Когда звонков становится слишком много

Рост клиентской базы — мечта любого бизнеса. Но у этой медали есть обратная сторона: колл-центры захлёбываются от объёма обращений, операторы тонут в разрозненных системах, а время ответа растёт. Именно с этой проблемой столкнулась индийская платформа голосовых и чат-агентов Ringg, работая с крупными потребительскими компаниями.

Ringg — платформа голосовых и чат-агентов — наблюдала эту проблему воочию, работая с крупным потребительским бизнесом в Индии. Компании не только с трудом справлялись с растущим потоком звонков, но и их операторы были вынуждены работать в условиях разрозненных, требующих ручного труда систем, помогая клиентам выполнять задачи — от покупки страховки до записи на приём.

Ответ на этот вызов оказался радикальным: построить полноценную агентную платформу корпоративного уровня, где ИИ берёт на себя большую часть рутинных взаимодействий.

ℹ Что такое AI-агент в контексте колл-центра?
AI-агент (искусственный агент) — это автономная система на базе языковой модели, которая не просто отвечает на вопросы, но и выполняет действия: проверяет данные в CRM, бронирует время, обновляет статус заказа и при необходимости передаёт разговор живому оператору вместе с кратким резюме.

Архитектура: правильная модель для каждой задачи

Этот опыт подтолкнул Ringg к созданию корпоративной агентной платформы с высокоэффективными моделями GPT-5.6 в основе, охватывающей голос, чат, WhatsApp и веб.

Один из ключевых принципов Ringg — не пытаться «натянуть» одну универсальную модель на все задачи. Вместо этого компания выстроила систему интеллектуальной маршрутизации запросов между разными вариантами GPT.

OpenAI выпустила GPT-5.6 как семейство из трёх отдельных вариантов — Sol, Terra и Luna — каждый из которых нацелен на различный баланс возможностей, скорости и стоимости.

Вот как Ringg распределяет задачи между моделями:

GPT-4.1 обрабатывает основной поток голосового и чат-трафика в реальном времени. GPT-5.6 Luna остаётся в производственном стеке и используется там, где её профиль производительности, задержки или соотношения цена/качество лучше подходит для конкретного запроса. GPT-5.6 Terra занимается постзвонковым анализом — составлением резюме и классификацией тональности. А GPT-5.6 Sol поддерживает оценочные рабочие процессы, улучшение промптов и сценарии «модель как судья».


graph TD
    A[Входящий звонок / чат] --> B{Оркестратор Ringg}
    B --> C[GPT-4.1\nОсновной трафик в реальном времени]
    B --> D[GPT-5.6 Luna\nВысокопроизводительные real-time задачи]
    C --> E[Действия в CRM / Scheduling / API]
    D --> E
    E --> F{Решено?}
    F -- Да --> G[Завершение звонка]
    F -- Нет --> H[Эскалация оператору\nс резюме разговора]
    G --> I[GPT-5.6 Terra\nПостзвонковый анализ]
    I --> J[GPT-5.6 Sol\nОценка качества и улучшение промптов]

Снижение стоимости на 90%: как это работает

Перевод определённых рабочих нагрузок реального времени с GPT-4.1 на GPT-5.6 Luna сократил затраты на модели приблизительно на 90%.

Важно понимать контекст: речь идёт о выбранных live-нагрузках, переведённых с GPT-4.1 на GPT-5.6 Luna при примерно 90% более низкой стоимости модели — но не о всей платформе целиком.

«Качество модели — лишь часть уравнения. Нам также нужна низкая задержка, надёжный вызов инструментов, строгое следование инструкциям и экономика, работающая в масштабе. OpenAI дал нам нужный баланс.» — команда Ringg

Ценовая структура семейства GPT-5.6 помогает понять, откуда берётся экономия:

GPT-5.6 оценивается за 1 млн токенов в трёх размерах: Sol — $5 за входящие / $30 за исходящие; Terra — $2,50 / $15; Luna — $1 / $6.

МодельВходящие (за 1М токенов)Исходящие (за 1М токенов)Основное применение в Ringg
GPT-4.1——Основной real-time трафик
GPT-5.6 Luna$1$6Выбранные real-time задачи
GPT-5.6 Terra$2,50$15Постзвонковый анализ
GPT-5.6 Sol$5$30Оценка и улучшение промптов
💡 Для разработчиков
Принцип маршрутизации Ringg — отличный шаблон для любого корпоративного AI-проекта: используй самую дешёвую модель, которая справляется с задачей, а более мощные приберегай для тех случаев, где качество критично. Экономия может быть кратной.

