모델 간 트레이드오프가 지속되는 가운데 Retell OpenAI 음성 에이전트, 월간 통화 1억 건 도달

OpenAI의 10월 27일 고객 사례에 따르면, Retell OpenAI 음성 에이전트는 현재 월간 1억 건이 넘는 통화를 처리하는 플랫폼을 지원하는 데 기여하고 있다. OpenAI 모델은 이들 통화의 80%에서 응답을 생성한다. 이 구분은 중요하다. 플랫폼 처리량, 모델 사용량, 성공적으로 해결된 고객 요청은 서로 다른 대상을 측정하기 때문이다.

이번 발표는 고객 대면 자동화와 내부 엔지니어링 생산성을 연결한다. Retell은 GPT-6 Astra가 자사의 지시 준수 벤치마크를 선도하고 있으며, Codex가 개발 업무를 지원한다고 밝혔다. 또한 직원 1인당 연간 매출 런레이트가 160만 달러라고 보고했는데, 이는 실제 연간 매출이 아니라 연환산 지표다.

핵심 긴장 관계는 더 강력한 모델 역량과 신뢰할 수 있는 실시간 서비스의 요구 사이에 있다. Retell 자체 연구는 모델 설정을 변경하면 경쟁 순위도 달라진다는 점을 보여준다. 기업 구매자에게 중요한 질문은 벤치마크 개선이 올바른 조치, 수용 가능한 대기 시간, 미해결 통화 감소로 이어지는지 여부다.

Retell OpenAI 음성 에이전트가 보여주는 운영 규모

보고된 통화량은 Retell 운영의 규모를 보여주지만, 자동화된 대화의 보편적 성공률을 입증하지는 않는다.

음성 에이전트 도입 사례에 따르면 월간 통화 건수는 2026년 초 3,000만 건에서 9월 1억 건 이상으로 증가했다. 해당 사례에 따르면 Retell은 4,000개 이상의 기업에도 서비스를 제공한다. 이는 공급업체의 고객 사례를 통해 제시된 회사 자체 보고 수치다.

이러한 공개 맥락은 중요하다. OpenAI는 자사 모델이 상당한 규모의 워크로드를 지원한다는 점을 보여줄 상업적 이해관계가 있다. Retell은 기업이 자사 플랫폼을 신뢰할 수 있음을 보여줄 이해관계가 있다. 이러한 이해관계가 수치를 무효로 만들지는 않지만, 독립적 측정이 가치를 더할 이유는 된다.

이번 발표는 새로 출시된 전화 서비스가 아니라 운영상 이정표를 설명한다. 독자는 10월의 공개일과 9월의 통화량 이정표를 구분해야 한다. 이 사례는 이전에 축적된 활동을 공개적으로 보여주는 것이며, 해당 통화가 발표와 함께 갑자기 시작됐다고 말하지는 않는다.

통화량만으로는 여전히 중요한 질문에 답할 수 없다. 연결이 완료된 통화, 중단된 대화, 성공적으로 처리된 요청은 운영 보고에 각기 다른 방식으로 반영될 수 있다. 공개된 집계 정의가 없다면 구매자는 헤드라인의 총량을 해결된 고객 문제의 수로 간주하지 않아야 한다.

모델의 역할에도 같은 주의가 필요하다. 응답 생성은 자동화된 통화의 한 구성 요소일 뿐이다. 고객이 요청을 이해하고, 적절한 정보를 검색하며, 권한이 있는 조치를 수행하고, 사람의 도움이 필요한 시점을 인식하는 시스템을 필요로 한다.

가상의 보증 문의를 생각해 보자. 에이전트는 보증 내용을 정확히 설명하면서도 발신자의 구매 내역을 찾는 데 실패할 수 있다. 구매 내역을 조회하더라도 잘못된 자격 규칙을 적용할 수 있다. 유창한 음성은 어느 실패도 해결하지 못한다.

