เอเจนต์ AI ของ Ringg รับสายลูกค้าได้สูงสุด 65% ด้วย OpenAI

เมื่อปริมาณสายเพิ่มขึ้น ฝ่ายบริการลูกค้ามักขยายขีดความสามารถด้วยการเพิ่มบุคลากร แต่แนวทางนี้ทำให้ทุกการติดต่อมีต้นทุนและความซับซ้อนสูงขึ้น Ringg⁠(เปิดในหน้าต่างใหม่) แพลตฟอร์มเอเจนต์สำหรับเสียงและแชต พบปัญหานี้โดยตรงระหว่างทำงานกับธุรกิจสินค้าอุปโภคบริโภครายใหญ่ในอินเดีย

บริษัทเหล่านี้ไม่เพียงรับมือกับจำนวนสายที่เพิ่มขึ้นได้ยาก แต่เอเจนต์บริการลูกค้ายังต้องต่อสู้กับระบบที่แยกส่วนและต้องทำด้วยตนเอง เพื่อช่วยลูกค้าดำเนินงานต่างๆ ให้เสร็จ ตั้งแต่ซื้อประกันไปจนถึงนัดหมายบริการ

ประสบการณ์ดังกล่าวทำให้ Ringg สร้างแพลตฟอร์มเอเจนต์สำหรับองค์กรที่มีโมเดลประสิทธิภาพสูงอย่าง GPT‑5.6 เป็นแกนหลัก ครอบคลุมทั้งเสียง แชต WhatsApp และเว็บ การย้ายเวิร์กโหลดแบบเรียลไทม์ที่เหมาะสมจาก GPT‑4.1 ไปยัง GPT‑5.6 ลดต้นทุนโมเดลได้ประมาณ 90% พร้อมมอบคุณภาพและความหน่วงตามที่ต้องการ

ปัจจุบันเอเจนต์ของ Ringg รองรับสายที่เชื่อมต่อสำเร็จมากกว่า 7 ล้านสายในแต่ละเดือน และลูกค้ามีคะแนนความพึงพอใจของลูกค้า (CSAT) เฉลี่ย 4.8

ในการดำเนินคำขอของลูกค้าให้เสร็จ เอเจนต์อาจต้องตรวจสอบกรมธรรม์ ดึงข้อมูลบัญชี นัดหมาย อัปเดต CRM หรือโอนการสนทนาให้ผู้เชี่ยวชาญโดยคงบริบทที่เกี่ยวข้องไว้อย่างครบถ้วน

สำหรับการโต้ตอบแบบเรียลไทม์ Ringg ใช้ GPT‑5.6 Luna และโมเดลอื่นๆ เพื่อตีความคำขอของลูกค้า เลือกเครื่องมือ และพาลูกค้าดำเนินขั้นตอนการทำงานแบบหลายขั้นตอน เลเยอร์ประสานงานของ Ringg ดำเนินการข้ามระบบ CRM แพลตฟอร์มทิกเก็ต ระบบชำระเงิน เครื่องมือนัดหมาย และ API ภายใน พร้อมส่งต่อกรณีให้เจ้าหน้าที่พร้อมสรุปการสนทนาเมื่อจำเป็น

ระบบความรู้ของ Ringg ผสานการกรองแบบมีโครงสร้างกับการค้นคืนเชิงความหมายจากชุดข้อมูล PDF, CSV และเอกสารธุรกิจ ช่วยให้เอเจนต์ตอบคำถามโดยใช้ข้อมูลองค์กรที่เกี่ยวข้อง

Ringg ยังแบ่งงานให้เอเจนต์ย่อยเฉพาะทางด้านการคัดกรอง การสนับสนุน การตรวจสอบ การนัดหมาย และการส่งต่อได้อีกด้วย แพลตฟอร์มประสานขั้นตอนเหล่านั้นพร้อมรักษาความต่อเนื่องของการสนทนากับลูกค้าผ่านเสียง แชต WhatsApp และเว็บ

หลังประเมิน OpenAI เทียบกับทางเลือกอื่นๆ ทั้งด้านคุณภาพการสนทนา ความหน่วง การทำตามคำสั่ง การเรียกใช้เครื่องมือ ประสิทธิภาพหลายภาษา ความน่าเชื่อถือ และต้นทุน Ringg พบว่า OpenAI มอบสมดุลโดยรวมที่ดีที่สุดสำหรับเวิร์กโหลดจริง

