Tác nhân AI của Ringg xử lý tới 65% cuộc gọi nhờ OpenAI

Khi lượng cuộc gọi tăng, bộ phận dịch vụ khách hàng thường mở rộng bằng cách tuyển thêm người, nhưng điều này làm tăng chi phí và độ phức tạp của mỗi lượt tương tác. Ringg⁠(mở trong cửa sổ mới), một nền tảng tác nhân thoại và trò chuyện, đã trực tiếp chứng kiến vấn đề này khi làm việc với các doanh nghiệp tiêu dùng lớn tại Ấn Độ.

Các công ty này không chỉ chật vật xử lý lượng cuộc gọi ngày càng tăng; nhân viên dịch vụ khách hàng của họ còn phải xoay xở với những hệ thống thủ công, rời rạc để giúp khách hàng hoàn thành các tác vụ, từ mua bảo hiểm đến đặt lịch hẹn.

Trải nghiệm đó đã thôi thúc Ringg xây dựng một nền tảng tác nhân dành cho doanh nghiệp, lấy các mô hình hiệu suất cao như GPT‑5.6 làm cốt lõi và hỗ trợ thoại, trò chuyện, WhatsApp cùng web. Việc chuyển các tác vụ thời gian thực phù hợp từ GPT‑4.1 sang GPT‑5.6 đã giảm khoảng 90% chi phí mô hình, đồng thời vẫn đáp ứng yêu cầu về chất lượng và độ trễ.

Các tác nhân của Ringg hiện xử lý hơn 7 triệu cuộc gọi được kết nối mỗi tháng, còn khách hàng của Ringg đạt điểm hài lòng trung bình (CSAT) là 4,8.

Để hoàn thành một yêu cầu của khách hàng, tác nhân có thể cần kiểm tra hợp đồng, truy xuất hồ sơ tài khoản, đặt lịch hẹn, cập nhật CRM hoặc chuyển cuộc trò chuyện cho chuyên viên mà vẫn giữ nguyên ngữ cảnh liên quan.

Trong các tương tác thời gian thực, Ringg dùng GPT‑5.6 Luna và các mô hình khác để diễn giải yêu cầu, chọn công cụ và hướng dẫn khách hàng thực hiện quy trình nhiều bước. Lớp điều phối của Ringg thực hiện tác vụ trên các hệ thống CRM, nền tảng quản lý yêu cầu hỗ trợ, hệ thống thanh toán, công cụ lập lịch và API nội bộ; khi cần, hệ thống chuyển vụ việc cho nhân viên kèm bản tóm tắt cuộc trò chuyện.

Hệ thống tri thức của Ringg kết hợp bộ lọc có cấu trúc với khả năng truy xuất ngữ nghĩa trên các tập dữ liệu, tệp PDF, CSV và tài liệu kinh doanh, giúp tác nhân trả lời bằng thông tin doanh nghiệp phù hợp.

Ringg cũng có thể phân chia công việc cho các tác nhân phụ chuyên trách khâu sàng lọc, hỗ trợ, xác minh, lập lịch và chuyển cấp xử lý. Nền tảng điều phối các bước đó, đồng thời duy trì cuộc trò chuyện nhất quán với khách hàng trên thoại, trò chuyện, WhatsApp và web.

Sau khi đánh giá OpenAI và các phương án khác về chất lượng hội thoại, độ trễ, khả năng tuân thủ chỉ dẫn, gọi công cụ, hiệu suất đa ngôn ngữ, độ tin cậy và chi phí, Ringg nhận thấy OpenAI mang lại sự cân bằng tổng thể tốt nhất cho các tác vụ thực tế.

GPT‑5.6 và các mô hình OpenAI khác cũng hoạt động nhất quán hơn khi tuân thủ chỉ dẫn phức tạp, thực hiện lệnh gọi công cụ, duy trì ngữ cảnh hội thoại và vận hành đáng tin cậy ở quy mô doanh nghiệp.

Ringg chuyển công việc đến một mô hình OpenAI cụ thể dựa trên yêu cầu của tác vụ. GPT‑4.1 xử lý phần lớn lưu lượng thoại và trò chuyện theo thời gian thực. GPT‑5.6 Luna vẫn nằm trong hệ thống vận hành thực tế và được sử dụng khi hiệu suất, độ trễ hoặc tỷ lệ hiệu năng trên giá của mô hình này phù hợp hơn với yêu cầu. GPT‑5.6 Terra xử lý khâu phân tích sau cuộc gọi, bao gồm tóm tắt và phân loại cảm xúc. Còn GPT‑5.6 Sol hỗ trợ đánh giá, cải thiện câu lệnh và các quy trình dùng mô hình làm giám khảo.

Khi khách hàng nói trong cuộc gọi thoại hoặc gửi tin nhắn trò chuyện, hệ thống điều phối của Ringg kết hợp nội dung đó với chỉ dẫn của tác nhân, lịch sử hội thoại, dữ liệu riêng của khách hàng, ngữ cảnh phù hợp từ cơ sở tri thức và các công cụ sẵn có. Sau đó, lớp định tuyến của Ringg chọn mô hình và cấu hình phù hợp. Đầu ra của mô hình được chuyển qua hệ thống điều phối rồi gửi đến kênh mà khách hàng đã chọn.

