Wat is er gebeurd
Ringg, een platform voor zakelijke agenten, heeft AI-agenten ingezet die worden aangedreven door OpenAI-modellen om klantenserviceactiviteiten voor grote Indiase bedrijven af te handelen. Het systeem maakt gebruik van een multi-modelbenadering, waarbij taken worden gerouteerd naar GPT-4.1 voor realtime spraak en chat, GPT-5.6 Luna voor specifieke prestatiebehoeften en GPT-5.6 Terra voor analyse na een oproep. Dankzij deze architectuur kan Ringg tot 65% van de routinematige vragen autonoom oplossen, waarbij specifieke klanten zoals Policybazaar en Practo substantiële verbeteringen in oplossingspercentages en kostenefficiëntie rapporteren.
Ringg, een spraak- en chatagentplatform, heeft een enterprise-agentsysteem geïmplementeerd dat is gebouwd op de modellen van OpenAI om de klantenservice voor grote consumentenbedrijven in India te beheren. Het platform pakt de hoge kosten en complexiteit aan van het opschalen van de menselijke klantenservice door AI te gebruiken voor het afhandelen van gefragmenteerde, handmatige taken zoals het kopen van verzekeringen en het boeken van afspraken. Het systeem omvat spraak-, chat-, WhatsApp- en webkanalen en maakt gebruik van een kernarchitectuur met zeer efficiënte modellen zoals GPT-5.6.
De technische implementatie omvat een geavanceerde orkestratielaag die werk naar specifieke OpenAI-modellen stuurt op basis van taakvereisten. GPT-4.1 verwerkt het merendeel van het realtime spraak- en chatverkeer, terwijl GPT-5.6 Luna wordt gebruikt wanneer het prestatie-, latentie- of prijs-prestatieprofiel beter geschikt is voor een verzoek. GPT-5.6 Terra is bedoeld voor analyse na de oproep, inclusief samenvattingen en sentimentclassificatie, en GPT-5.6 Sol ondersteunt evaluatie- en snelle verbeteringsworkflows. Dankzij deze multi-modelaanpak kan Ringg zowel de kosten als de kwaliteit optimaliseren, waarbij de migratie van bepaalde realtime workloads van GPT-4.1 naar GPT-5.6 Luna de modelkosten met ongeveer 90% verlaagt.
De agenten van Ringg zijn in staat complexe, uit meerdere stappen bestaande workflows uit te voeren door integratie met CRM's, ticketingplatforms, betalingssystemen en interne API's. Het systeem maakt gebruik van een kennisbank die gestructureerde filtering combineert met semantisch ophalen in verschillende gegevensformaten om nauwkeurige antwoorden te garanderen. Voor langere interacties creëert het systeem gestructureerde samenvattingen wanneer de context de 80.000 tokens nadert, waardoor belangrijke informatie bewaard blijft zonder herhaaldelijk de hele geschiedenis te verzenden. Dit maakt consistent gespreksbeheer mogelijk via verschillende kanalen en apparaten.
Het platform is bij verschillende grote klanten ingezet, wat aanzienlijke operationele verbeteringen heeft opgeleverd. Policybazaar, een online verzekeringsplatform, gebruikt Ringg om meer dan 57.000 klantverzoeken af te handelen, waarbij 67% van de oproepen wordt opgelost zonder menselijke tussenkomst. Deze implementatie verminderde de gemiddelde responstijd van 8-12 minuten naar minder dan 60 seconden. Practo, een gezondheidszorgplatform, behaalde een oplossingspercentage bij eerste oproepen van 85% en verlaagde de bedrijfskosten met 70% in vergelijking met de vorige, door mensen geleide workflow. Groww, een investeringsplatform, lost 72% van de inkomende vragen met betrekking tot financiële producten volledig op via selfservice.
Waarom het ertoe doet
Deze implementatie demonstreert een praktische, grootschalige toepassing van AI-agenten in de klantenservice, waarbij de theoretische mogelijkheden worden overstegen naar meetbare bedrijfsresultaten. Door meerdere OpenAI-modellen te integreren in een uniforme orkestratielaag, pakt Ringg de uitdagingen op het gebied van kosten en latentie van realtime AI-interacties aan. De gerapporteerde 90% verlaging van de modelkosten voor bepaalde werklasten en de mogelijkheid om meertalige, complexe workflows af te handelen, geven aan dat AI-agenten een levensvatbaar, kosteneffectief alternatief aan het worden zijn voor traditionele, door mensen bemande callcenters. Deze verschuiving heeft aanzienlijke gevolgen voor de bedrijfsactiviteiten, wat erop wijst dat automatiseringsdiepte en voltooide bedrijfsresultaten de nieuwe maatstaven voor succes op het gebied van klantenservice worden.