GPT‑5.6 และโมเดลอื่นๆ ของ OpenAI ยังทำงานได้สม่ำเสมอกว่าในการทำตามคำสั่งที่ซับซ้อน เรียกใช้เครื่องมือ รักษาบริบทการสนทนา และทำงานอย่างน่าเชื่อถือในระดับองค์กร

Ringg ส่งงานไปยังโมเดล OpenAI ที่เจาะจงตามความต้องการของแต่ละงาน GPT‑4.1 รองรับทราฟฟิกเสียงและแชตแบบเรียลไทม์ส่วนใหญ่ GPT‑5.6 Luna ยังคงอยู่ในสแต็กการผลิตและจะถูกใช้เมื่อประสิทธิภาพ ความหน่วง หรือความคุ้มค่าต่อราคาของโมเดลเหมาะกับคำขอมากกว่า GPT‑5.6 Terra จัดการการวิเคราะห์หลังจบสาย รวมถึงการสรุปและการจำแนกความรู้สึก ส่วน GPT‑5.6 Sol รองรับการประเมิน การปรับปรุงพรอมต์ และเวิร์กโฟลว์ที่ใช้โมเดลเป็นผู้ตัดสิน

เมื่อลูกค้าพูดระหว่างการโทรหรือส่งแชต ระบบประสานงานของ Ringg จะผสานข้อมูลนั้นเข้ากับคำสั่งของเอเจนต์ ประวัติการสนทนา ข้อมูลเฉพาะของลูกค้า บริบทจากฐานความรู้ที่เกี่ยวข้อง และเครื่องมือที่พร้อมใช้ จากนั้นเลเยอร์กำหนดเส้นทางของ Ringg จะเลือกโมเดลและการกำหนดค่าที่เหมาะสม ผลลัพธ์จากโมเดลจะถูกส่งผ่านระบบประสานงานและนำส่งทางช่องทางที่ลูกค้าเลือก

สำหรับการโต้ตอบที่ยาวนานขึ้น ระบบจะสร้างสรุปแบบมีโครงสร้างเมื่อบริบทใกล้ถึงประมาณ 80,000 โทเค็น จากนั้นการสนทนาจะดำเนินต่อได้โดยยังคงข้อมูลสำคัญไว้ และไม่ต้องส่งประวัติทั้งหมดซ้ำๆ

Ringg ทดสอบโมเดลด้วยบทสนทนาในอดีตและโฟลว์ลูกค้าจำลองก่อนนำไปใช้งานจริง แพลตฟอร์มประเมินผลนำผลลัพธ์เหล่านั้นมาใช้ค้นหาจุดอ่อนและแนะนำการปรับปรุงพรอมต์ ทำให้เกิดวงจรพัฒนาเอเจนต์และการกำหนดค่าอย่างต่อเนื่อง

หนึ่งในการประเมินครอบคลุมเวิร์กโฟลว์วิเคราะห์หลังจบสายของ Ringg บริษัททดสอบ GPT‑5.6 Terra เทียบกับทางเลือกอย่าง Gemini 2.5 Flash และ Terra ทำผลงานได้ดีที่สุด Ringg ย้ายงานสรุปและจำแนกความรู้สึกไปยัง GPT‑5.6 Terra Terra รักษาความแม่นยำระดับสูงในการสรุปและวิเคราะห์ความรู้สึก พร้อมปรับปรุงความคุ้มค่าต่อหน่วยได้อย่างมาก

บริษัทยังทดสอบโมเดลกับภาษาและความแตกต่างในแต่ละภูมิภาค รวมถึงบทสนทนาที่สลับภาษาหรือผสมภาษาอังกฤษกับวลีในภาษาท้องถิ่น ซึ่งเป็นพฤติกรรมที่พบได้ทั่วไปในตลาดที่ให้บริการ GPT‑5.6 Terra ทำผลงานเหนือกว่า Gemini 2.5 Flash โดยมีความแม่นยำสูงสุด 97% ในภาษาภูมิภาคที่ใช้กันทั่วไป ทำให้ GPT‑5.6 เหมาะกับเอเจนต์ที่ให้บริการลูกค้าของ Ringg มากกว่า

