Parloa สร้างเอเจนต์บริการที่ลูกค้าอยากคุยด้วย

ย้อนกลับไปในช่วงเริ่มต้นของ Parloa Stefan Ostwald ผู้ร่วมก่อตั้งได้เข้าไปใช้เวลาหนึ่งวันในคอลเซ็นเตอร์ของบริษัทประกันภัย ซึ่งทีมของเขากำลังพัฒนาประสบการณ์ด้านเสียงในระยะแรก เขานั่งฟังการสนทนาเคียงข้างเจ้าหน้าที่ และพบว่าคำขอเดิมๆ เกิดขึ้นซ้ำแล้วซ้ำเล่า ไม่ว่าจะเป็นการรีเซ็ตรหัสผ่าน การสอบถามเกี่ยวกับกรมธรรม์ หรือการแก้ไขข้อมูลทั่วไป เขาจึงตระหนักว่างานเหล่านี้ส่วนใหญ่สามารถใช้ระบบอัตโนมัติจัดการได้

ประสบการณ์ดังกล่าวทำให้ Parloa⁠(เปิดในหน้าต่างใหม่) ซึ่งตั้งอยู่ในเบอร์ลิน เริ่มสร้างเอเจนต์เสียงแบบอิงกฎเพื่อจัดการการสนทนากับลูกค้าจำนวนมากโดยอัตโนมัติ

เมื่อ ChatGPT ถือกำเนิดขึ้น บริษัทได้พัฒนาต่อยอดจนกลายเป็น AI Agent Management Platform (AMP) อย่างที่เป็นอยู่ในปัจจุบัน ซึ่งขับเคลื่อนด้วยโมเดลรุ่นใหม่ รวมถึง GPT‑5.4

AMP ช่วยให้องค์กรออกแบบ นำไปใช้งาน และจัดการการโต้ตอบด้านบริการลูกค้าได้ในวงกว้าง แทนที่จะกำหนดเจตนาและโฟลว์ที่ตายตัว ทีมสามารถระบุพฤติกรรมด้วยภาษาธรรมชาติ เชื่อมต่อกับระบบภายใน และปรับปรุงได้อย่างรวดเร็วด้วยการจำลองและการประเมินในตัว

Parloa ดูแลการโต้ตอบเหล่านี้ตั้งแต่ต้นจนจบ ตั้งแต่การส่งต่อคำขอแบบง่าย ๆ ไปจนถึงคำขอที่ซับซ้อนและมีหลายขั้นตอน โดยให้ความสำคัญกับความสม่ำเสมอในการใช้งานจริง ซึ่งต้องคำนึงถึงทั้งประสิทธิภาพ ความหน่วง และกรณีเฉพาะต่างๆ ด้วย เพื่อให้บรรลุเป้าหมายนี้ Parloa จึงทดสอบโมเดลกับสถานการณ์จริงของลูกค้าอย่างต่อเนื่องก่อนนำไปใช้งาน

Agent Management Platform (AMP) ของ Parloa ออกแบบมาให้ผู้ใช้ทางธุรกิจและผู้เชี่ยวชาญเฉพาะด้านสร้างเอเจนต์ AI ได้โดยไม่ต้องเขียนโค้ด

“AMP ช่วยให้ผู้เชี่ยวชาญเฉพาะด้านจากหน่วยงานธุรกิจต่างๆ สร้างเอเจนต์และเชื่อมต่อ API ได้จริง ด้วยวิธีที่กระชับและเรียบง่ายกว่ามาก” O’Reilly กล่าว

โดยภาพรวม AMP ช่วยให้แบรนด์บริหารจัดการวงจรการทำงานทั้งหมดของเอเจนต์ AI ได้ โดยเปิดโอกาสให้ทีมที่ไม่มีความเชี่ยวชาญด้านเทคนิคกำหนดพฤติกรรมของเอเจนต์ก่อนเปิดใช้งานได้ง่ายขึ้น แทนที่จะต้องเขียนโค้ดหรือสร้างโครงสร้างเจตนาแบบตายตัว ผู้เชี่ยวชาญเฉพาะด้านสามารถกำหนดบทบาท คำสั่ง เครื่องมือ และขอบเขตการทำงานของเอเจนต์ด้วยภาษาธรรมชาติ การตั้งค่าเหล่านี้จะเป็นพื้นฐานในการสร้างพรอมต์ให้โมเดลและกำหนดการทำงานของระบบเมื่อนำไปใช้งานจริง

