Идея Parloa родилась в страховом колл-центре: сооснователь Стефан Оствальд провёл там день, слушая, как операторы снова и снова отвечают на одни и те же вопросы — сброс пароля, уточнение полиса, рутинные изменения. Компания начала с правил-based голосовых агентов, а после появления ChatGPT перешла к платформе нового поколения — AI Agent Management Platform (AMP), построенной на моделях OpenAI, включая GPT-5.
AMP решает конкретную проблему крупного бизнеса: как развернуть ИИ-агента в колл-центре так, чтобы он работал стабильно при миллионах разговоров, а не только в демо. Платформа охватывает весь жизненный цикл агента — от проектирования до мониторинга в продакшене. Сотрудники без технического фона описывают поведение агента на естественном языке: его роль, инструкции, доступные инструменты и ограничения. Эта конфигурация напрямую становится основой для промптинга модели.
| Модель | Роль в платформе AMP |
|---|---|
| GPT-5 | Симуляция клиентских разговоров, основной агент в продакшене |
| GPT-4.1 | Симуляция и тестирование сценариев перед запуском |
| GPT-5-mini | Симуляция реалистичных клиентских взаимодействий |
Перед запуском агент проходит симуляцию: GPT-5 или GPT-4.1 в роли «клиента» ведёт разговор с настроенным агентом, а отдельный оценочный слой проверяет, следовал ли агент инструкциям, правильно ли вызывал инструменты и завершил ли задачу. Оценка сочетает детерминированные проверки с подходом LLM-as-a-judge — когда языковая модель сама выступает судьёй качества ответов. По словам старшего прикладного учёного Маттеуса Дойча, теоретические benchmark-результаты компанию интересуют меньше, чем поведение модели на реальных клиентских сценариях.
Платформа AMP построена на GPT-5, GPT-4.1 и GPT-5-mini; нетехнические сотрудники настраивают агентов без кода.
В продакшене оркестровый слой AMP формирует запрос к модели OpenAI с конфигурацией агента и контекстом разговора, при необходимости извлекает информацию через RAG или вызывает внешние системы клиента. После завершения звонка отдельные процессы суммируют разговор, классифицируют намерение клиента и оценивают соответствие заданным правилам. По мере усложнения агентов Parloa перешла от монолитных промптов к модульной архитектуре: аутентификация, изменение бронирования, обновление аккаунта выделены в отдельные суб-агенты, что снижает риск непредвиденных побочных эффектов при изменениях.
Голосовой канал накладывает особые ограничения: каждый звонок проходит через цепочку речь-в-текст → рассуждение модели → текст-в-речь, и даже небольшая задержка на уровне модели превращается в ощутимую паузу для звонящего. Parloa тестирует каждый компонент отдельно: системы распознавания речи — по частоте ошибок на чувствительных данных вроде номеров полисов, синтез речи — через слепые прослушивания с последующей проверкой на реальных разговорах. Модели speech-to-speech пока проходят оценку на готовность к продакшену.
Среди задокументированных результатов — глобальная туристическая компания, сократившая запросы на переключение к живому оператору на 80%. Parloa работает с крупными предприятиями в ритейле, туризме и страховании, покрывая сценарии от автоматизации поддержки до телешопинга. Платформа изначально строилась для многоязычного развёртывания: benchmark-тесты охватывают несколько языков, что отражает как европейское происхождение компании, так и требования международных корпоративных клиентов.
