Intercom, wieloletni lider w dziedzinie obsługi klienta, zaprezentował opracowany wewnętrznie model sztucznej inteligencji Fin Apex 1.0, który według firmy przewyższa wiodące modele OpenAI i Anthropic w rozwiązywaniu problemów klientów. Posunięcie to jest niezwykłe w przypadku tradycyjnej firmy produkującej oprogramowanie: rozwija własną sztuczną inteligencję zamiast korzystać z zewnętrznych interfejsów API. Istota tej strategii jest prosta: specjalizacja wygrywa z generalizacją.
Przewaga wydajności
Według testów Intercom Fin Apex 1.0 osiąga współczynnik rozdzielczości na poziomie 73,1% – odsetek problemów rozwiązanych bez interwencji człowieka – przewyższając GPT-5.4 (71,1%) i Claude Sonnet 4,6 (69,6%). Chociaż różnica 2% może wydawać się niewielka, w przypadku operacji na dużą skalę, obejmujących miliony klientów, skutkuje to znacznym wzrostem przychodów i wydajności.
Model wykazuje również szybkość, dostarczając odpowiedzi w 3,7 sekundy – szybciej niż konkurenci – i zmniejsza liczbę halucynacji o 65% w porównaniu do Claude Sonnet 4.6. Co najważniejsze, Intercom twierdzi, że Apex działa po kosztach około pięciokrotnie wyższych niż w przypadku bezpośredniego korzystania z zaawansowanych modeli zintegrowanych z istniejącym modelem cenowym opartym na wynikach.
Korzyści po szkoleniu: dlaczego model podstawowy ma mniejsze znaczenie
Intercom celowo nie wypowiada się na temat modelu będącego podstawą Apex 1.0, twierdząc jedynie, że „ma on setki miliardów parametrów”. Decyzja ta odzwierciedla rosnące przekonanie branży, że prawdziwa przewaga konkurencyjna leży w szkoleniu wstępnym, a nie szkoleniu wstępnym.
Dyrektor generalny Eoghan McCabe twierdzi, że szkolenia wstępne stają się coraz bardziej dostępne; tak naprawdę liczą się dane natywne i uczenie się przez wzmacnianie. Model Intercomu był dalej udoskonalany na podstawie wieloletnich danych dotyczących obsługi klienta, ucząc go nie tylko co powiedzieć, ale także jak skutecznie rozwiązywać problemy, w tym rozpoznawać faktyczne rozwiązania i utrzymujące się skargi.
Strategia ta nie jest nowa. Inne firmy zaczęły już stosować tę samą koncepcję: skoncentruj się na niszy i zdominuj ją dzięki wyspecjalizowanej sztucznej inteligencji.
Przejście za 100 milionów dolarów, które się opłaca
Skoncentrowanie się na sztucznej inteligencji firmy Intercom już przynosi rezultaty. Fin odnotowuje 3,5-krotny wzrost, a roczne stałe przychody zbliżają się do 100 milionów dolarów i według prognoz na początku przyszłego roku będą stanowić połowę całkowitych przychodów Intercom. W ciągu trzech lat firma powiększyła swój zespół zajmujący się sztuczną inteligencją z 6 do 60 badaczy, co stanowi znaczącą inwestycję, która wydaje się działać.
Sukces ten jest widoczny na rynku SaaS, gdzie średni wzrost wynosi około 11%; Intercom spodziewa się w tym roku wzrostu na poziomie 37%. Ich sukces pokazuje, że skrojona na miarę sztuczna inteligencja może zapewnić znaczne korzyści w konkretnych przypadkach użycia.
Przyszłość sztucznej inteligencji: specyfikacja i specjalizacja
Podejście Intercom wpisuje się w szerszy trend w kierunku „specyfikacji” sztucznej inteligencji, jak opisał były lider OpenAI i Tesla AI, Andrej Karpathy. Pomysł jest taki, że zamiast stawiać na ogólną sztuczną inteligencję, przyszłość będzie kształtowana przez wysoce wyspecjalizowane modele zoptymalizowane pod kątem wąskich zadań.
Obsługa klienta, obok pomocy programistycznej i prawnej AI, to jeden z niewielu obszarów zastosowań przedsiębiorstw, w których sztuczna inteligencja wykazała już realne korzyści ekonomiczne. Intercom uważa, że w dłuższej perspektywie zaawansowane laboratoria będą miały trudności z dotrzymaniem kroku modelom specyficznym dla danej dziedziny.
Wniosek
Sukces Intercom z Fin Apex 1.0 pokazuje, że zastrzeżone dane i strategiczne przekwalifikowanie mogą przewyższać większe, ogólne modele w określonych zastosowaniach. Niechęć firmy do ujawnienia leżącego u jej podstaw modelu podkreśla rosnące napięcie między przejrzystością a przewagą konkurencyjną w krajobrazie sztucznej inteligencji. To posunięcie sygnalizuje zwrot w kierunku niszowych rozwiązań AI, w których specjalizacja i wiedza branżowa liczą się bardziej niż czysta moc obliczeniowa.
