Ringg: agenci AI od OpenAI rozwiązują 65% zgłoszeń klientów

Ringg, indyjska platforma agentów głosowych i czatowych, ogłosiła, że jej systemy oparte na modelach OpenAI samodzielnie rozwiązują do 65% zgłoszeń klientów, jednocześnie redukując koszty modeli o około 90% w porównaniu z wcześniej używanym GPT‑4.1. Firma współpracuje z dużymi przedsiębiorstwami konsumenckimi w Indiach, obsługując ponad 7 milionów połączonych rozmów telefonicznych miesięcznie.

Ringg zbudowało swoją platformę po tym, jak zauważyło, że rosnąca liczba połączeń w obsłudze klienta zwykle oznacza po prostu zatrudnianie kolejnych ludzi – co zwiększa koszty i komplikuje każdą interakcję. Do tego pracownicy obsługi klienta u partnerów Ringg musieli radzić sobie z rozdrobnionymi, ręcznymi systemami przy prostych zadaniach, takich jak zakup polisy ubezpieczeniowej czy rezerwacja wizyty.

Kluczowe wnioski

• Agenci Ringg oparte na modelach OpenAI obsługują ponad 7 milionów połączonych rozmów miesięcznie i samodzielnie rozwiązują do 65% zgłoszeń.
• Migracja odpowiednich zadań real-time z GPT‑4.1 na GPT‑5.6 zredukowała koszty modeli o około 90% przy zachowaniu wymaganej jakości i opóźnień.
• Średni wskaźnik satysfakcji klientów (CSAT) u klientów Ringg wynosi 4,8.
• Firma kieruje różne typy zadań do różnych modeli OpenAI: GPT‑4.1 obsługuje większość ruchu głosowego i czatowego w czasie rzeczywistym, a wyspecjalizowane wersje GPT‑5.6 (Luna, Terra, Sol) odpowiadają za pozostałe funkcje.
• Model GPT‑5.6 Terra osiągnął do 97% dokładności w typowych językach regionalnych, wyprzedzając Gemini 2.5 Flash w testach porównawczych Ringg.

Platforma agentów zbudowana wokół efektywności modeli

Ringg zbudowało platformę korporacyjną z modelami wysokiej efektywności, jak GPT‑5.6, w centrum architektury obsługującej głos, czat, WhatsApp i stronę internetową. Jak wyjaśnia Siddharth Tripathi, współzałożyciel Ringg: „Jakość modelu to tylko część równania. Potrzebujemy też niskiego opóźnienia, wiarygodnego wykorzystania narzędzi, silnego przestrzegania instrukcji i ekonomiki, która działa w skali. OpenAI dało nam potrzebną równowagę”.

Aby agent mógł zrealizować prośbę klienta, często musi sprawdzić polisę, pobrać dane konta, zaplanować wizytę, zaktualizować CRM albo przekazać rozmowę specjaliście z zachowanym kontekstem. Przy interakcjach w czasie rzeczywistym Ringg wykorzystuje GPT‑5.6 Luna i inne modele do interpretowania zapytań klientów, wyboru odpowiednich narzędzi i prowadzenia klienta przez wieloetapowe procesy. Warstwa orkiestracji Ringg wykonuje działania w systemach CRM, na platformach zgłoszeniowych, w systemach płatności, harmonogramowania i wewnętrznych API, eskalując sprawy do człowieka wraz z podsumowaniem rozmowy, gdy jest to potrzebne.

System wiedzy Ringg łączy filtrowanie strukturalne z semantycznym wyszukiwaniem w zbiorach danych, plikach PDF, CSV i dokumentach biznesowych, co pomaga agentom odpowiadać na pytania na podstawie odpowiednich informacji firmowych. Ringg może również dzielić pracę między wyspecjalizowane subagenty odpowiadające za kwalifikację, wsparcie, weryfikację, planowanie i eskalację, koordynując te kroki przy zachowaniu spójnej rozmowy z klientem niezależnie od kanału – głosu, czatu, WhatsApp czy strony internetowej.