โมเดลที่ผ่านการทดสอบแบบออฟไลน์จะถูกนำไปใช้กับทราฟฟิกจริงเพียงเล็กน้อย ก่อนขยายการใช้งาน ในระบบจริง เราเตอร์ของ Ringg ตรวจสอบความหน่วงและสถานะของ endpoint ในแต่ละภูมิภาค และย้ายทราฟฟิกเมื่อ endpoint ใช้งานไม่ได้หรือมีความหน่วงเกินเกณฑ์ โหนดเฉพาะทาง การแจ้งเตือน และการนำขึ้นระบบแบบแยกเวอร์ชัน ช่วยแยกปัญหาและจำกัดผลกระทบ

แนวทางนี้ยังช่วยให้ Ringg ปรับปรุงความคุ้มค่าต่อหน่วยอีกด้วย การย้ายเวิร์กโหลดแบบเรียลไทม์บางส่วนจาก GPT‑4.1 ไปยัง GPT‑5.6 Luna ลดต้นทุนโมเดลได้ประมาณ 90%

เอเจนต์ของ Ringg จัดการข้อซักถามทั่วไปของลูกค้าได้สูงสุด 65% โดยไม่ต้องมีเจ้าหน้าที่เข้ามาเกี่ยวข้อง

Policybazaar หนึ่งในแพลตฟอร์มประกันออนไลน์ที่ใหญ่ที่สุดของอินเดีย ใช้ Ringg เพื่อเชื่อมต่อคำขอของลูกค้ากว่า 57,000 รายการ โดย 67% ของสายได้รับการจัดการโดยไม่ต้องมีเจ้าหน้าที่ เวลาตอบกลับเฉลี่ยของ Policybazaar ลดจาก 8–12 นาทีเหลือต่ำกว่า 60 วินาที ดีขึ้นประมาณ 88%

ที่ Practo แพลตฟอร์มสุขภาพระดับโลก เอเจนต์ของ Ringg ช่วยลูกค้านัดหมายบริการสุขภาพและดำเนินคำขอบริการให้เสร็จ หลังนำระบบมาใช้ Practo สามารถแก้ไขปัญหาได้ตั้งแต่การโทรครั้งแรก 85% และมีเวลาตอบกลับต่ำกว่าสามวินาที ต้นทุนการดำเนินงานลดลง 70% เมื่อเทียบกับเวิร์กโฟลว์เดิมที่มีเจ้าหน้าที่เป็นผู้ดำเนินการ ขณะที่ Ringg นัดหมายได้มากกว่า 1,000 รายการต่อวัน

Groww แพลตฟอร์มการลงทุนออนไลน์ ใช้ Ringg จัดการข้อซักถามขาเข้าเกี่ยวกับ IPO ฟิวเจอร์ส และออปชันได้ 72% ผ่านบริการตนเองทั้งหมด โดยใช้เวลาดำเนินการเฉลี่ยสองนาที

Ringg ใช้ความสามารถในการใช้งานคอมพิวเตอร์ของ OpenAI เพื่อพัฒนาเอเจนต์บนเบราว์เซอร์สำหรับการเริ่มใช้งานแพลตฟอร์ม กระบวนการรู้จักลูกค้าของคุณ (KYC) การแก้ปัญหาไอที การสนับสนุนเหตุขัดข้องแบบเวรพร้อมรับสาย และการดำเนินการเรียกร้องสินไหม

บริษัทยังกำลังพัฒนาเลเยอร์บริบทที่เก็บรักษาข้อมูลข้ามช่องทางและการโต้ตอบได้ ลูกค้าอาจเริ่มส่งคำขอทางเสียง ดำเนินการต่อบน WhatsApp และทำให้เสร็จในเบราว์เซอร์ โดยไม่ต้องบอกรายละเอียดเดิมซ้ำทุกครั้ง

สำหรับ Ringg การดำเนินงานด้านลูกค้ารุ่นต่อไปจะวัดจากผลลัพธ์ทางธุรกิจที่ทำสำเร็จและระดับความลึกของระบบอัตโนมัติ ไม่ใช่ปริมาณสายหรือจำนวนบุคลากร