이러한 구분은 이 이정표를 해석하는 방식을 바꾼다. Retell의 규모는 모델 선택을 상업적으로 중요하게 만든다. 그러나 특히 고객 기록을 변경하거나 비즈니스 조치를 촉발하는 대화에서는 개별 대화 안에서 무슨 일이 일어나는지 살필 필요를 없애지 않는다.

개발자에게 이 발표는 주변 서비스 아키텍처에 주목하게 한다. 구매자에게는 명확히 정의된 결과의 중요성을 높인다. 성공적인 시연은 이례적인 요청, 불완전한 기록, 연결 시스템 전반의 장애에 대해서는 제한적인 지침만 제공하므로, 성장하는 플랫폼에는 두 요소가 모두 필요하다.

따라서 이 소식은 자동화 고객 서비스에 관한 포괄적 주장보다 더 좁고 유용한 결론을 뒷받침한다. Retell은 OpenAI 기반 대화가 상당히 채택됐다고 보고한다. 그러한 채택의 품질을 평가하려면 월간 트래픽 총량을 넘어선 증거가 필요하다.

고객 성과가 서비스 플랫폼에 가하는 압력

Retell의 고객 사례는 경쟁 압력을 완료된 업무와 회복된 직원 시간으로 옮기며, 구매자가 자동화를 운영상 필요와 연결할 수 있게 한다.

Retell의 판매 후 지원 사례 연구는 Anker가 미국과 영국에서 1차 서비스에 도입한 사례를 설명한다. 이 업무에는 주문 추적, 보증 확인, 문제 해결이 포함된다. Anker는 사례 해결률 80.4%와 고객 추천 의향을 측정하는 순추천지수 63을 보고했다.

이러한 성과는 특정 도입 사례를 설명한다. 모든 전자제품 브랜드, 지원 조직, 언어에 대한 전망치가 되어서는 안 된다. 요청의 복잡성, 고객 기대, 연결 시스템, 에스컬레이션 정책은 모두 에이전트가 처리할 수 있는 업무량에 영향을 준다.

그럼에도 이 사례는 구체적인 경쟁 목표를 제시한다. 서비스 플랫폼은 자사 에이전트가 식별 가능한 비즈니스 업무를 완료한다는 점을 보여줘야 하는 압력을 받는다. 구매자는 음성 품질이나 대본화된 시연만으로 제품을 판단하기보다 이러한 업무를 기존 워크플로와 비교할 수 있다.

별도의 고령자 돌봄 일정 관리 사례 연구는 Pine Park Health가 의료 보조 인력 2.1명의 정규직 업무량에 해당하는 시간을 회복했다고 보고한다. 일정 관리 에이전트는 환자와 연결됐을 때 55.7%의 예약률을 기록했다고 보고했다.

해당 예약 수치에 붙은 조건은 필수적이다. 연결된 환자 중에서 측정한 비율은 모든 통화 시도 전반의 성공을 의미하지 않는다. 연락 가능성과 일정 관리 효과는 모두 같은 워크플로에 속하더라도 별개의 운영상 질문이다.

회복된 시간 역시 사라진 직무와는 다르다. 반복 통화를 자동화가 맡은 뒤에도 직원 역량은 인력 감축 없이 환자 돌봄, 조정 또는 다른 업무로 이동할 수 있다. 따라서 구매자는 시간 절감과 자동화 이후 직원이 실제로 수행하는 업무를 연결해야 한다.

이 사례들은 컨택센터 소프트웨어 공급업체와 구현 팀에 압박을 가한다. 고객이 에이전트가 실제로 주문을 조회하거나 예약을 채우는지 물을 수 있게 되면, 기능 목록은 설득력이 떨어진다. 이에 대한 필연적 대응은 완료된 업무에 대한 가시적인 기록으로 뒷받침되는, 더 구체적인 측정이다.