Kierowanie zadań do konkretnych modeli OpenAI

Po porównaniu OpenAI z alternatywnymi dostawcami pod względem jakości konwersacji, opóźnień, przestrzegania instrukcji, wywoływania narzędzi, wydajności wielojęzycznej, wiarygodności i kosztów, Ringg uznało, że OpenAI zapewnia najlepszą równowagę dla obciążeń produkcyjnych. GPT‑5.6 i inne modele OpenAI działały bardziej konsekwentnie w wykonywaniu złożonych instrukcji, wywoływaniu narzędzi, utrzymywaniu kontekstu rozmowy i pracy w skali korporacyjnej.

Ringg kieruje pracę do konkretnego modelu OpenAI zależnie od charakteru zadania. GPT‑4.1 obsługuje większość ruchu głosowego i czatowego w czasie rzeczywistym. GPT‑5.6 Luna pozostaje w stosie produkcyjnym i jest używany, gdy jego wydajność, opóźnienie lub profil ceny do wydajności lepiej odpowiada danemu zapytaniu. GPT‑5.6 Terra obsługuje analizę po zakończeniu rozmowy, w tym podsumowania i klasyfikację sentymentu. GPT‑5.6 Sol wspiera ewaluację, poprawę promptów oraz przepływy typu model-jako-sędzia.

Kiedy klient mówi podczas rozmowy głosowej lub wysyła wiadomość na czacie, system orkiestracji Ringg łączy to wejście z instrukcjami agenta, historią rozmowy, danymi konkretnego klienta, odpowiednim kontekstem z bazy wiedzy i dostępnymi narzędziami. Warstwa routingu Ringg wybiera właściwy model i konfigurację, a wynik pracy modelu jest przekazywany przez system orkiestracji i dostarczany klientowi w wybranym kanale. Przy dłuższych interakcjach system tworzy uporządkowane podsumowanie, gdy kontekst zbliża się do około 80 tysięcy tokenów – dzięki temu rozmowa może być kontynuowana z zachowaniem najważniejszych informacji, bez każdorazowego wysyłania całej historii.

Testy produkcyjne jako narzędzie poprawy jakości i kosztów

Ringg testuje modele na podstawie historycznych rozmów i symulowanych scenariuszy klientów przed wdrożeniem produkcyjnym. Platforma ewaluacyjna firmy wykorzystuje te wyniki do identyfikowania słabych punktów i rekomendowania poprawek promptów, tworząc pętlę ciągłego doskonalenia agentów i konfiguracji.

Jednym z przykładów jest przepływ analizy po rozmowie. Ringg przetestowało GPT‑5.6 Terra wobec alternatyw, takich jak Gemini 2.5 Flash, i Terra wypadł najlepiej – firma przeniosła podsumowania i klasyfikację sentymentu na ten model, zachowując wysoką dokładność przy jednoczesnym istotnym poprawieniu ekonomiki jednostkowej. Firma testuje modele również pod kątem obsługi różnych języków i wariantów regionalnych, w tym rozmów przełączających się między językami lub mieszających angielski z lokalnymi frazami – co jest typowe dla rynków, na których działa. W tych testach GPT‑5.6 Terra wyprzedził Gemini 2.5 Flash, osiągając do 97% dokładności w popularnych językach regionalnych.

Modele, które przechodzą testy offline, są wprowadzane do niewielkiej części ruchu produkcyjnego przed pełnym wdrożeniem. W produkcji router Ringg monitoruje opóźnienia i stan punktów końcowych w różnych regionach, przenosząc ruch, gdy dany punkt końcowy staje się niedostępny lub przekracza próg opóźnienia. Wyspecjalizowane węzły, alerty i wersjonowane wdrożenia pomagają izolować problemy i ograniczać ich skutki.

Podsumowanie

Przykład Ringg pokazuje, jak dobór odpowiednich modeli do konkretnych zadań – od rozmów w czasie rzeczywistym po analizę posprzedażową – pozwala platformom agentów AI jednocześnie zwiększyć skalę obsługi klienta i drastycznie zredukować koszty operacyjne, przy zachowaniu wysokiej satysfakcji użytkowników.