Parloa создает сервисных агентов, с которыми клиентам хочется общаться07.05.2026 11:00

На заре существования Parloa соучредитель Стефан Оствальд (Stefan Ostwald) провел день в страховом колл-центре, где его команда разрабатывала ранние голосовые интерфейсы. Сидя рядом с операторами, он снова и снова слушал одни и те же разговоры: сброс паролей, вопросы по полисам, плановые изменения. Он понял, что большую часть этой работы можно автоматизировать.

После этого опыта базирующаяся в Берлине компания Parloa⁠ начала создавать голосовых агентов на основе правил для автоматизации высокообъемных взаимодействий с клиентами.

С появлением ChatGPT компания эволюционировала и создала то, что сегодня представляет собой ее платформу управления агентами на базе ИИ (AMP), построенную на новом поколении моделей, включая GPT‑5.4.

AMP предоставляет предприятиям инструмент для проектирования, развертывания и управления взаимодействиями со службой поддержки в масштабе. Вместо прописывания жестких намерений (интентов) и сценариев команды задают поведение на естественном языке, подключаются к внутренним системам и быстро вносят итеративные изменения с помощью встроенных симуляций и оценок.

Parloa управляет этими взаимодействиями от начала до конца, обрабатывая все: от простой маршрутизации до сложных многошаговых запросов. Основное внимание уделяется стабильности в производственной среде, где важны производительность, задержки и обработка граничных случаев. Для достижения этого Parloa непрерывно тестирует модели на реальных клиентских сценариях перед их развертыванием.

Платформа управления агентами (AMP) от Parloa разработана таким образом, чтобы бизнес-пользователи и профильные эксперты могли создавать ИИ-агентов без написания кода.

«С помощью AMP эксперты из различных бизнес-подразделений могут самостоятельно создавать агентов и подключать API гораздо более простым и экономичным способом», — говорит О«Рейли.

В общих чертах, AMP позволяет брендам управлять всем жизненным циклом ИИ-агента. Это достигается за счет предоставления нетехническим командам более простого способа определения поведения агента еще до его запуска. Вместо написания кода или составления жестких деревьев интентов, профильные эксперты задают роль, инструкции, инструменты и границы агента на естественном языке. Эта конфигурация становится основой для промптинга модели и поведения системы в продакшене.

После определения агент тестируется перед развертыванием. Parloa симулирует разговоры с клиентами с помощью таких моделей, как GPT‑5.4, где одна модель выступает в роли звонящего, а другая управляет настроенным агентом. Команды могут напрямую изучать эти взаимодействия, тестировать изменения на реалистичных сценариях и проводить итерации перед запуском.

Затем эти же модели используются для оценки таких разговоров с помощью комбинации детерминированных проверок и оценки по методу LLM-as-a-judge (LLM в роли судьи). Это показывает, следовал ли агент инструкциям, правильно ли использовал инструменты и выполнил ли задачу должным образом.

Во время живого разговора уровень оркестрации AMP отправляет модель OpenAI конфигурацию агента и контекст разговора для генерации ответа, извлечения информации с помощью RAG или вызова инструментов для взаимодействия с бэкендами клиентов. Parloa постоянно обновляет этот слой последним поколением моделей по мере того, как они демонстрируют явный прирост производительности в реальных условиях.

После разговора отдельные рабочие процессы на базе OpenAI суммируют взаимодействие, классифицируют намерения клиента и оценивают производительность по заданным правилам.

По мере усложнения агентов поддерживать один монолитный промпт становилось все труднее. Небольшие изменения могли привести к непредвиденным побочным эффектам. Чтобы решить эту проблему, Parloa внедрила модульный подход. Такие задачи, как аутентификация, изменение бронирования или обновление аккаунта, могут быть выделены в отдельные субагенты, что улучшает следование инструкциям и упрощает развитие систем с течением времени.

В то же время платформа включает детерминированные элементы управления там, где надежность имеет наибольшее значение. Предприятия могут определять структурированные цепочки API и логику на основе событий, чтобы гарантировать выполнение критических шагов в правильном порядке, балансируя между гибкостью диалога и предсказуемым исполнением.

Parloa использует такие модели, как GPT‑4.1, GPT‑5‑mini и другие, для симуляции реалистичных взаимодействий с клиентами до того, как агент будет запущен, а затем оценивает эти взаимодействия, используя комбинацию подхода LLM-as-a-judge и детерминированных правил. Это позволяет командам тестировать граничные случаи, быстро проводить итерации и проверять производительность, прежде чем подвергать клиентов риску сбоев.

