell och konfiguration. Modellens utdata passerar genom orkestreringssystemet och levereras via den kanal som kunden har valt.

Vid längre interaktioner skapar systemet en strukturerad sammanfattning när kontexten närmar sig cirka 80 000 token. Samtalet kan därefter fortsätta med den viktiga informationen bevarad, utan att hela historiken behöver skickas om och om igen.

Ringg testar modeller med historiska samtal och simulerade kundflöden innan de tas i produktion. Utvärderingsplattformen använder resultaten för att identifiera svagheter och rekommendera förbättringar av prompter, vilket skapar en kontinuerlig förbättringscykel för företagets agenter och konfigurationer.

En av utvärderingarna gällde Ringgs arbetsflöde för analys efter samtal. Företaget jämförde GPT‑5.6 Terra med alternativ som Gemini 2.5 Flash, och Terra presterade bäst. Ringg flyttade sammanfattningar och sentimentklassificering till GPT‑5.6 Terra. Terra bibehöll hög precision för sammanfattningar och sentimentanalys samtidigt som enhetsekonomin förbättrades avsevärt.

Företaget testar också modeller med olika språkliga och regionala variationer, däribland samtal som växlar mellan språk eller blandar engelska med fraser på lokala språk, vilket är vanligt på marknaderna där Ringg verkar. GPT‑5.6 Terra överträffade Gemini 2.5 Flash med upp till 97 % precision för vanliga regionala språk, vilket gjorde GPT‑5.6 bättre lämpad för agenter som betjänar Ringgs kunder.

Modeller som klarar offlinetesterna införs för en liten andel av produktionstrafiken innan utrullningen utökas. I produktion övervakar Ringgs router latens och slutpunkternas status i olika regioner och flyttar trafik när en slutpunkt blir otillgänglig eller överskrider ett tröskelvärde för latens. Specialiserade noder, aviseringar och versionshanterade driftsättningar hjälper till att isolera problem och begränsa deras påverkan.

Metoden hjälper också Ringg att förbättra enhetsekonomin. Genom att flytta vissa realtidsarbetslaster från GPT‑4.1 till GPT‑5.6 Luna minskade modellkostnaderna med cirka 90 %.

För Ringgs kunder löser agenterna upp till 65 % av rutinärendena utan att en mänsklig handläggare behöver medverka.

Policybazaar, en av Indiens största försäkringsplattformar på nätet, använder Ringg för att hantera över 57 000 kundförfrågningar, och 67 % av samtalen hanteras utan mänsklig inblandning. Policybazaars genomsnittliga svarstid sjönk från 8–12 minuter till under 60 sekunder, en förbättring på cirka 88 %.

Hos Practo, en global hälso- och sjukvårdsplattform, hjälper Ringgs agenter kunder att boka vårdtider och slutföra serviceärenden. Efter driftsättningen uppnådde Practo en lösningsgrad på 85 % vid första samtalet och svarstider på under tre sekunder. Driftskostnaderna minskade med 70 % jämfört med det tidigare, personledda arbetsflödet, samtidigt som Ringg nu genomför över 1 000 tidsbokningar varje dag.

Investeringsplattformen Groww använder Ringg för att lösa 72 % av inkommande frågor om börsintroduktioner, terminskontrakt och optioner helt genom självbetjäning, med en genomsnittlig hanteringstid på två minuter.

Med OpenAI:s funktioner för datoranvändning utvecklar Ringg webbläsaragenter för introduktion till plattformar, kundkännedomsprocesser (KYC), IT-felsökning, incidentstöd i beredskap och skadehantering.

Företaget utvecklar också ett kontextlager som kan bevara information mellan olika kanaler och interaktioner. En kund kan inleda ett ärende via ett röstsamtal, fortsätta på WhatsApp och slutföra det i en webbläsare utan att behöva upprepa samma uppgifter varje gång.

För Ringg kommer nästa generations kundverksamhet att mätas i uppnådda affärsresultat och graden av automatisering, snarare än i samtalsvolym eller personalstyrka.