경쟁 분야에는 이미 더 광범위한 서비스 플랫폼이 포함돼 있다. Sierra는 에이전트를 구축하고 개선하는 도구와 함께 음성 및 기타 커뮤니케이션 채널 전반에서 멀티채널 서비스 에이전트를 제공한다. 이러한 포지셔닝은 또 다른 구매 질문을 부각한다. 기업이 전화 중심 도입을 원하는지, 채널 전반에서 조율된 서비스 경험을 원하는지다.

현재 이용 가능한 증거는 Sierra와 Retell 사이의 직접적인 성능 우위를 입증하지 않는다. 두 회사의 공개 주장은 일치된 실험 결과가 아니다. 유용한 비교는 도입 범위, 통합 요구사항, 각 공급업체가 고객이 결과를 점검할 수 있도록 하는 방식에 관한 것이다.

단기적인 압력은 조달과 파일럿 설계에 가해진다. 팀은 에이전트를 평가하기 전에 무엇을 해결로 간주할지 결정해야 한다. 장기적인 압력은 고객 정책, 제품 카탈로그, 인력 구성, 통화 패턴이 바뀌는 가운데 그러한 성과를 유지해야 하는 공급업체에 가해진다.

Retell 음성 벤치마크가 설정의 중요성을 보여주는 이유

모델의 위치는 과업, 구성, 측정 방식에 따라 달라지며, 선도적인 지시 준수 점수가 모든 실시간 통화 요구사항에서의 우위를 입증하지는 않는다.

Retell의 공개 음성 모델 벤치마크는 GPT-6 Astra의 지시 준수 점수를 89.7%로 제시한다. 이 지표는 부여된 규칙과 역할을 얼마나 준수하는지 측정한다. 리더보드는 근거성, 도구 호출, 대화 언어, 응답 전 지연 시간인 지연 시간도 별도로 보고한다.

이 범주들은 서로 다른 실패 유형을 나타낸다. 근거성은 제공된 정보의 범위 안에 머무르는 것을 의미한다. 도구 호출은 연결된 기능이나 서비스를 통해 조치를 요청하는 것을 의미한다. 에이전트는 한 범주에서는 잘 수행하면서 다른 범주에서는 중대한 실수를 저지를 수 있다.

따라서 Retell 음성 벤치마크는 헤드라인을 더 제한적으로 해석하도록 뒷받침한다. Astra의 지시 준수 결과는 엄격한 정책을 가진 기업에 관련성이 있다. 그렇다고 모든 대안이 모든 과업에서 열등하다는 뜻도 아니고, 하나의 점수가 완전한 고객 경험을 예측한다는 뜻도 아니다.

Retell의 별도 어려운 통화 평가는 구성 문제를 특히 명확히 보여준다. 10월 19일 보고서는 추론을 활성화했을 때 GPT-5.5의 도구 호출 정확도가 88.3%인 반면, 추론을 끄면 75.6%라고 제시한다. 여기서 추론은 답변 전 추가적인 모델 처리를 의미한다.

해당 보고서의 추론 비활성화 비교에서 Gemini-3.1-Pro는 도구 호출 정확도 85.7%를 기록한다. Retell은 이러한 구성 구분이 프로덕션 지연 시간과 관련 있다고 설명한다. 이 결과는 Astra의 지시 준수 결과와는 다른 평가에 관한 것이므로 하나의 순위로 합쳐서는 안 된다.

경쟁 측면의 교훈은 구체적이다. Google의 모델은 해당 설정에서 그 특정 비교를 선도하며, GPT-5.5는 추론을 활성화했을 때 선도한다. 가장 강력하게 공개된 결과만을 보고 선택하는 구매자는 실제 배포될 구성과 다른 구성을 선택할 위험이 있다.

추가 처리가 자동으로 올바른 선택이 되는 것은 아니다. 전화로 기다리는 고객은 응답 지연을 직접 경험한다. 에이전트가 너무 오래 멈추면 최종 답변이 정확하더라도 요청을 들었는지에 대한 불확실성을 만들 수 있다.

