A Ringg, plataforma asiática de agentes virtuais para voz e chat, anunciou que seus sistemas baseados em IA agora resolvem até 65% das solicitações de clientes sem intervenção humana, utilizando modelos da série GPT-5.6 da OpenAI. O movimento permitiu à empresa processar mais de 7 milhões de chamadas conectadas por mês com custos até 90% menores em tarefas compatíveis, em comparação ao uso anterior de GPT-4.1, segundo divulgação oficial.
Migração para GPT-5.6 e ganhos de escala
A Ringg atende grandes empresas de consumo na Índia e região, onde o volume de chamadas e a diversidade linguística desafiam operações tradicionais de atendimento. O salto para modelos como GPT-5.6 Luna permitiu ganhos em custo, latência e qualidade, com agentes capazes de operar em voz, chat, WhatsApp e web. O corte de custos ocorre ao migrar workloads de atendimento em tempo real de GPT-4.1 para GPT-5.6, mantendo o nível de satisfação do cliente (CSAT) em 4,8 pontos.
A arquitetura da Ringg envolve um sistema de orquestração que integra modelos LLM, APIs de negócios, sistemas de CRM, ferramentas de pagamento e automação de agendamento. O roteador interno direciona cada tarefa ao modelo mais adequado: GPT-4.1 ainda é usado para parte do tráfego em tempo real, mas GPT-5.6 Luna cobre casos que exigem melhor relação custo-benefício. Modelos especializados, como GPT-5.6 Terra e Sol, assumem tarefas de análise pós-chamada, sumarização e avaliação de prompts.
Suporte multilíngue e workflows complexos
A Ringg destaca o desempenho superior do GPT-5.6 em cenários multilíngues e interações que alternam entre inglês e idiomas regionais, comuns nos mercados asiáticos. Em um dos testes, GPT-5.6 Terra atingiu até 97% de acurácia em tarefas de resumo e análise de sentimento, superando alternativas como Gemini 2.5 Flash. O sistema também permite a divisão de tarefas entre subagentes especializados (qualificação, suporte, verificação, agendamento, escalonamento), mantendo o contexto da conversa em múltiplos canais.
Para conversas longas, o sistema cria resumos estruturados quando o contexto se aproxima de 80.000 tokens, permitindo continuidade sem sobrecarregar a janela do modelo. O monitoramento de latência e disponibilidade é feito em tempo real, com roteamento dinâmico para garantir estabilidade e performance.
Avaliação e impacto
A Ringg utiliza avaliações contínuas — tanto com dados históricos quanto com simulações — para otimizar prompts e configurar modelos antes de liberar atualizações para todo o tráfego. O ciclo de melhoria contínua foi central para migrar análises pós-chamada para o GPT-5.6 Terra, que entregou melhor precisão e economia frente a concorrentes.
O caso da Ringg ilustra como startups da Ásia-Pacífico estão explorando modelos de última geração para escalar atendimento ao cliente, reduzindo drasticamente custos operacionais sem sacrificar qualidade. Para o mercado brasileiro, a adoção de agentes IA multilíngues e orquestração flexível pode inspirar soluções locais, especialmente em setores com alto volume e diversidade de canais.