เมื่อกำหนดค่าแล้ว เอเจนต์จะผ่านการทดสอบก่อนนำไปใช้งาน Parloa ใช้โมเดลอย่าง GPT‑5.4 จำลองบทสนทนากับลูกค้า โดยให้โมเดลหนึ่งทำหน้าที่เป็นผู้โทร และอีกโมเดลทำงานเป็นเอเจนต์ที่กำหนดค่าไว้ ทีมสามารถตรวจสอบการโต้ตอบเหล่านี้ได้โดยตรง ทดสอบการเปลี่ยนแปลงกับสถานการณ์สมจริง และปรับปรุงก่อนเปิดใช้งานจริง

จากนั้น ระบบจะใช้โมเดลชุดเดียวกันประเมินบทสนทนาเหล่านั้น โดยผสานการตรวจสอบตามเกณฑ์ที่กำหนดไว้ล่วงหน้าเข้ากับการให้คะแนนโดยใช้ LLM เป็นผู้ตัดสิน เพื่อดูว่าเอเจนต์ปฏิบัติตามคำสั่ง ใช้เครื่องมืออย่างถูกต้อง และทำงานสำเร็จตามที่คาดหวังหรือไม่

ระหว่างการสนทนาแบบเรียลไทม์ ระบบประสานการทำงานของ AMP จะส่งการกำหนดค่าเอเจนต์และบริบทของบทสนทนาให้โมเดลของ OpenAI เพื่อสร้างคำตอบ ดึงข้อมูลผ่าน RAG หรือเรียกใช้เครื่องมือเพื่อโต้ตอบกับระบบหลังบ้านของลูกค้า Parloa อัปเดตระบบส่วนนี้อย่างต่อเนื่องด้วยโมเดลรุ่นล่าสุดที่แสดงให้เห็นว่าสามารถทำงานได้ดีขึ้นอย่างชัดเจนในสถานการณ์จริง

หลังจบบทสนทนา เวิร์กโฟลว์อีกชุดที่ขับเคลื่อนโดย OpenAI จะสรุปการโต้ตอบ จำแนกเจตนาของลูกค้า และประเมินประสิทธิภาพตามกฎที่กำหนดไว้

เมื่อเอเจนต์ซับซ้อนขึ้น การดูแลพรอมต์ขนาดใหญ่เพียงชุดเดียวก็ยากขึ้น การเปลี่ยนแปลงเพียงเล็กน้อยอาจก่อให้เกิดผลข้างเคียงที่ไม่ตั้งใจ เพื่อแก้ปัญหานี้ Parloa จึงนำแนวทางแบบโมดูลมาใช้ งานอย่างการยืนยันตัวตน การเปลี่ยนแปลงการจอง หรือการอัปเดตบัญชี สามารถแยกเป็นเอเจนต์ย่อยแต่ละตัว ช่วยให้ทำตามคำสั่งได้ดีขึ้นและทำให้ระบบพัฒนาต่อได้ง่ายในระยะยาว

ในขณะเดียวกัน แพลตฟอร์มก็มีกลไกควบคุมแบบกำหนดผลลัพธ์แน่นอนสำหรับส่วนงานที่ต้องการความน่าเชื่อถือสูง องค์กรสามารถสร้างชุดการเรียกใช้ API ตามลำดับและกำหนดตรรกะตามเหตุการณ์ เพื่อให้ระบบดำเนินขั้นตอนสำคัญในลำดับที่ถูกต้อง พร้อมรักษาสมดุลระหว่างการสนทนาที่ยืดหยุ่นกับการทำงานที่เป็นไปตามคาด

Parloa ใช้โมเดลอย่าง GPT‑4.1, GPT‑5‑mini และโมเดลอื่นๆ จำลองการโต้ตอบกับลูกค้าที่สมจริงก่อนเปิดใช้เอเจนต์ จากนั้นจึงประเมินโดยใช้ LLM เป็นผู้ตัดสินร่วมกับกฎแบบกำหนดแน่นอน ทีมจึงทดสอบกรณีเฉพาะ ปรับแก้ได้อย่างรวดเร็ว และตรวจสอบประสิทธิภาพก่อนที่ลูกค้าจะต้องเผชิญกับข้อผิดพลาด

