先看证据
从一亿通电话看运行系统
OpenAI在2026年10月27日发布Retell AI客户案例。Retell是一家面向联络中心的语音AI平台，企业用它搭建能回答问题、执行操作，并在需要时转接人工的语音代理。OpenAI称，Retell服务超过4,000家企业，月通话量从2026年初的3,000万增长到9月超过1亿。
这个增长数字容易让人先问：哪一个模型让电话代理变得更好？但案例透露的变化更像是，一项模型能力正在被嵌进整套实时运营流程。OpenAI模型为Retell约80%的通话生成回复，客户解决率则被概括为超过80%；前者不是平台全部通话的覆盖比例，后者也没有披露统一计算口径。两组数字都需要放回各自的定义里看。
模型提出动作，平台负责把动作落地
一通电话并不是由一个模型从开场到结束独立完成。Retell的平台运行音频模型、追踪对话状态，并管理代理何时说话、倾听或处理打断；OpenAI模型根据企业指令和通话上下文生成回复，或提出工具调用请求。随后由Retell通过客户系统集成执行调用，并可把结果写回客户记录。
这意味着语音代理的可靠性不能只看回答是否自然。它还取决于模型有没有遵守业务规则、是否调用正确工具、执行结果能否回到业务系统，以及遇到需要判断的情况时能否交接给人。Retell称，代理转接时会先向坐席说明通话背景，通话后再分析转录文本并提取结果。这里真正构成产品的是模型、编排层、客户系统和人工流程之间的协作，而不只是模型输出本身。
生产评测比演示更接近选型问题
Retell用自建的vCX benchmark比较模型，测试多轮场景中的指令遵循、信息依据、工具调用和自然对话表现。OpenAI称，在2026年10月13日的评测中，GPT-6 Astra的指令遵循得分为89.7%，在这一项排名第一。这个结果支持的是“单项领先”，不能外推成它在整套评测的所有指标上都最好。
案例还列出较早的比较结果：推理开启时，GPT-5.5的非幻觉率为88.0%，工具调用正确率为88.3%，两项均高于当时比较的Gemini-3.1-Pro和Claude-4.6。不同模型在不同任务上的成绩，恰好说明选型不能只看一个总排名。对联络中心而言，指令遵循、工具调用、延迟和转人工体验都可能影响结果；benchmark能帮助筛选模型，却不能替代对真实业务流程的验证。
案例数字能说明什么，不能说明什么
Anker提供了一个具体场景：其美国和英国的一级售后代理处理订单追踪、保修检查和故障排查。Anker报告的案件解决率为80.4%，净推荐值（NPS）为63，并称代理的语气、节奏和亲和力达到其对人工坐席的预期。这些数字说明一个边界较清楚的售后流程可以交给代理处理，但不能自动代表其他行业或更复杂的支持场景也会得到相同结果。
Pine Park Health则用代理处理预约提醒和主动排期，并把结果写入患者医疗记录；其团队称释放了相当于2.1个全职岗位的医助时间，并将时间转向患者护理。两个例子展示了不同的业务价值：一个是解决售后案件，一个是重新分配医疗团队时间。但这仍是OpenAI发布的客户案例，没有给出独立审计说明，也没有交代跨客户统一的解决率口径，因此不能把案例数字直接当作普遍效果。
扩容和内部效率仍有账要算
通话量放大后，可靠性会延伸到模型之外。研究材料称，Retell白天的平台流量峰值可超过夜间低谷的50倍，并使用专用服务器、区域API端点，以及电话、语音和模型服务的备用方案。对技术负责人来说，这些安排不是附属优化：任何一段服务在高峰时变慢或失效，都可能把模型能力变成排队、重复呼叫或人工接管压力。现有材料没有给出故障切换表现或各环节的延迟分布，因而还不能据此评估实际服务等级。
Codex则被用于Retell内部研发，包括理解陌生代码、实现功能、调试问题；公司还称用GPT-6 Astra的computer use功能测试前端流程。OpenAI同时把Codex与每名员工160万美元的年化收入运行率并列，但没有提供员工数、计算口径、对照组或Codex的量化贡献。这个数字可以作为经营规模的线索，却不能证明Codex造成了该结果。对企业读者更可执行的判断，是先从规则清楚、可回写、能安全转人工的流程切入，用自有通话评测解决率、延迟和故障切换，再决定是否扩围。