Ringg a développé une plateforme d’agents destinée aux entreprises, opérant sur les canaux vocaux, de chat, WhatsApp et web, afin de résoudre les problèmes de volume d’appels et de systèmes fragmentés rencontrés par les grandes entreprises de consommation en Inde dans leur service client. Le transfert des charges de travail en temps réel appropriées de GPT‑4.1 vers GPT-5.6 a réduit les coûts des modèles d’environ 90 %, tout en maintenant le niveau requis de qualité et de latence. Les agents Ringg gèrent plus de 7 millions d’appels connectés par mois ; le score moyen de satisfaction client de ses clients est de 4,8.
La plateforme peut effectuer des opérations dans les systèmes de CRM, de billetterie, de paiement et de planification, ainsi que via les API internes, et transfère si nécessaire l’échange à un spécialiste avec un résumé du contexte. Le système de connaissances combine la recherche sémantique et le filtrage structuré dans des ensembles de données, des PDF, des CSV et des documents d’entreprise. Les tâches peuvent être réparties entre des sous-agents spécialisés dans la qualification, le support, la vérification, la planification et l’escalade. Ringg a évalué les modèles OpenAI selon la qualité, la latence, le respect des instructions, l’utilisation des outils, les performances multilingues, la fiabilité et le coût ; l’entreprise indique qu’OpenAI a fourni le résultat le plus équilibré pour les charges de travail en production.
- GPT‑4.1 gère la majeure partie du trafic vocal et des conversations en temps réel.
- GPT-5.6 Luna est utilisé pour les demandes pour lesquelles il est adapté en matière de performances, de latence ou de rapport qualité-prix.
- GPT-5.6 Terra produit les résumés postérieurs aux échanges et effectue la classification des sentiments.
- GPT-5.6 Sol est utilisé pour l’évaluation, l’amélioration des prompts et les processus de model-as-judge.
Le système de routage combine les entrées des clients avec les instructions, l’historique, les données clients, la base de connaissances et les outils, puis les transmet au modèle. Lorsqu’il atteint environ 80 000 tokens, un résumé structuré est généré. Les modèles sont testés à partir d’échanges antérieurs et de flux simulés ; lors de la comparaison entre GPT‑5.6 Terra et Gemini 2.5 Flash, une précision allant jusqu’à 97 % a été obtenue dans les langues régionales. Les modèles sont d’abord testés sur une petite partie du trafic de production ; le trafic est ensuite ajusté en fonction de la latence et de l’état des points de terminaison.
Les agents Ringg résolvent jusqu’à 65 % des demandes courantes sans assistance humaine. Chez Policybazaar, plus de 57 000 demandes ont été prises en charge, 67 % des appels ont été gérés sans intervention humaine et le délai de réponse est passé de 8 à 12 minutes à moins de 60 secondes. Chez Practo, le taux de résolution au premier appel a atteint 85 % et le délai de réponse est descendu sous les trois secondes ; les coûts ont diminué de 70 % et plus de 1 000 rendez-vous ont été finalisés par jour. Chez Groww, 72 % des demandes concernant les IPO, les futures et les options ont été résolues en libre-service. Ringg développe également un système qui préserve le contexte entre les agents de navigation et les différents canaux.
Pourquoi c’est important
Cette évolution montre qu’il est possible de mettre en œuvre, dans le service client, un modèle qui remplace les structures dépendant d’un seul canal de communication par une intégration de différents canaux au sein d’une couche commune de traitement et d’information. Le fait de résoudre une part importante des demandes courantes sans intervention humaine crée une répartition du travail qui pourrait permettre aux employés de se concentrer sur des échanges plus complexes et sur les cas repris lorsque cela est nécessaire. Le choix du modèle en fonction du type de demande, du délai, des performances multilingues et du coût met en évidence l’importance de gérer la charge de travail de manière fragmentée dans l’utilisation de l’intelligence artificielle, plutôt que de choisir uniquement le modèle le plus puissant. Cependant, la question de savoir si des taux d’automatisation élevés peuvent être maintenus avec différents profils de clients et pour des opérations plus complexes reste ouverte, en particulier dans les flux nécessitant un accès à des systèmes tels que le paiement et la planification.
Contexte
OpenAI n’est pas un nouveau nom dans les archives de FikirPilot : nous avons publié 74 articles mentionnant ce nom au cours des 90 derniers jours ; le plus récent date du 3 octobre 2026.
Terme : agent
Un agent d’intelligence artificielle est un logiciel qui, au lieu de produire une seule réponse, appelle des outils et exécute une tâche en plusieurs étapes pour atteindre un objectif.