Parloa ทำงานกับองค์กรขนาดใหญ่เป็นหลัก ซึ่งให้ความสำคัญกับความสม่ำเสมอไม่แพ้ความสามารถของระบบ

“เมื่อมีโมเดลใหม่ออกมา เราจะใช้ชุดการวัดประสิทธิภาพทดสอบโมเดลนั้น” Matthäus Deutsch นักวิทยาศาสตร์ประยุกต์อาวุโสกล่าว “สิ่งสำคัญมากสำหรับเราคือ ระบบต้องไม่ได้ผลดีแค่ในการวัดประสิทธิภาพเชิงทฤษฎี แต่ต้องใช้ได้จริงในกรณีการใช้งานจริงด้วย”

แทนที่จะอาศัยเกณฑ์มาตรฐานเชิงนามธรรม Parloa จำลองเอเจนต์ที่ใช้งานจริงและนำไปทดสอบผ่านกระบวนการจำลองสถานการณ์และประเมินผล การทดสอบเหล่านี้วัดทั้งความน่าเชื่อถือในการทำตามคำสั่ง ความสม่ำเสมอในการเรียกใช้ API ความหน่วง และประสิทธิภาพโดยรวมภายใต้สถานการณ์ที่ใกล้เคียงการใช้งานจริง

การประเมินเหล่านี้ใช้ตัดสินว่าโมเดลใดพร้อมสำหรับการใช้งานจริง จะนำไปใช้เฉพาะโมเดลที่ทำงานได้อย่างน่าเชื่อถือในสถานการณ์จริงของลูกค้าหลากหลายรูปแบบเท่านั้น

“ลูกค้าองค์กรต้องเผชิญกับต้นทุนในการย้ายระบบจริง” Deutsch กล่าว “เมื่อระบบทำงานได้ในการใช้งานจริง พวกเขาจะรักษาเสถียรภาพของระบบไว้ และเปลี่ยนก็ต่อเมื่อเห็นประโยชน์อย่างชัดเจน”

ด้วยเหตุนี้ ระบบจึงทำงานได้อย่างสม่ำเสมอและคาดการณ์ได้เมื่อนำไปใช้งานจริง แม้จะรองรับการใช้งานจำนวนมากก็ตาม จากการให้บริการลูกค้าหลายล้านครั้ง บทสนทนาส่วนใหญ่ได้รับการแก้ไขอย่างราบรื่น และแม้ต้องส่งต่อสายให้เจ้าหน้าที่ ก็แทบไม่ได้เกิดจากความล้มเหลวของระบบ โดยบริษัทท่องเที่ยวระดับโลกแห่งหนึ่งลดคำขอคุยกับเจ้าหน้าที่ได้ถึง 80%

แนวคิดที่ให้ความสำคัญกับการประเมินผลเป็นอันดับแรกนี้กลายเป็นจุดแข็งสำคัญที่สร้างความแตกต่างให้กับ Parloa ช่วยให้บริษัทพัฒนาได้อย่างรวดเร็วโดยไม่ลดทอนความน่าเชื่อถือเมื่อนำระบบไปใช้งานจริง

การใช้เสียงมีข้อจำกัดแตกต่างจากการพูดคุยแบบข้อความ เพราะทุกการโต้ตอบต้องผ่านกระบวนการที่มีความหน่วงต่ำ ตั้งแต่การแปลงเสียงเป็นข้อความ การให้เหตุผลของโมเดล ไปจนถึงการแปลงข้อความเป็นเสียง

กระบวนการนี้ต้องอาศัยความหน่วงต่ำเป็นอย่างมาก แม้โมเดลจะประมวลผลล่าช้าเพียงเล็กน้อย แต่เมื่อรวมกันแล้วก็อาจทำให้ผู้โทรรู้สึกได้ว่าการสนทนาสะดุด จึงส่งผลโดยตรงต่อการเลือกและปรับแต่งโมเดล

