Ju längre den körs, desto mindre frågar den.
Steg 1 av 4: Starten
90% färre modellanrop, och mer träffsäker.*
3,000 beslut i kundärenden: återbetalningar, upplåsning av konton, kreditgränser, utbetalningar. Varje beslut har en rätt åtgärd av ungefär nitton, eller ett avslag, och fem gånger under vägen ändrade företaget en regel. Alla metoder använde GPT-5.5; MS Duplex lärde sig under tiden.
Interna benchmarktester. Alla siffror på denna sida kommer från tester som MatterSpace själv har genomfört och har inte oberoende verifierats. Läs ansvarsfriskrivningen
- 94.6%*Träffsäkerhet, den högsta i testetModellen ensam 59.8% · med en cache 77.3%
Träffsäkerhet, den högsta i testet Modellen med MS Duplex 94.6% Modellen med en cache 77.3% Modellen ensam 59.8% - −90.3%*Modellanrop−84.8% kostnad · −81.9% latens
Modellanrop på 3,000 beslut Modellen med MS Duplex 277 Modellen ensam 2,864 - ~23×*Snabbare efter inlärning≈97 ms mot ≈2,231 ms
Snabbare efter inlärning Ett beslut som MS Duplex har lärt sig ≈97 ms Ett modellanrop ≈2,231 ms
* Siffror från MatterSpaces interna benchmarktester, inte oberoende verifierade. Läs ansvarsfriskrivningen
3,000 beslut, och vart varje beslut tog vägen.
Besvarade av MS Duplex själv, skickade till GPT-5.5 eller avslagna.
Steg 1 av 4: Kommer in
3,000 beslut kommer in: återbetalningar, upplåsningar, kreditgränser och utbetalningar, i mer än 2,000 formuleringar.*
Efter en regeländring: vem som gav det nya svaret.
Per 100 beslut som en regeländring hade påverkat.
Steg 1 av 3: Modellen ensam
GPT-5.5 kan inte känna till ett företags interna regeländring: den gav det gamla svaret i 97% av fallen.*
Ju längre flöde, desto bättre siffror.
Samma arbete i ett flöde med 300 beslut och i ett flöde med 3,000 beslut.
Steg 1 av 4: Noggrannhet
MS Duplex var 85.0% träffsäker på ett flöde med 300 beslut, och 94.6% träffsäker på 3,000.*
Notan, och väntan.
GPT-5.5 ensam mot GPT-5.5 med MS Duplex, på samma 3,000 beslut.
Steg 1 av 3: Per beslut
Varje 1,000 beslut kostade $0.13 med MS Duplex, och $0.82 med GPT-5.5 ensam.*
Så genomfördes det.
- Arbetet
- Beslut i kundärenden: återbetalningar, upplåsning av konton, kreditgränser, utbetalningar, åtkomst och eskalering av bedrägerier. En rätt åtgärd av ungefär nitton, eller ett avslag.
- Flödet
- 3,000 beslut i mer än 2,000 formuleringar, 68% av dem formulerade på ett sätt som inte hade setts tidigare, med nya typer av förfrågningar som tillkom halvvägs.
- Regeländringar
- Fem interna regeländringar, som var och en vände på rätt åtgärd för en typ av förfrågan; 1,073 beslut kom efter en ändring.
- Återkoppling
- Rätt svar avslöjades för ungefär ett beslut av tio, samma beslut för alla metoder.
- Modeller
- GPT-5.5, med riktiga API-anrop, för alla metoder.
- Jämfört med
- GPT-5.5 ensam, och GPT-5.5 med en semantisk cache i sin bästa inställning; i flödet med 300 beslut även en cache med hämtning och en kunskapsgraf.
- Lika för alla
- Samma modell, återkoppling och regler för avslag för alla metoder.
Vad det betyder för ditt arbete.
Din nota krymper medan den lär sig.
MS Duplex besvarade 86% av besluten själv: 90% färre modellanrop och 85% lägre kostnad.*
En regeländring når varje svar.
Efter att reglerna ändrats gav MS Duplex det nya svaret i 92.5% av fallen; GPT-5.5 ensam i 2.3%.*
Den blir bättre med volymen.
Från 300 beslut till 3,000 steg träffsäkerheten från 85.0% till 94.6% och kostnaden per beslut sjönk med två tredjedelar.*
Nästa: Mer träffsäker i varje inställning, till en sjundedel av kostnaden.Läs det →
Se det i ditt eget arbete.
Från din egen assistent till varje agent ditt företag kör sätter en pilot MS Duplex på ditt eget arbete, med mätetal som avtalas innan den börjar.