반대로 잘못된 조치를 시작하는 빠른 응답도 자체적인 부담을 만든다. 직원은 실수를 발견하고, 기록을 수정하며, 무슨 일이 일어났는지 설명해야 한다. 고객이 다시 전화해야 한다면 초기 답변의 속도는 거의 위안이 되지 않는다.

따라서 관련된 결정은 과업별로 이뤄져야 한다. 배송 업데이트를 조회하는 일과 민감한 계정 설정을 변경하는 일은 동일한 결과를 수반하지 않는다. 평가자는 완료된 모든 응답을 똑같이 보상하기보다, 잘못된 조치의 심각성을 고려해야 한다.

Retell은 자사의 더 어려운 평가가 모델 기반 심사자와 선정된 까다로운 사례를 사용한다는 점을 인정한다. 이러한 심사자는 잠재적 편향을 도입하며, 어려운 사례는 평균 통화 품질을 대표하지 않는다. 이 보고서는 중단 처리 등 전체 경험의 일부도 제외한다.

이러한 투명성은 평가의 범위를 제한하는 동시에 유용성을 강화한다. 개발자에게 특정 약점에 대한 증거를 제공한다. 하지만 추가 테스트 없이는 공개된 백분율이 조직 자체의 통화 결과를 예측한다고 입증하지는 않는다.

Retell OpenAI 음성 에이전트에 관해서는, 증거가 영구적인 모델 선택보다 지속적인 측정을 뒷받침한다. 새 모델은 한 차원을 개선하면서 다른 차원은 해결하지 못할 수 있다. 구성, 비즈니스 규칙, 연결된 조치는 여전히 성능 결정의 일부다.

Codex가 생산성 주장을 엔지니어링으로 확장한다

Retell Codex 워크플로는 그럴듯한 생산성 향상을 설명하지만, 직원 1인당 매출은 코딩 지원에서 비롯된 개선이 얼마나 되는지를 분리해 보여줄 수 없다.

고객 사례에 따르면 Retell 엔지니어들은 코드 조사, 구현, 디버깅에 Codex를 사용합니다. GPT-6 Astra는 컴퓨터 사용을 통해 인터페이스 변경 사항도 테스트하며, 이는 소프트웨어 화면과 상호작용한다는 의미입니다. Retell은 엔지니어링 인력이 사업 성장보다 더 느리게 증가했다고 말합니다.

보고된 워크플로는 매출 비율만 보는 것보다 더 많은 정보를 제공합니다. 엔터프라이즈 통합에서는 변경을 적용하기 전에 엔지니어가 기존 동작을 이해해야 하는 경우가 많습니다. 이러한 조사 부담을 줄이면 팀이 코드베이스에 대한 이해를 반복해서 다시 구축하지 않고도 고객 요청에 대응하는 데 도움이 될 수 있습니다.

디버깅은 절감된 노력의 또 다른 그럴듯한 원천입니다. 장애는 코드, 저장된 데이터 또는 예상치 못한 이벤트 순서와 관련될 수 있습니다. 이러한 요소를 연결하는 데 도움이 되는 지원은 엔지니어가 해결책을 수용하기 전에 설명을 검증한다는 전제하에 조사 시간을 줄입니다.

인터페이스 테스트는 작업량의 다른 부분을 다룹니다. 변경 사항은 성공적으로 컴파일되더라도 고객 여정을 혼란스럽거나 사용할 수 없게 만들 수 있습니다. 인터페이스를 탐색하는 자동화 에이전트는 개발자의 초기 점검이 포괄하는 제한된 조건 밖의 문제를 드러낼 수 있습니다.

이는 엔지니어링 지원이 중요할 수 있는 메커니즘입니다. 그러나 그 자체로 측정된 생산성 향상을 입증하지는 않습니다. 공개된 설명에는 동일한 팀이 지원 유무에 따라 동등한 작업을 어떻게 수행했는지 보여 주는 통제된 비교가 없습니다.