Parloa ทำงานร่วมกับ OpenAI อย่างใกล้ชิดเพื่อเพิ่มประสิทธิภาพสำหรับกรณีการใช้งานแบบเรียลไทม์ โดยมุ่งเน้นที่ความหน่วง คุณภาพของคำตอบ และการทำตามคำสั่ง ทีมจะประเมินและทดสอบโมเดลเวอร์ชันใหม่อย่างเข้มข้นในสภาพแวดล้อมที่ใกล้เคียงการใช้งานจริงอย่างต่อเนื่อง ก่อนนำไปใช้ในการโต้ตอบกับลูกค้าจริง

Parloa ประเมินองค์ประกอบแต่ละส่วนของระบบเสียงแยกกัน ดังนี้

• ระบบแปลงเสียงเป็นข้อความจะได้รับการทดสอบโดยวัดอัตราความผิดพลาดของคำ โดยเฉพาะเมื่อประมวลผลข้อมูลสำคัญ เช่น หมายเลขกรมธรรม์หรือรหัสบัญชี
• โมเดลแปลงข้อความเป็นเสียงจะได้รับการประเมินด้วยการทดสอบฟังแบบไม่เปิดเผยข้อมูล เพื่อวัดว่าเสียงฟังเป็นธรรมชาติเพียงใดสำหรับผู้ใช้จริง จากนั้นจึงนำผลลัพธ์ไปตรวจสอบเทียบกับการโต้ตอบจริงของลูกค้า เพื่อให้มั่นใจว่าประสิทธิภาพสม่ำเสมอในสภาพแวดล้อมการใช้งานจริง
• ขณะนี้กำลังมีการประเมินความพร้อมของโมเดลแปลงเสียงพูดเป็นเสียงพูดก่อนนำไปใช้งานจริง โดยมุ่งเน้นที่ความหน่วง ความแม่นยำ และต้นทุน

ระบบเหล่านี้ได้รับการออกแบบมาเพื่อรองรับการใช้งานทั่วโลกตั้งแต่แรก โดยมีการทดสอบประสิทธิภาพในหลายภาษา และมีลูกค้าใช้งานอยู่ในภูมิภาคต่างๆ ทั่วโลก ความเข้มงวดด้านการรองรับหลายภาษานี้สะท้อนทั้งรากฐานของ Parloa ในยุโรปและความคาดหวังของลูกค้าองค์กรที่ต้องการประสิทธิภาพสม่ำเสมอในทุกตลาด ไม่ใช่เพียงภาษาใดภาษาหนึ่งหรือภูมิภาคใดภูมิภาคหนึ่ง

ปัจจุบันเอเจนต์ของ Parloa รองรับบทสนทนาหลายล้านครั้งในอุตสาหกรรมต่างๆ ทั้งค้าปลีก การท่องเที่ยว และประกันภัย ครอบคลุมตั้งแต่ระบบสนับสนุนอัตโนมัติไปจนถึงโฟลว์สร้างรายได้ เช่น การขายสินค้าทางโทรศัพท์

Parloa มองว่าการบริการลูกค้ากำลังพัฒนาไปสู่ประสบการณ์แบบมัลติโมดัลอย่างเต็มรูปแบบ

การสนทนาอาจเริ่มต้นทางโทรศัพท์ จากนั้นสนทนาต่อในแชต พร้อมเปิดลิงก์หรือใช้องค์ประกอบแบบโต้ตอบได้ไปด้วย AMP จึงจัดการทั้งหมดเป็นการโต้ตอบเดียวอย่างต่อเนื่อง แทนที่จะสร้างกระบวนการแยกสำหรับแต่ละขั้นตอน ต่อไปเอเจนต์ AI อาจมีความสำคัญต่อประสบการณ์ของลูกค้าพอๆ กับเว็บไซต์และแอปมือถือ

ขณะที่องค์กรเดินหน้าทำให้การโต้ตอบกับลูกค้าส่วนใหญ่เป็นระบบอัตโนมัติ Parloa มุ่งทำให้เอเจนต์ AI เชื่อถือได้ ยืดหยุ่น และได้รับความไว้วางใจมากพอสำหรับการทำงานในระดับโลก