Що сталося
Ringg, корпоративна агентська платформа, розгорнула агентів штучного інтелекту на базі моделей OpenAI для обслуговування клієнтів великих індійських компаній. Система використовує мультимодельний підхід, направляючи завдання на GPT-4.1 для голосового зв’язку та чату в реальному часі, GPT-5.6 Luna для конкретних потреб у продуктивності та GPT-5.6 Terra для аналізу після виклику. Ця архітектура дозволяє Ringg автономно вирішувати до 65% звичайних запитів, причому конкретні клієнти, як-от Policybazaar і Practo, повідомляють про суттєві покращення у швидкості вирішення та економічній ефективності.
Ringg, платформа голосового та чатового агентів, реалізувала корпоративну агентську систему, побудовану на моделях OpenAI, для керування обслуговуванням клієнтів для великих споживчих компаній в Індії. Платформа вирішує високі витрати та складність масштабування людського обслуговування клієнтів за допомогою штучного інтелекту для виконання фрагментованих ручних завдань, таких як покупка страховки та запис на зустріч. Система охоплює голос, чат, WhatsApp і веб-канали, використовуючи основну архітектуру, яка включає високоефективні моделі, такі як GPT-5.6.
Технічна реалізація включає складний рівень оркестровки, який направляє роботу до конкретних моделей OpenAI на основі вимог завдання. GPT-4.1 обробляє більшість голосового трафіку та трафіку чату в реальному часі, тоді як GPT-5.6 Luna використовується, коли його продуктивність, затримка або профіль ціни та ефективності краще відповідають запиту. GPT-5.6 Terra призначений для аналізу після виклику, включаючи підсумки та класифікацію настроїв, а GPT-5.6 Sol підтримує робочі процеси оцінки та оперативного вдосконалення. Цей мультимодельний підхід дозволяє Ringg оптимізувати як вартість, так і якість, завдяки міграції певних робочих навантажень у реальному часі з GPT-4.1 на GPT-5.6 Luna, що зменшує витрати на модель приблизно на 90%.
Агенти Ringg здатні виконувати складні багатоетапні робочі процеси шляхом інтеграції з CRM, платформами продажу квитків, платіжними системами та внутрішніми API. Система використовує базу знань, яка поєднує структуроване фільтрування з семантичним пошуком у різних форматах даних для забезпечення точних відповідей. Для більш тривалої взаємодії система створює структуровані підсумки, коли контекст наближається до 80 000 токенів, зберігаючи важливу інформацію без повторного надсилання всієї історії. Це дозволяє узгоджено керувати розмовами на різних каналах і пристроях.
Платформу було розгорнуто з кількома великими клієнтами, що принесло значні операційні покращення. Policybazaar, онлайн-платформа страхування, використовує Ringg для обробки понад 57 000 запитів клієнтів, при цьому 67% дзвінків вирішуються без втручання людини. Це розгортання скоротило середній час відповіді з 8-12 хвилин до менше 60 секунд. Practo, платформа охорони здоров’я, досягла 85% частоти вирішення перших дзвінків і знизила операційні витрати на 70% порівняно з попереднім робочим процесом, керованим людиною. Groww, інвестиційна платформа, вирішує 72% вхідних запитів, пов’язаних із фінансовими продуктами, виключно за допомогою самообслуговування.
Чому це важливо
Це розгортання демонструє практичне широкомасштабне застосування агентів штучного інтелекту в обслуговуванні клієнтів, виходячи за межі теоретичних можливостей до вимірних бізнес-результатів. Інтегруючи кілька моделей OpenAI в єдиний рівень оркестровки, Ringg вирішує проблеми з вартістю та затримкою взаємодії ШІ в реальному часі. Зниження вартості моделі на 90% для певних робочих навантажень і здатність обробляти багатомовні складні робочі процеси вказують на те, що агенти штучного інтелекту стають життєздатною та економічно ефективною альтернативою традиційним кол-центрам, укомплектованим персоналом. Цей зсув має значні наслідки для роботи підприємства, припускаючи, що глибина автоматизації та досягнуті бізнес-результати стають новими показниками успіху обслуговування клієнтів.
Розгортання агентів штучного інтелекту Ringg є значним кроком у практичному застосуванні штучного інтелекту в обслуговуванні корпоративних клієнтів. Досягаючи високих показників роздільної здатності без втручання людини, платформа демонструє, що штучний інтелект може обробляти складні взаємодії в режимі реального часу з таким рівнем надійності та ефективності, якого раніше було важко досягти. Це особливо помітно, враховуючи багатомовні та регіональні відмінності на ринках, які обслуговує Ringg, де GPT-5.6 Terra досягла до 97% точності на поширених регіональних мовах.
Економічні наслідки цієї технології значні. Повідомлення про зниження вартості моделі на 90% для певних робочих навантажень у поєднанні зі зниженням операційних витрат на 70% для таких клієнтів, як Practo, свідчить про те, що агенти штучного інтелекту можуть забезпечити більш економічно ефективне рішення, ніж традиційні кол-центри з персоналом. Ця економічна ефективність обумовлена можливістю автоматизувати регулярні запити та використанням багатомодельної стратегії маршрутизації, яка оптимізує як продуктивність, так і ціну.
Перехід від вимірювання успіху обслуговування клієнтів за кількістю дзвінків або штату до вимірювання за досягнутими бізнес-результатами та глибиною автоматизації знаменує зміну в тому, як підприємства підходять до роботи з клієнтами. Підхід Ringg, який зосереджується на вирішенні запитів клієнтів за допомогою поєднання агентів ШІ та людської ескалації, узгоджується з цією новою парадигмою. Ця зміна має потенціал трансформувати індустрію обслуговування клієнтів, зробивши її більш ефективною, масштабованою та чутливою до потреб клієнтів.
Інтерактивний механізм: як він насправді працює
Дослідіть технологію, що лежить в основі цієї розробки, в інтерактивному режимі.
crm_get_transaction(id='4092').What most distinguishes an AI agent from a basic chatbot?
Що дивитися далі
Слідкуйте за розширенням можливостей агента браузера Ringg для KYC і процесів адаптації, а також за розвитком рівня міжканального контексту. Крім того, слідкуйте за тим, чи інші корпоративні платформи застосовують подібні багатомодельні стратегії маршрутизації для оптимізації витрат і продуктивності, і спостерігайте, чи відтворюються ці зареєстровані підвищення ефективності в різних галузях і географічних ринках.
Наразі Ringg розробляє агенти браузера, використовуючи можливості використання комп’ютера OpenAI для таких завдань, як адаптація платформи, процеси «Знай свого клієнта» (KYC), усунення несправностей ІТ та обробка претензій. Успіх цих браузерних агентів стане ключовим показником здатності платформи розширювати свої можливості автоматизації за межі обслуговування клієнтів на інші корпоративні операції.
Компанія також працює над контекстним рівнем, який може зберігати інформацію через канали та взаємодії. Ця функція дозволить клієнтам почати запит голосом, продовжити його на WhatsApp і завершити в браузері без повторення деталей. Впровадження цього рівня контексту може значно покращити взаємодію з користувачем і ще більше підвищити ефективність обслуговування клієнтів, керованого ШІ.
Прийняття багатомодельної стратегії маршрутизації Ringg іншими корпоративними платформами буде важливою тенденцією, на яку варто звернути увагу. Якщо інші компанії почнуть використовувати подібні підходи для оптимізації розгортання штучного інтелекту, це може призвести до ширших змін у тому, як підприємства керують своєю інфраструктурою штучного інтелекту, з більшою увагою до економічності та оптимізації продуктивності.