Retell Codex 워크플로에서도 사람의 기여는 중요하게 남습니다. 엔지니어는 여전히 제안된 변경 사항이 고객 요구사항에 부합하는지 판단해야 합니다. 또한 접근 경계, 예기치 못한 동작, 잘못된 구현을 배포했을 때의 결과를 평가해야 합니다.

직원 1인당 매출은 그보다 더 하류에 있는 지표입니다. 이 비율은 사업 성과와 인력 규모를 함께 반영하며, 둘 다 개발 도구와 무관한 이유로 변할 수 있습니다. 고객 증가, 계약 구성, 조직 구조, 외부 서비스 사용은 모두 결과에 영향을 줄 수 있습니다.

매출을 연간화하면 또 다른 구분이 생깁니다. 런레이트는 현재의 매출 속도를 1년 전체로 투영합니다. 이는 회사가 이미 완료된 연간 기간 동안 그 금액을 수금했다는 것을 입증하지 않으며, 수익성을 입증하는 것도 아닙니다.

이 수치는 소프트웨어 사업이 어떻게 확장되는지 검토하게 한다는 점에서 여전히 관련성이 있습니다. 엔지니어링 수요가 고객 활동보다 더 느리게 증가한다면, 회사는 모든 업무량 증가를 추가 인력으로 맞추지 않고도 확장할 여지를 얻습니다. 이는 검증할 가치가 있는 가설입니다.

부족한 증거는 지속 가능성과 품질에 관한 것입니다. 배포된 변경 사항이 유지보수 가능하고 신뢰할 수 있을 때에만 더 빠른 제공이 도움이 됩니다. 반복적인 사고, 광범위한 검토 노력 또는 지연된 수정은 매출 비율이 높게 유지되더라도 생산성 평가를 바꿀 수 있습니다.

개발자에게 실질적인 신호는 지원이 프로세스 어디에 개입하는지입니다. 조사와 분석은 구현이 시작되기 전에 상당한 노력을 소모할 수 있습니다. 이 사례는 코딩 에이전트를 생성된 코드만으로 평가하면 잠재적 기여의 일부를 놓칠 수 있음을 시사합니다.

경영진에게 적절한 결론은 여전히 제한적입니다. Retell은 광범위한 엔지니어링 지원과 함께 간결한 운영 모델을 보고합니다. 이 사례 연구가 동일한 도구를 도입하면 다른 곳에서도 같은 매출 효율성을 재현할 수 있음을 입증하는 것은 아닙니다.

해결률 주장은 명확한 분모와 사람의 경계가 필요하다

미해결 쟁점은 공개된 성과가 통화 복잡성, 고객 상황, 성공의 정의 변화에도 얼마나 일관되게 유지되는지입니다.

해결 비율에는 분모, 즉 계산에 포함되는 상호작용 집합이 필요합니다. 또한 고객의 문제가 종료되었는지 판단하는 규칙도 필요합니다. 서로 다른 선택은 동일한 배포에 대해 실질적으로 다른 그림을 만들 수 있습니다.

예를 들어, 평가는 에이전트가 배정된 워크플로를 완료하면 대화를 해결된 것으로 집계할 수 있습니다. 하지만 근본 문제가 지속되기 때문에 고객이 다시 전화할 수도 있습니다. 두 관찰은 모두 정확하면서 서비스 품질에 대해서는 서로 다른 결론을 뒷받침할 수 있습니다.

이는 Retell이 보고한 수치가 잘못되었다는 증거가 아니라 분석상의 우려입니다. 공개 고객 사례는 유용한 예시를 제공하지만, 모든 배포를 아우르는 표준화된 비교를 제공하지는 않습니다. 독자는 더 광범위한 주장을 해석할 때 이 차이를 유지해야 합니다.