Что умеют агенты внутри

Агенты Ringg — это не простые чат-боты, отвечающие по скриптам. Платформа умеет подключать разговор к данным аккаунта и бизнес-ПО, после чего бронировать встречу, обновлять систему или передавать дело оператору с кратким резюме.

Оркестрационный слой Ringg выполняет действия в CRM-системах, тикетинговых платформах, платёжных системах, инструментах планирования и внутренних API, эскалируя случаи к живому оператору с резюме разговора в случае необходимости. Система знаний Ringg объединяет структурированную фильтрацию и семантический поиск по наборам данных, PDF, CSV и бизнес-документам, помогая агентам отвечать на вопросы с использованием актуальной корпоративной информации.

Ringg также может разделять работу между специализированными субагентами для квалификации, поддержки, верификации, планирования и эскалации.

Отдельного внимания заслуживает работа с многоязычными запросами. В одном тесте GPT-5.6 Terra превзошёл Gemini 2.5 Flash в постзвонковом анализе, достигнув точности до 97% на распространённых региональных языках. После этого Ringg перевёл составление резюме и классификацию тональности на Terra.

📝 Пример реальной сессии
Клиент звонит в страховую компанию: хочет узнать статус выплаты. Агент Ringg идентифицирует его по номеру телефона, проверяет статус в CRM через API, зачитывает ответ голосом и, если клиент просит уточнений по юридической части, передаёт звонок специалисту — уже с кратким резюме всего разговора. Весь цикл занимает менее 60 секунд.

Реальные результаты у клиентов

Ringg объявил, что его AI-агенты теперь решают до 65% рутинных запросов клиентов без участия человека. Компания обрабатывает более 7 миллионов подключённых звонков в месяц, при средней оценке удовлетворённости клиентов (CSAT — Customer Satisfaction Score) 4,8.

Конкретные кейсы выглядят ещё убедительнее:

Среди клиентских кейсов — Policybazaar (67% автоматизированного разрешения, время ответа сократилось с нескольких минут до менее чем 60 секунд), Practo (85% разрешения при первом обращении, снижение затрат на 70%) и Groww (72% самостоятельного разрешения запросов по инвестиционным продуктам).

КлиентКлючевой результатДополнительный показатель
Policybazaar67% автоматического разрешенияВремя ответа: менее 60 сек
Practo85% разрешения при первом звонкеСнижение затрат на 70%
Groww72% самообслуживания по инвест-запросам—
Ringg (в среднем)До 65% без участия человекаCSAT 4.8 / 5

Производственные eval-циклы как конкурентное преимущество

Одна из менее очевидных, но критически важных особенностей архитектуры Ringg — система непрерывной оценки качества (production evals). GPT-5.6 Sol используется здесь в роли «судьи»: он анализирует записи разговоров, оценивает корректность ответов агентов и помогает улучшать промпты без необходимости вручную разбирать тысячи звонков.

Сентябрьский кейс OpenAI о Ringg полезен тем, что даёт разработчикам и корпоративным AI-командам редкий публичный взгляд внутрь высоконагруженного стека клиентских агентов: многоканальная поддержка, retrieval, субагенты, маршрутизация моделей, длинноконтекстное суммирование, eval-циклы, контроль производственного развёртывания, мониторинг задержки и эскалация к человеку.

⚠ Важная оговорка
Цифра «до 65%» относится только к рутинным запросам, которые Ringg самостоятельно не раскрывает. Снижение стоимости на 90% касается лишь выбранных рабочих нагрузок, а не всей платформы. Прежде чем переносить эти показатели на свой бизнес, проведите пилотный проект с собственными данными.

Что дальше: браузерные агенты

Ringg также разрабатывает браузерные агенты с использованием возможностей computer-use от OpenAI — для онбординга, KYC (верификации личности) и поддержки при инцидентах.

Это логичный следующий шаг: если голосовые и чат-агенты уже умеют обращаться к API и базам данных, браузерные агенты смогут работать напрямую с веб-интерфейсами — там, где API попросту нет.

Итог: почему это важно

Этот кейс сигнализирует о сдвиге в корпоративном клиентском сервисе: AI-агенты переходят от простых чат-ботов к автономным системам, способным выполнять сложные задачи.

Для российских компаний в сферах финтеха, страхования, медицины и e-commerce это особенно актуально: именно там объём рутинных запросов максимален, а стоимость живого оператора постоянно растёт. Модель Ringg — не фантастика, а воспроизводимая архитектура, доступная уже сейчас через OpenAI API.

Главный вывод прост: правильная маршрутизация между моделями разного уровня (а не использование одной «самой мощной» модели для всего) — это и есть путь к масштабируемой экономике AI-агентов.