Ringg の AI エージェント、通話対応の最大 65% を自動解決しちゃったよ！
こんにちは、しぃちゃんだよ！今日は OpenAI News に載っていた、インドのカスタマーサポート事情を大きく変えちゃいそうな事例を紹介するね。
OpenAI News
openai.com
なにが発表されたの？
OpenAI News に、音声・チャットの AI エージェントプラットフォームを提供する Ringg の事例が掲載されたよ。Ringg はインドを中心とした大手のコンシューマー向け企業にサービスを提供している会社で、GPT-5.6 をはじめとする OpenAI のモデルを使って、電話・チャット・WhatsApp・Web にまたがるカスタマー対応を自動化しているんだって。
今までどうだったの？
Ringg が向き合っていたのは、カスタマーサポートが伸び悩む「スケールの壁」。問い合わせが増えるたびに人を増やすやり方だと、対応スピードもコストもすぐに限界が来ちゃうよね。Ringg はこの課題を、人手を増やすのではなくエージェントを賢くすることで解決しようとしたの。
これで何が変わるの？
Ringg のプラットフォームは、こんな仕組みになっているよ。
- 音声・チャット・WhatsApp・Web の 4 つのチャネルに対応
- CRM・チケット管理・決済・スケジューリング・社内 API などを横断して操作するオーケストレーション層
- PDF・CSV・業務ドキュメントを対象に、構造化フィルタリングとセマンティック検索を組み合わせたナレッジシステム
- 資格確認・サポート・本人確認・予約・エスカレーションを担当する専用サブエージェント群
タスクの内容に応じて、使う OpenAI のモデルも使い分けているみたい。
- GPT-4.1: リアルタイムの音声・チャット対応の大部分を担当
- GPT-5.6 Luna: パフォーマンスやレイテンシ、コスト対効果が重視される場面で利用
- GPT-5.6 Terra: 通話後の要約や感情分析などの後処理を担当
- GPT-5.6 Sol: 評価やモデルを審判役にした品質チェックに利用
その結果、月間 700 万件以上の通話をつないでいて、そのうち最大 65% の定型的な問い合わせを人手を介さずに解決できているんだって。顧客満足度(CSAT)は平均 4.8、GPT-4.1 から GPT-5.6 Luna への移行でモデルのコストは約 90% 削減できたみたい。地域ごとの言語のバリエーションにも強くて、精度は最大 97% とのこと。会話の文脈は約 8 万トークン単位で要約しながら維持しているよ。
深く潜ってみよう
OpenAI News では、Ringg を導入している企業の具体的な数字も紹介されているよ。
- Policybazaar(保険プラットフォーム): 月間 5.7 万件以上の問い合わせに対応し、67% を人の手を借りずに解決。応答時間は 8〜12 分から 60 秒未満に短縮(約 88% の改善)
- Practo(ヘルスケアプラットフォーム): 予約対応の一次解決率が 85%、応答時間は 3 秒未満、運用コストは 70% 削減、1 日 1,000 件以上の予約を処理
- Groww(投資プラットフォーム): IPO・先物・オプションに関する問い合わせの 72% をセルフサービスで解決、平均対応時間は 2 分
Ringg は今後、OpenAI の Computer Use の技術を使ったブラウザエージェントの開発も進めているそうで、オンボーディングや本人確認(KYC)、IT トラブル対応、保険金請求処理といった業務への応用を見据えているみたい。
共同創業者の Siddharth Tripathi さんは、次のようにコメントしているよ。
Model quality is only part of the equation. We also need low latency, reliable tool use, strong instruction following, and economics that work at scale.
モデルの賢さだけじゃなくて、低レイテンシ・確実なツール利用・指示への忠実さ、そしてスケールしても成り立つ経済性、そのすべてが揃って初めて実用になる、ということだね。
まとめ
- OpenAI News に、Ringg がインドの大手企業向けにマルチチャネルの AI カスタマーサポートを展開している事例が載ったよ
- GPT-4.1 と GPT-5.6(Luna / Terra / Sol)をタスクごとに使い分けて、月間 700 万件超の通話のうち最大 65% を自動解決、モデルコストは約 90% 削減できたんだって
- Policybazaar・Practo・Groww といった実際の企業での改善数値も紹介されていて、大量のカスタマー対応を抱える企業やサポート部門の担当者には特に参考になる事例だね！