가장 중대한 오류도 단순한 평균으로는 잘 드러나지 않습니다. 배송 예상 시간을 잘못 알리는 에이전트는 잘못된 고객 기록을 수정하는 에이전트와는 다른 문제를 만듭니다. 배포 평가는 불편과 긴급한 수정이 필요한 조치를 구분해야 합니다.

사람에게 에스컬레이션하는 것은 또 하나의 경계를 더합니다. 발신자를 직원에게 연결하는 것은 실패가 아니라 적절한 판단을 의미할 수 있습니다. 평가는 전환이 적절한 시점에 일어났는지, 직원이 효과적으로 업무를 이어갈 만큼 충분한 맥락을 받았는지를 물어야 합니다.

전환을 피하는 데만 최적화된 시스템은 상충하는 유인을 만듭니다. 권한이나 이용 가능한 정보를 모두 소진한 뒤에도 계속 대화할 수 있습니다. 기업에는 올바른 자동 완료와 함께 적절한 에스컬레이션을 보상하는 성공 정의가 필요합니다.

지식 품질은 별도의 제약을 만듭니다. 기업이 정책을 명확하게 문서화하지 못했다면 모델은 이를 신뢰성 있게 적용할 수 없습니다. 상충하는 지침과 오래된 기록은 언어 이해력이 충분한 유능한 에이전트조차 약화시킬 수 있습니다.

따라서 출처 유지관리는 운영 신뢰성의 일부가 됩니다. 팀은 어떤 정책 버전이 답변의 근거가 되었는지, 이후 변경을 누가 승인했는지 알아야 합니다. 검색 가능한 엔지니어링 지식 베이스는 이러한 변경을 조사하고 문서화하는 내부 업무와 관련이 있습니다.

공급업체 의존성도 면밀히 검토할 필요가 있습니다. 하나의 제공업체를 많이 사용하면 해당 제공업체의 가용성과 모델 동작에 대한 노출이 집중됩니다. 대체 경로는 동일한 사업 요구사항과 권한 경계에 대해 검증되었을 때에만 도움이 됩니다.

모델을 전환하면 이전 평가의 의미도 바뀔 수 있습니다. 적절해 보이는 폴백 모델도 지침을 다르게 따르거나 예상치 못한 순서로 조치를 요청할 수 있습니다. 운영 연속성에는 다른 모델로부터 응답을 성공적으로 받는 것 이상이 필요합니다.

이러한 우려가 보고된 도입 이정표를 무효화하는 것은 아닙니다. 이는 공급업체가 모델과 플랫폼을 제공한 후에도 엔터프라이즈 책임이 남아 있는 지점을 보여 줍니다. 기업은 여전히 정책, 고객 약속, 허용 가능한 오류에 관한 결정을 책임집니다.

따라서 이 발표를 가장 강하게 해석하려면 도입과 불확실성을 함께 봐야 합니다. Retell은 규모와 고객 사용에 대한 의미 있는 사례를 공개했습니다. 신뢰성과 생산성에 관한 더 광범위한 주장은 시간, 구성, 고객 집단 전반에서 더 비교 가능한 증거가 여전히 필요합니다.

벤치마크 업데이트, 고객 후속 결과, 엔지니어링 증거를 지켜볼 것

다음으로 유용한 증거는 또 하나의 고립된 헤드라인 지표를 추가하는 대신, 모델 개선을 지속적인 고객 성과 및 엔지니어링 품질과 연결할 것입니다.

앞으로 몇 달 동안 주목할 첫 번째 신호는 모델과 설정이 명확히 식별된 업데이트된 벤치마크입니다. Retell의 구성 의존적 결과는 모델 이름만으로는 충분하지 않은 이유를 이미 보여 줍니다. 향후 비교는 순위 변화를 설명할 수 있을 만큼 충분한 세부 정보를 보존해야 합니다.

