Je länger es läuft, desto weniger fragt es.
Schritt 1 von 4: Der Anfang
90% weniger Modellaufrufe und dazu genauer.
3,000 operative Kundenentscheidungen: Erstattungen, Kontoentsperrungen, Kreditlimits, Auszahlungen. Für jede gibt es eine richtige Aktion aus etwa neunzehn oder eine Ablehnung, und fünfmal änderte das Unternehmen unterwegs eine Regel. Jeder Ansatz nutzte GPT-5.5; Duplex lernte dabei mit.
- 94.6%Genauigkeit, die höchste im TestDas Modell allein 59.8% · mit einem Cache 77.3%
- −90.3%Modellaufrufe−84.8% Kosten · −81.9% Latenz
- ~23×Schneller, wenn gelernt≈97 ms gegenüber ≈2,231 ms
3,000 Entscheidungen, und wohin jede ging.
Von Duplex selbst beantwortet, an GPT-5.5 weitergegeben oder abgelehnt.
Schritt 1 von 4: Kommen an
3,000 Entscheidungen kommen an: Erstattungen, Entsperrungen, Kreditlimits und Auszahlungen, in über 2,000 Formulierungen.
Nach einer Regeländerung: wer die neue Antwort gab.
Von je 100 Entscheidungen, die eine Regeländerung betroffen hatte.
Schritt 1 von 3: Das Modell allein
GPT-5.5 kann die interne Regeländerung einer Firma nicht kennen: Es gab in 97% der Fälle die alte Antwort.
Je länger der Strom, desto besser die Zahlen.
Dieselbe Arbeit in einem Strom mit 300 Entscheidungen und in einem mit 3,000.
Schritt 1 von 4: Genauigkeit
Duplex war bei einem Strom von 300 Entscheidungen zu 85.0% genau, bei 3,000 zu 94.6%.
Die Rechnung und die Wartezeit.
GPT-5.5 allein gegen GPT-5.5 mit Duplex, bei denselben 3,000 Entscheidungen.
Schritt 1 von 3: Je Entscheidung
Je 1,000 Entscheidungen kosteten $0.13 mit Duplex und $0.82 mit GPT-5.5 allein.
Wie es durchgeführt wurde.
- Die Arbeit
- Operative Kundenentscheidungen: Erstattungen, Kontoentsperrungen, Kreditlimits, Auszahlungen, Zugriff und Eskalation bei Betrugsverdacht. Eine richtige Aktion aus etwa neunzehn oder eine Ablehnung.
- Der Strom
- 3,000 Entscheidungen in mehr als 2,000 Formulierungen, 68% davon in bisher ungesehener Formulierung, und mittendrin kamen neue Arten von Anfragen hinzu.
- Regeländerungen
- Fünf interne Regeländerungen, die jeweils die richtige Aktion für eine Art von Anfrage umkehrten; 1,073 Entscheidungen kamen nach einer Änderung.
- Rückmeldung
- Die richtige Antwort wurde bei etwa jeder zehnten Entscheidung aufgedeckt, bei jedem Ansatz bei denselben.
- Modelle
- GPT-5.5, mit echten API-Aufrufen, für jeden Ansatz.
- Verglichen mit
- GPT-5.5 allein und GPT-5.5 mit einem semantischen Cache in seiner besten Einstellung; im Strom mit 300 Entscheidungen außerdem ein Cache mit Retrieval und einem Wissensgraphen.
- Gleich gehalten
- Dasselbe Modell, dieselbe Rückmeldung und dieselben Ablehnungsregeln für jeden Ansatz.
Was es für deine Arbeit bedeutet.
Deine Rechnung schrumpft, während es lernt.
Duplex beantwortete 86% der Entscheidungen selbst: 90% weniger Modellaufrufe und 85% niedrigere Kosten.
Eine Regeländerung erreicht jede Antwort.
Nach der Regeländerung gab Duplex in 92.5% der Fälle die neue Antwort; GPT-5.5 allein in 2.3%.
Mit dem Volumen wird es besser.
Von 300 auf 3,000 Entscheidungen stieg die Genauigkeit von 85.0% auf 94.6%, und die Kosten pro Entscheidung sanken um zwei Drittel.
Erlebe es mit deiner eigenen Arbeit.
Vom eigenen Assistenten bis zu jedem Agenten, den dein Unternehmen betreibt: Ein Pilotprojekt lässt Duplex mit deiner eigenen Arbeit laufen, und die Kennzahlen werden vereinbart, bevor es beginnt.