De inzet van de AI-agenten van Ringg vertegenwoordigt een belangrijke stap in de praktische toepassing van AI in de zakelijke klantenservice. Door hoge resolutiepercentages te bereiken zonder menselijke tussenkomst, laat het platform zien dat AI complexe, realtime interacties aankan met een niveau van betrouwbaarheid en efficiëntie dat voorheen moeilijk te bereiken was. Dit is vooral opmerkelijk gezien de meertalige en regionale verschillen in de markten die Ringg bedient, waar GPT-5.6 Terra tot 97% nauwkeurigheid behaalde in gemeenschappelijke regionale talen.
De economische gevolgen van deze technologie zijn aanzienlijk. De gerapporteerde 90% reductie in modelkosten voor bepaalde werklasten, gecombineerd met de 70% reductie in operationele kosten voor klanten als Practo, suggereert dat AI-agenten een kosteneffectievere oplossing kunnen bieden dan traditionele, door mensen bemande callcenters. Deze kostenefficiëntie wordt gedreven door de mogelijkheid om routinematige vragen te automatiseren en het gebruik van een multi-model routeringsstrategie die zowel de prestaties als de prijs optimaliseert.
De verschuiving van het meten van het succes van de klantenservice aan de hand van belvolume of personeelsbestand naar het meten ervan aan de hand van voltooide bedrijfsresultaten en automatiseringsdiepte markeert een verandering in de manier waarop bedrijven klantactiviteiten benaderen. De aanpak van Ringg, die zich richt op het oplossen van klantverzoeken door een combinatie van AI-agenten en menselijke escalatie, sluit aan bij dit nieuwe paradigma. Deze verschuiving heeft het potentieel om de klantenservicesector te transformeren, waardoor deze efficiënter, schaalbaarder en beter inspeelt op de behoeften van de klant.
Interactief mechanisme: hoe het eigenlijk werkt
Ontdek interactief de onderliggende technologie achter deze ontwikkeling.
crm_get_transaction(id='4092').What most distinguishes an AI agent from a basic chatbot?
Wat je nu moet bekijken
Volg de uitbreiding van Ringg's browseragentmogelijkheden voor KYC- en onboarding-processen, evenals de ontwikkeling van de cross-channel contextlaag. Houd bovendien bij of andere bedrijfsplatforms vergelijkbare routeringsstrategieën met meerdere modellen gebruiken om de kosten en prestaties te optimaliseren, en kijk of deze gerapporteerde efficiëntiewinsten worden gerepliceerd in verschillende industrieën en geografische markten.
Ringg ontwikkelt momenteel browseragenten die gebruik maken van de computergebruiksmogelijkheden van OpenAI voor taken zoals platformonboarding, Know Your Customer (KYC)-processen, IT-probleemoplossing en claimverwerking. Het succes van deze browseragenten zal een belangrijke indicator zijn van het vermogen van het platform om zijn automatiseringsmogelijkheden buiten de klantenservice uit te breiden naar andere bedrijfsactiviteiten.
Het bedrijf werkt ook aan een contextlaag die informatie over verschillende kanalen en interacties heen kan bewaren. Met deze functie kunnen klanten een verzoek via spraak starten, dit voortzetten op WhatsApp en het in een browser voltooien zonder details te herhalen. De implementatie van deze contextlaag zou de gebruikerservaring aanzienlijk kunnen verbeteren en de efficiëntie van AI-gestuurde klantenservice verder kunnen vergroten.
De acceptatie van Ringg's multi-modelrouteringsstrategie door andere bedrijfsplatforms zal een belangrijke trend zijn om in de gaten te houden. Als andere bedrijven vergelijkbare benaderingen gaan gebruiken om hun AI-implementaties te optimaliseren, zou dit kunnen leiden tot een bredere verschuiving in de manier waarop bedrijven hun AI-infrastructuur beheren, met een grotere nadruk op kostenefficiëntie en prestatie-optimalisatie.