더 강력한 지침 준수 결과는 테스트된 조건에서 정책 준수가 개선되었다는 근거를 뒷받침할 것입니다. 올바른 조치 측정치와 응답 지연 데이터가 함께 제공된다면 더 큰 신뢰를 줄 수 있습니다. 한 범주에서만 개선이 나타난다면 더 제한적인 결론을 뒷받침하게 됩니다.

반대의 경우도 중요합니다. 대체 모델이 허용 가능한 응답 시간 내에 동일한 조치를 더 정확하게 처리한다면, 구매자는 라우팅을 재검토할 신뢰할 만한 이유를 얻게 됩니다. 이는 현재 결과를 영구적인 경쟁 우위로 해석하는 주장을 약화할 것입니다.

두 번째 신호는 안정적인 정의를 사용한 고객 후속 결과입니다. Anker와 Pine Park Health는 알아볼 수 있는 운영 활용 사례를 제공합니다. 이후 공개 내용에 관찰 기간, 재접촉, 에스컬레이션 결과, 자동화된 상호작용 후 필요한 직원 업무가 포함된다면 더 많은 정보를 제공하게 됩니다.

지속적인 결과는 이러한 배포가 오래가는 운영 가치를 만든다는 주장을 강화할 것입니다. 범위가 확장될수록 성과가 악화된다면 초기 성공이 더 좁은 요청 집합에 의존했음을 시사할 것입니다. 어느 결과든 구매자가 자동화가 적합한 위치를 이해하는 데 도움이 됩니다.

세 번째 신호는 직원 1인당 연간화 매출을 넘어서는 엔지니어링 증거입니다. 유용한 공개 내용은 지원을 제공 시간, 검토 노력, 결함, 유지보수와 연결할 것입니다. 이러한 측정치는 더 빠른 실행과 단순히 이후 검사나 수정으로 이전된 작업을 구분하는 데 도움이 됩니다.

더 짧은 제공 주기와 함께 안정적이거나 개선되는 품질 기록은 생산성 주장을 강화할 것입니다. 회사가 매력적인 매출 비율을 계속 보고하더라도 재작업이 늘어난다면 그 주장은 약화됩니다. 관련된 결과는 개발 프로세스 전반에 걸친 신뢰할 수 있는 제공입니다.

이러한 신호는 서로 다른 독자가 이 사례에서 무엇을 얻어야 하는지도 분명히 합니다. 개발자는 설정과 평가 사례가 실제 작업과 어떻게 연결되는지 검토해야 합니다. 엔터프라이즈 구매자는 공급업체 규모와 자신의 성과 정의를 분리해야 합니다. 운영 리더는 평가에 사람의 후속 조치를 포함해야 합니다.

Retell OpenAI 음성 에이전트는 신중한 주의가 필요한 공개 수치를 통해 논의를 프로덕션 증거 쪽으로 옮겼습니다. 다음 단계는 더 큰 비교 가능성입니다. 즉, 일관된 정의, 명확히 드러난 구성 선택, 초기 고객 사례를 넘어 유지되는 후속 결과가 필요합니다.

이 발표를 구매 결정을 정당화하는 데 사용하기 전에, 조직의 실제 통화와 문서화된 정책을 중심으로 구축된 시험을 요청하십시오. 완료된 조치, 적절한 에스컬레이션, 반복 연락, 수정이 필요한 오류를 구분해 달라고 공급업체에 요청하십시오. 고객이 어디에서 어려움을 겪는지 이해하는 서비스 직원과 연결된 시스템을 이해하는 엔지니어를 포함하십시오. 특히 추론 설정과 허용된 조치를 포함해 모델을 비교할 때 평가 조건을 명확히 유지하십시오. 그런 다음 정책이나 워크플로가 바뀐 뒤 결과를 다시 검토하고, 초기 성공률이 안정적으로 유지될 것이라고 가정하지 마십시오. 자동화된 대화가 서비스를 개선하고 있다고 팀을 설득할 증거는 무엇이며, 어떤 결과가 배포 범위를 좁히게 만들겠습니까?