借助 OpenAI，Ringg 的 AI 智能体解决多达 65% 的客户来电
Ringg 使用 GPT‑5.6 为语音、聊天、WhatsApp 和网页提供多语言智能体，成本比 GPT‑4.1 低 90%。
700万+
每月处理的接通来电
65%
智能体解决的请求比例最高达 65%
90%
选定工作负载的成本比 GPT-4.1 更低
4.8
平均客户满意度（CSAT）
当来电量增加时，客服运营通常会通过增派人员来扩大规模，但这会增加每次互动的成本和复杂性。语音和聊天智能体平台 Ringg（在新窗口中打开） 在与印度大型消费企业合作时，亲眼见证了这一问题。
这些公司不仅难以接听更多来电，其客服人员还不得不应对零散的手动系统，帮助客户完成从购买保险到预约等任务。
这段经历促使 Ringg 打造了一个以 GPT‑5.6 等高效模型为核心、覆盖语音、聊天、WhatsApp 和网页的企业智能体平台。将适合的实时工作负载从 GPT‑4.1 迁移到 GPT‑5.6 后，模型成本降低了约 90%，同时仍能满足质量和延迟要求。
“模型质量只是其中一个方面。我们还需要低延迟、可靠的工具使用能力、出色的指令遵循能力，以及适合规模化运营的经济效益。OpenAI 提供了我们所需的平衡。”
如今，Ringg 的智能体每月处理超过 700 万通接通的电话，其客户的平均客户满意度（CSAT）评分为 4.8。
智能体要完成客户请求，可能需要核查保单、检索账户记录、安排预约、更新 CRM，或在保留相关上下文的情况下将对话转交给专业人员。
在实时互动中，Ringg 使用 GPT‑5.6 Luna 和其他模型来理解客户请求、选择工具，并引导客户完成多步骤工作流。Ringg 的编排层可跨 CRM、工单平台、支付系统、排程工具和内部 API 执行操作，并在必要时附上对话摘要，将案例升级给人工处理。
Ringg 的知识系统结合结构化筛选与语义检索，覆盖数据集、PDF、CSV 和业务文档，帮助智能体利用相关企业信息回答问题。
Ringg 还可将工作分配给不同的专业子智能体，分别负责资格审查、支持、验证、排程和升级。该平台协调这些步骤，同时在语音、聊天、WhatsApp 和网页渠道中与客户保持连贯一致的对话。
Ringg 从对话质量、延迟、指令遵循、工具调用、多语言性能、可靠性和成本等方面对 OpenAI 与其他方案进行评估后发现，对于生产工作负载，OpenAI 的综合表现最为均衡。
在遵循复杂指令、执行工具调用、保持对话上下文以及可靠支持企业级规模运行方面，GPT‑5.6 和其他 OpenAI 模型的表现也更加稳定。
Ringg 根据任务需求，将工作路由至特定的 OpenAI 模型。GPT‑4.1 处理大部分实时语音和聊天流量。GPT‑5.6 Luna 仍保留在生产技术栈中，并在其性能、延迟或性价比更适合某项请求时使用。GPT‑5.6 Terra 负责通话后分析，包括摘要和情感分类。GPT‑5.6 Sol 则支持评估、提示词改进和以模型充当评判者的工作流。
当客户在语音通话中说话或发送聊天消息时，Ringg 的编排系统会将这些输入与智能体指令、对话历史、客户特定数据、相关知识库上下文和可用工具结合起来。随后，Ringg 的路由层会选择合适的模型和配置。模型输出经由编排系统处理后，通过客户选择的渠道发送。
对于较长的互动，当上下文接近约 80,000 个 token 时，系统会生成结构化摘要。这样既能保留重要信息、继续对话，又无须反复发送全部历史记录。
在部署到生产环境之前，Ringg 会使用历史对话和模拟客户流程测试模型。其评估平台利用这些结果识别薄弱环节并建议改进提示词，从而为智能体和配置建立持续改进闭环。
其中一项评估针对 Ringg 的通话后分析工作流。该公司将 GPT‑5.6 Terra 与 Gemini 2.5 Flash 等替代方案进行测试，最终 Terra 表现最佳。Ringg 将摘要和情感分类迁移到了 GPT‑5.6 Terra。Terra 在摘要和情感分析方面保持了较高准确率，同时显著改善了单位经济效益。
该公司还会针对不同语言和地区测试模型，包括在多种语言之间切换，或将英语与当地语言短语混用的对话。这些行为在其服务的市场中十分常见。GPT‑5.6 Terra 的表现优于 Gemini 2.5 Flash，在常用地区语言上的准确率最高达 97%，因此 GPT‑5.6 更适合服务 Ringg 客户的智能体。
通过离线测试的模型会先用于一小部分生产流量，再逐步扩大部署范围。在生产环境中，Ringg 的路由器会监控各地区的延迟和端点运行状况，并在端点不可用或延迟超过阈值时转移流量。专业节点、警报和版本化部署有助于隔离问题并限制其影响。
这种方法还有助于 Ringg 改善单位经济效益。将部分实时工作负载从 GPT‑4.1 迁移到 GPT‑5.6 Luna 后，模型成本降低了约 90%。
“每当我们在模型迁移方面需要支持时，OpenAI 都能快速响应。专属 Slack 支持和与核心工程团队直接沟通的渠道，有助于我们减少工程方面的不确定性、迅速推进和加快发布，并拓展智能体的能力边界。”
Ringg 的智能体可以在完全无须人工智能体参与的情况下，为客户解决多达 65% 的常规咨询。
印度最大的在线保险平台之一 Policybazaar 使用 Ringg 对接超过 57,000 项客户请求，其中 67% 的来电无须人工干预即可处理。Policybazaar 的平均响应时间从 8–12 分钟降至不到 60 秒，改善幅度约为 88%。
在全球医疗保健平台 Practo，Ringg 的智能体帮助客户预约医疗服务并完成服务请求。部署后，Practo 的首次来电解决率达到 85%，响应时间缩短至三秒以内。与此前以人工为主的工作流相比，运营成本降低了 70%；如今，Ringg 每天完成超过 1,000 次预约。
在线投资平台 Groww 使用 Ringg 以完全自助的方式解决 72% 与 IPO、期货和期权相关的入站咨询，平均处理时间为两分钟。
Ringg 正利用 OpenAI 的计算机操作能力，为平台引导、客户身份识别（KYC）流程、IT 故障排除、值班事件支持和理赔处理开发浏览器智能体。
该公司还在开发一个能够跨渠道和互动保留信息的上下文层。客户可以通过语音发起请求，在 WhatsApp 上继续处理，最后在浏览器中完成，全程无须反复提供相同信息。
“OpenAI 的计算机操作能力加快了我们的浏览器智能体发展路线。借助这些能力，我们可以将用户屏幕上的内容与对话上下文结合起来，让智能体实时引导用户完成复杂的工作流。”
对于 Ringg 而言，下一代客服运营将以业务成果的完成情况和自动化深度来衡量，而非来电量或人员规模。
