Ringg desarrolló una plataforma empresarial de agentes que opera en los canales de voz, chat, WhatsApp y web como solución a la congestión de llamadas y los problemas derivados de sistemas fragmentados que experimentan las grandes empresas de consumo de India en sus servicios de atención al cliente. Trasladar las cargas de trabajo adecuadas en tiempo real de GPT‑4.1 a GPT‑5.6 redujo los costes de los modelos aproximadamente un 90 %, manteniendo los niveles necesarios de calidad y latencia. Los agentes de Ringg gestionan más de 7 millones de llamadas conectadas al mes; la puntuación media de satisfacción del cliente de sus clientes es de 4,8.
La plataforma puede realizar operaciones en CRM, sistemas de tickets, pagos y planificación, así como en API internas, y transfiere la conversación a un especialista con un resumen contextual cuando es necesario. El sistema de conocimiento combina la búsqueda semántica con un filtrado estructurado en conjuntos de datos, PDF, CSV y documentos empresariales. Las tareas pueden dividirse entre subagentes especializados en cualificación, soporte, verificación, planificación y escalación. Ringg evaluó los modelos de OpenAI en términos de calidad, latencia, seguimiento de instrucciones, uso de herramientas, rendimiento multilingüe, fiabilidad y coste; la empresa señaló que OpenAI ofreció el resultado más equilibrado en las cargas de trabajo de producción.
- GPT‑4.1 gestiona la mayor parte del tráfico de voz y chat en tiempo real.
- GPT‑5.6 Luna se utiliza para las solicitudes en las que resulta adecuado en términos de rendimiento, latencia o relación calidad-precio.
- GPT‑5.6 Terra genera resúmenes posteriores a las conversaciones y realiza la clasificación del sentimiento.
- GPT‑5.6 Sol se utiliza en procesos de evaluación, mejora de prompts y model-as-judge.
El sistema de enrutamiento combina la información del cliente con instrucciones, historial, datos del cliente, la base de conocimientos y herramientas, y la transmite al modelo. Cuando el contexto alcanza aproximadamente 80.000 tokens, se genera un resumen estructurado. Los modelos se prueban con conversaciones anteriores y flujos simulados; en la comparación entre GPT‑5.6 Terra y Gemini 2.5 Flash, se alcanzó una precisión de hasta el 97 % en idiomas regionales. Primero, los modelos se prueban con una pequeña parte del tráfico de producción; el tráfico se modifica según la latencia y el estado del endpoint.
Los agentes de Ringg resuelven hasta el 65 % de las solicitudes rutinarias sin apoyo humano. En Policybazaar, se conectaron más de 57.000 solicitudes, el 67 % de las llamadas se gestionó sin intervención humana y el tiempo de respuesta se redujo de 8–12 minutos a menos de 60 segundos. En Practo, la tasa de resolución en la primera llamada alcanzó el 85 % y el tiempo de respuesta bajó de tres segundos; los costes se redujeron un 70 % y se completaron más de 1.000 citas al día. En Groww, el 72 % de las consultas sobre IPO, futures y options se resolvió mediante autoservicio. Ringg también está desarrollando un sistema que mantiene el contexto entre agentes de navegador y canales.
Por qué es importante
Este avance demuestra que, en lugar de estructuras de atención al cliente vinculadas a un único canal de comunicación, puede aplicarse un modelo que integre distintos canales en una capa común de operaciones e información. El hecho de que una parte importante de las solicitudes rutinarias se resuelva sin apoyo humano crea una división del trabajo que puede permitir a los empleados centrarse en conversaciones más complejas y en los casos que requieran intervención cuando sea necesario. Que la selección del modelo se realice en función del tipo de solicitud, la latencia, el rendimiento multilingüe y el coste pone de manifiesto la importancia de gestionar la carga de trabajo de forma segmentada en el uso de la inteligencia artificial, en lugar de elegir únicamente el modelo más potente. Sin embargo, sigue siendo una cuestión abierta si las altas tasas de automatización pueden mantenerse con distintos perfiles de clientes y en operaciones más complejas, especialmente en flujos que implican acceso a sistemas de pago y planificación.
Antecedentes
OpenAI no es un nombre nuevo en el archivo de FikirPilot: en los últimos 90 días hemos publicado 74 noticias en las que aparece este nombre; la más reciente está fechada el 3 de octubre de 2026.
Término: agente
Un agente de inteligencia artificial es un software que, en lugar de generar una única respuesta, realiza tareas de varios pasos mediante llamadas a herramientas para alcanzar un objetivo.