Parloa работает в основном с крупными предприятиями, где последовательность и стабильность важны не меньше, чем возможности.

«Когда выходит новая модель, мы запускаем для нее наш пакет тестов для бенчмаркинга», — говорит Маттеус Дойч (Matthäus Deutsch), старший прикладной ученый. — Для нас очень важно, чтобы все работало не только в теоретических бенчмарках, но и в реальных сценариях использования».

Вместо того чтобы полагаться на абстрактные бенчмарки, Parloa воссоздает реальных производственных агентов и пропускает их через конвейеры симуляции и оценки. Эти тесты измеряют надежность следования инструкциям, стабильность вызова API, задержки и общую производительность в реалистичных условиях.

Эти оценки определяют, какие модели готовы к продакшену. Развертываются только те модели, которые демонстрируют надежную работу в реальных сценариях с клиентами.

«Корпоративные клиенты сталкиваются с реальными затратами на миграцию, — говорит Дойч. — Когда система начинает работать в продакшене, они поддерживают ее стабильность и переключаются только тогда, когда выгода становится очевидной».

В результате системы ведут себя предсказуемо в продакшене, даже в масштабных проектах. Миллионы взаимодействий с клиентами завершаются без каких-либо затруднений. Даже когда звонки перенаправляются на живых операторов, эскалация редко бывает вызвана сбоями. В одном из внедрений глобальная туристическая компания сократила количество запросов на связь с живым агентом на 80%.

Такое стремление ставить оценку на первое место стало ключевым дифференциатором, позволяющим Parloa двигаться вперед без ущерба для надежности в продакшене.

Голосовые интерфейсы накладывают иные ограничения, чем текстовый чат. Любое взаимодействие проходит через конвейер с низкими задержками: распознавание речи (speech-to-text), рассуждение модели и синтез речи (text-to-speech).

Из-за этого конвейера задержка приобретает критическое значение. Даже небольшие задержки на уровне модели складываются в заметные для звонящего паузы, что влияет на выбор и оптимизацию моделей.

Parloa тесно сотрудничает с OpenAI для оптимизации производительности в сценариях реального времени, уделяя особое внимание задержкам, качеству ответов и следованию инструкциям. Команда постоянно оценивает и проводит стресс-тестирование новых итераций моделей в средах, приближенных к продакшену, прежде чем внедрять их в реальные взаимодействия с клиентами.

Parloa оценивает каждый компонент голосового стека по отдельности:

• Системы распознавания речи (speech-to-text) проверяются на коэффициент ошибок в словах (WER), особенно для конфиденциальных данных, таких как номера полисов или идентификаторы учетных записей.
• Модели синтеза речи (text-to-speech) оцениваются с помощью слепых прослушиваний, чтобы определить, насколько естественно голос звучит для реальных пользователей. Затем эти результаты сопоставляются с реальными взаимодействиями с клиентами для обеспечения стабильной производительности в продакшене.
• Модели сквозной речевой генерации (speech-to-speech) в настоящее время оцениваются на предмет готовности к продакшену с акцентом на задержку, точность и стоимость.

С самого начала эти системы создавались для глобального развертывания. Бенчмарки охватывают множество языков, а клиенты работают в различных регионах по всему миру. Такая многоязычная строгость отражает как европейские корни Parloa, так и ожидания корпоративных клиентов, которым требуется стабильная производительность на разных рынках, а не только на каком-то одном языке или в одном регионе.

Сегодня агенты Parloa обрабатывают миллионы разговоров в таких отраслях, как ритейл, туризм и страхование, поддерживая сценарии от автоматизации техподдержки до приносящих доход потоков, таких как телешопинг.

В представлении Parloa клиентский сервис превращается в полноценный мультимодальный опыт.

Разговор может начаться по телефону, продолжиться в чате и включать в себя ссылки или интерактивные элементы. Вместо того чтобы рассматривать каждый шаг как отдельный сценарий, платформа AMP разработана для обработки всего процесса как единого взаимодействия. Со временем ИИ-агенты могут стать столь же центральной частью взаимодействия с клиентами, как веб-сайты и мобильные приложения.

Поскольку предприятия движутся в сторону автоматизации все большей доли клиентских взаимодействий, Parloa сосредоточена на том, чтобы сделать ИИ-агентов достаточно надежными, гибкими и заслуживающими доверия для работы в глобальном масштабе.