Intercom, een al lang bestaand klantenserviceplatform, heeft zijn intern ontwikkelde AI-model onthuld, Fin Apex 1.0, waarvan het bedrijf beweert dat het de prestaties van toonaangevende modellen van OpenAI en Anthropic overtreft bij het oplossen van klantproblemen. Deze stap markeert een ongebruikelijke stap voor een bestaand softwarebedrijf: het bouwen van zijn eigen AI in plaats van te vertrouwen op externe API’s. De kern van deze strategie is simpel: specialisatie verslaat generalisatie.
Het prestatievoordeel
Volgens de benchmarks van Intercom bereikt Fin Apex 1.0 een oplossingspercentage van 73,1% (het percentage problemen dat zonder menselijke tussenkomst wordt opgelost) en overtreft GPT-5.4 (71,1%) en Claude Sonnet 4.6 (69,6%). Hoewel de marge van 2 punten misschien klein lijkt, vertaalt dit zich bij grootschalige activiteiten met miljoenen klanten in aanzienlijke omzet- en efficiëntiewinsten.
Het model demonstreert ook snelheid en levert reacties in 3,7 seconden (sneller dan concurrenten) en een vermindering van 65% in hallucinaties vergeleken met Claude Sonnet 4.6. Cruciaal is dat Intercom beweert dat Apex grofweg een vijfde van de kosten kost van het rechtstreeks gebruiken van grensmodellen, geïntegreerd in de bestaande prijzen per resultaat.
Het voordeel na de training: waarom het basismodel er minder toe doet
Intercom is opzettelijk vaag over het basismodel dat voor Apex 1.0 wordt gebruikt, en stelt alleen dat het ‘ter grootte van honderden miljarden parameters’ is. Deze beslissing weerspiegelt een groeiend geloof binnen de sector dat het echte concurrentievoordeel ligt in de post-training, en niet in de pre-training.
CEO Eoghan McCabe stelt dat vooropleiding steeds meer gemeengoed wordt; wat er echt toe doet, zijn bedrijfseigen gegevens en versterkend leren. Het model van Intercom werd verfijnd op basis van jarenlange klantenservicegegevens, waardoor het niet alleen leerde wat te zeggen, maar hoe problemen effectief op te lossen, inclusief het herkennen van echte oplossing versus aanhoudende frustratie.
Deze strategie is niet nieuw. Andere bedrijven zijn al begonnen hetzelfde concept te exploiteren: focus op een niche en domineer deze met gespecialiseerde AI.
Een draai van $100 miljoen die zijn vruchten afwerpt
De AI-first-shift van Intercom levert al resultaten op. Fin groeit met 3,5x, met een jaarlijks terugkerende omzet van bijna $100 miljoen, en zal naar verwachting begin volgend jaar de helft van de totale omzet van Intercom vertegenwoordigen. Het bedrijf heeft zijn AI-team in drie jaar tijd uitgebreid van zes naar zestig onderzoekers, een aanzienlijke investering die lijkt te werken.
Deze omslag is opmerkelijk in het SaaS-landschap, waar de gemiddelde groei rond de 11% ligt; Intercom verwacht dit jaar een groei van 37%. Hun succes suggereert dat gespecialiseerde AI substantiële voordelen kan opleveren in specifieke gebruiksscenario’s.
De toekomst van AI: speciatie en specialisatie
De aanpak van Intercom sluit aan bij een bredere trend in de richting van AI-‘speciatie’, zoals beschreven door voormalig OpenAI- en Tesla AI-leider Andrej Karpathy. Het idee is dat in plaats van het nastreven van algemene kunstmatige intelligentie, de toekomst zal worden gevormd door zeer gespecialiseerde modellen die zijn geoptimaliseerd voor beperkte taken.
Klantenservice is, naast hulp bij coderen en juridische AI, een van de weinige gevallen waarin AI al echte economische tractie heeft laten zien. Intercom is van mening dat grenslaboratoria op de lange termijn moeite zullen hebben om gelijke tred te houden met domeinspecifieke modellen.
Conclusie
Het succes van Intercom met Fin Apex 1.0 toont aan dat eigen gegevens en strategische post-training beter kunnen presteren dan grotere, generieke modellen in specifieke toepassingen. De onwil van het bedrijf om zijn basismodel bekend te maken, benadrukt een groeiende spanning tussen transparantie en concurrentievoordeel in het AI-landschap. Deze stap duidt op een verschuiving naar niche-AI-oplossingen, waarbij specialisatie en domeinexpertise belangrijker zijn dan ruwe rekenkracht.
