Ringg beralih dari pembuat model ke agen suara, lalu mendapat US$10 juta

Ringg AI memperoleh tambahan pendanaan US$10 juta yang dipimpin Peak XV Partners pada 26 Agustus 2026. Laporan The Economic Times mencatat Arkam Ventures dan Capital 2B turut berpartisipasi dalam pembiayaan startup agen AI yang berbasis di Bengaluru, India, tersebut.

Tambahan itu merupakan perpanjangan Seri A, bukan putaran baru, dan mengikuti pendanaan US$5,5 juta yang diperoleh Ringg sebelumnya. Peliputan TechCrunch pada 25 Agustus menempatkan total Seri A pada US$15,5 juta serta mengonfirmasi bahwa Ringg beralih dari bisnis text-to-speech bernama DesiVocal karena biaya melatih model suara sendiri terlalu tinggi.

Perpanjangan membawa Seri A menjadi sekitar US$15,5 juta

Nilai putaran perlu dibaca dengan satu catatan. TechCrunch menjumlahkan tahap awal US$5,5 juta dan tambahan US$10 juta menjadi US$15,5 juta, sedangkan The Economic Times menulis total US$15 juta. Selisih US$500.000 tersebut konsisten dengan pembulatan angka oleh The Economic Times, bukan perbedaan tahap atau transaksi; valuasi Ringg tidak diungkap dalam laporan-laporan terbaru.

Peak XV menjadi pemimpin pada tambahan modal ini, sementara Arkam Ventures—pemimpin tahap sebelumnya—dan Capital 2B kembali berpartisipasi. Ringg didirikan pada 2023 oleh Siddharth Tripathi, Kali Charan Vemuru, dan Utkarsh Shukla.

Dana baru akan dipakai untuk memperkuat platform, mengembangkan agen yang bekerja melalui suara, WhatsApp, dan browser, berinvestasi pada model internal yang dianggap penting, serta memperluas bisnis perusahaan di India dan pasar internasional. Prioritas tersebut menunjukkan bahwa Ringg tidak sepenuhnya meninggalkan pengembangan model, tetapi memilih membatasi pekerjaan itu pada komponen yang dapat menekan biaya atau memperbaiki mutu produk.

Biaya pelatihan model mendorong Ringg naik ke lapisan agen

Ringg bermula sebagai DesiVocal, perusahaan text-to-speech yang mencoba membangun model suara sendiri. Pelatihan model tersebut terbukti mahal, sehingga para pendirinya berpindah ke agen AI untuk perusahaan: produk yang menggunakan dan mengarahkan model berbeda guna menyelesaikan kebutuhan pelanggan.

Ringg masih membangun model pengenalan dan pembangkitan suara internal. Namun, keinginan untuk memiliki seluruh tumpukan suara—termasuk infrastruktur dan penerapannya—belum ekonomis bagi perusahaan, sehingga produk saat ini bekerja sebagai lapisan orkestrasi yang memilih model menurut kasus penggunaan.

Perubahan itu memindahkan pusat nilai dari kemampuan menghasilkan suara menuju penguasaan alur kerja. Ringg tetap melayani aktivitas seperti panggilan keluar, kualifikasi prospek, dan penagihan, tetapi mengejar pekerjaan yang lebih kompleks, antara lain pemesanan janji klinik, pemulihan keranjang belanja, pemeriksaan onboarding dan KYC, serta dukungan pelanggan bertingkat. Menurut Tripathi, pekerjaan bervolume tinggi tetapi sederhana cenderung tidak mengikat pelanggan dan mudah berubah menjadi persaingan harga.

Produk Ringg kini menghubungkan suara, WhatsApp, dan browser

Suara tetap menyumbang lebih dari 70% bisnis Ringg, tetapi produk yang dikejar tidak berhenti pada panggilan. Interaksi dapat dimulai melalui telepon, berlanjut di WhatsApp atau chat, kemudian memicu agen browser untuk menjalankan tindakan pada CRM atau aplikasi perusahaan lainnya.

Ringg menyebut lapisan memori bersama di balik rangkaian tersebut sebagai context graph. Lapisan ini menghubungkan pelanggan, riwayat percakapan, aturan bisnis, alur kerja, dan sistem perusahaan agar konteks tidak hilang ketika interaksi berpindah kanal atau diteruskan kepada staf manusia.

Secara ekonomi, lapisan orkestrasi memungkinkan Ringg membeli atau memakai model yang sesuai tanpa menanggung biaya membangun seluruh fondasi sendiri. Potensi pertahanannya berada pada integrasi, aturan bisnis, konteks pelanggan, dan kemampuan menyelesaikan pekerjaan dari ujung ke ujung. Namun, pertahanan itu masih merupakan tesis bisnis: Ringg belum memublikasikan data retensi, pendapatan, biaya per tugas, atau tingkat penyelesaian yang dapat mengukurnya secara independen.

Skala pemakaian memerlukan dua satuan yang berbeda

Ringg menyatakan telah memproses sekitar 20 juta percobaan panggilan setiap bulan. Angka ini tidak sama dengan jumlah percakapan yang tersambung atau tugas yang selesai, karena satu percobaan dapat berakhir tanpa pelanggan menjawab.

Perbedaan satuan terlihat dari pengumuman resmi Seri A awal Ringg, yang menyebut lebih dari 1,5 juta percakapan pelanggan per bulan, dukungan untuk lebih dari 18 bahasa, dan target melampaui 10 juta percakapan bulanan. Karena “percobaan panggilan” dan “percakapan” mengukur tahap berbeda, kedua angka tersebut tidak dapat dibandingkan sebagai pertumbuhan langsung.

CRED merupakan pelanggan pertama Ringg, disusul antara lain Flipkart, Practo, Groww, dan Policybazaar. Agen Ringg digunakan melalui Practo di sekitar 1.200 klinik untuk membantu pemesanan kunjungan dan tindak lanjut pasien. Sebagian besar pelanggan masih berada di India, dengan kehadiran tambahan di Timur Tengah dan Amerika Serikat.

Pendanaan menguji apakah orkestrasi menghasilkan pekerjaan yang selesai

Putaran ini mendanai taruhan bahwa perusahaan akan membayar bukan semata-mata untuk percakapan yang terdengar alami, melainkan untuk hasil operasional: janji yang tercatat, onboarding yang selesai, permintaan dukungan yang ditangani, atau prospek yang masuk ke CRM. Keberhasilan karena itu tidak cukup dinilai melalui volume panggilan.

Ringg juga harus menjaga latensi, konsistensi, keamanan data, kepatuhan, dan mekanisme pengalihan kepada manusia ketika agen tidak dapat menyelesaikan tugas. Kompleksitas tersebut bertambah ketika satu pekerjaan melewati beberapa kanal dan sistem milik pelanggan.

Yang sudah diketahui adalah nilai tambahan US$10 juta, identitas investor, struktur perpanjangan Seri A, alasan awal pivot, serta arah produk lintas kanal. Yang belum diketahui mencakup valuasi, pendapatan, retensi pelanggan, tingkat sambungan panggilan, dan tingkat keberhasilan agen pada setiap alur kerja. Data-data itulah yang nantinya akan menunjukkan apakah peralihan dari pembuat model ke pemilik alur kerja benar-benar menghasilkan bisnis yang lebih defensibel.