Với các tương tác dài hơn, hệ thống tạo bản tóm tắt có cấu trúc khi ngữ cảnh tiến gần mốc 80.000 token. Nhờ đó, cuộc trò chuyện có thể tiếp tục mà vẫn bảo toàn thông tin quan trọng, không cần liên tục gửi lại toàn bộ lịch sử.

Ringg kiểm thử các mô hình bằng những cuộc trò chuyện trước đây và luồng khách hàng mô phỏng trước khi triển khai thực tế. Nền tảng đánh giá của Ringg dùng các kết quả này để xác định điểm yếu và đề xuất cải thiện câu lệnh, tạo nên vòng lặp cải tiến liên tục cho các tác nhân và cấu hình.

Một trong các đợt đánh giá tập trung vào quy trình phân tích sau cuộc gọi của Ringg. Công ty đã thử nghiệm GPT‑5.6 Terra với các phương án khác như Gemini 2.5 Flash và Terra đạt kết quả cao nhất. Ringg chuyển việc tóm tắt và phân loại cảm xúc sang GPT‑5.6 Terra. Terra duy trì độ chính xác cao khi tóm tắt và phân tích cảm xúc, đồng thời cải thiện đáng kể hiệu quả kinh tế trên mỗi đơn vị.

Công ty cũng kiểm thử các mô hình với nhiều biến thể ngôn ngữ và vùng miền, trong đó có những cuộc trò chuyện chuyển đổi giữa các ngôn ngữ hoặc kết hợp tiếng Anh với cụm từ địa phương—một hành vi phổ biến tại các thị trường mà Ringg phục vụ. GPT‑5.6 Terra vượt Gemini 2.5 Flash, đạt độ chính xác tới 97% với các ngôn ngữ phổ biến trong khu vực, nhờ đó GPT‑5.6 phù hợp hơn với các tác nhân phục vụ khách hàng của Ringg.

Các mô hình vượt qua kiểm thử ngoại tuyến sẽ được đưa vào xử lý một phần nhỏ lưu lượng thực tế trước khi mở rộng triển khai. Trong môi trường thực tế, bộ định tuyến của Ringg giám sát độ trễ và tình trạng của các điểm cuối ở nhiều khu vực, đồng thời chuyển lưu lượng khi một điểm cuối ngừng hoạt động hoặc vượt ngưỡng độ trễ. Các nút chuyên biệt, cảnh báo và bản triển khai có quản lý phiên bản giúp cô lập vấn đề và hạn chế tác động.

Cách tiếp cận này cũng giúp Ringg cải thiện hiệu quả kinh tế trên mỗi đơn vị. Việc chuyển một số tác vụ thời gian thực từ GPT‑4.1 sang GPT‑5.6 Luna đã giảm khoảng 90% chi phí mô hình.

Đối với khách hàng của Ringg, các tác nhân giải quyết tới 65% yêu cầu thông thường mà không cần nhân viên tham gia.

Policybazaar, một trong những nền tảng bảo hiểm trực tuyến lớn nhất Ấn Độ, sử dụng Ringg để kết nối hơn 57.000 yêu cầu của khách hàng; 67% cuộc gọi được xử lý mà không cần nhân viên can thiệp. Thời gian phản hồi trung bình của Policybazaar giảm từ 8–12 phút xuống dưới 60 giây, tương đương mức cải thiện khoảng 88%.

Tại Practo, một nền tảng chăm sóc sức khỏe toàn cầu, các tác nhân của Ringg giúp khách hàng đặt lịch khám và hoàn thành yêu cầu dịch vụ. Sau khi triển khai, Practo đạt tỷ lệ giải quyết ngay trong cuộc gọi đầu tiên là 85% và thời gian phản hồi dưới ba giây. Chi phí vận hành giảm 70% so với quy trình trước đây do con người đảm nhiệm, trong khi Ringg hiện hoàn tất hơn 1.000 lượt đặt lịch hẹn mỗi ngày.

Nền tảng đầu tư trực tuyến Groww dùng Ringg để giải quyết hoàn toàn theo hình thức tự phục vụ 72% yêu cầu đến liên quan đến IPO, hợp đồng tương lai và quyền chọn, với thời gian xử lý trung bình hai phút.

Bằng khả năng sử dụng máy tính của OpenAI, Ringg đang phát triển các tác nhân trình duyệt phục vụ việc hướng dẫn làm quen với nền tảng, quy trình Xác minh danh tính khách hàng (KYC), khắc phục sự cố CNTT, hỗ trợ sự cố trực và xử lý yêu cầu bồi thường.

Công ty cũng đang phát triển một lớp ngữ cảnh có thể lưu giữ thông tin xuyên suốt các kênh và lượt tương tác. Khách hàng có thể bắt đầu yêu cầu qua thoại, tiếp tục trên WhatsApp rồi hoàn tất trong trình duyệt mà không phải lặp lại cùng một thông tin ở mỗi bước.

Theo Ringg, thế hệ vận hành dịch vụ khách hàng tiếp theo sẽ được đo bằng kết quả kinh doanh đã hoàn thành và mức độ tự động hóa, thay vì lượng cuộc gọi hay số lượng nhân sự.