Intercom’s nieuwe post-getrainde Fin Apex 1.0 verslaat GPT-5.4 en Claude Sonnet 4.6 op het gebied van klantenservice

Intercom neemt een ongebruikelijke gok voor een bestaand softwarebedrijf: een eigen AI-model bouwen.

Het 15 jaar oude enorme klantenserviceplatform heeft Fin Apex 1.0 aangekondigd Donderdag kwam een ​​klein, speciaal gebouwd AI-model naar voren dat volgens het bedrijf beter presteert dan toonaangevende frontier-modellen van OpenAI en Anthropic op het gebied van de statistieken die er het meest toe doen voor klantenondersteuning.

Het model geeft kracht Intercom’s bestaande Fin AI-agentdat wekelijks al meer dan twee miljoen klantgesprekken afhandelt.

Volgens benchmarks gedeeld met VentureBeat behaalt Fin Apex 1.0 een oplossingspercentage van 73,1% – het percentage klantproblemen dat volledig is opgelost zonder menselijke tussenkomst – vergeleken met 71,1% voor zowel GPT-5.4 als Claude Opus 4.5, en 69,6% voor Claude Sonnet 4.6. Die marge van grofweg 2 procentpunt klinkt misschien bescheiden, maar is groter dan de typische kloof tussen opeenvolgende generaties grensmodellen.

“Als je grote serviceactiviteiten op grote schaal uitvoert en je hebt 10 miljoen klanten of een miljard dollar aan inkomsten, dan is een delta van 2% of 3% een heel groot aantal klanten, interacties en inkomsten”, vertelde Intercom-CEO Eoghan McCabe eerder deze week aan VentureBeat in een videogesprek.

Het model laat ook aanzienlijke verbeteringen zien in snelheid en nauwkeurigheid. Fin Apex levert reacties in 3,7 seconden (0,6 seconden sneller dan de op een na snelste concurrent) en toont een vermindering van 65% in hallucinaties vergeleken met Claude Sonnet 4.6.

Misschien wel het meest opvallend voor zakelijke kopers: het kost grofweg een vijfde van de kosten van het rechtstreeks gebruiken van frontier-modellen, en is opgenomen in Intercom’s bestaande op ‘per-resultaat’ gebaseerde prijsstructuur voor zijn bestaande klantplannen.

Wat is het basismodel? Maakt het zelfs uit?

Maar er zit een addertje onder het gras. Toen hem werd gevraagd om aan te geven op welk basismodel Apex was gebouwd (en op welke parametergrootte), weigerde Intercom.

“We delen het basismodel dat we voor Apex 1.0 hebben gebruikt niet – om concurrentieredenen en ook omdat we van plan zijn om in de loop van de tijd van basismodel te wisselen”, vertelde een woordvoerder van het bedrijf aan VentureBeat. Het bedrijf zou alleen bevestigen dat het model “de omvang heeft van honderden miljarden parameters.”

FTer vergelijking: Meta’s Llama 3.1 varieert van 8 miljard tot 405 miljard parameters, en grotere grensmodellen zoals GPT-5.4 lopen vermoedelijk in de biljoenen.

Of de prestatieclaims van Apex standhouden in die context – of dat de benchmarks optimalisaties weerspiegelen die alleen mogelijk zijn in beperkte, domeinspecifieke applicaties – blijft een open vraag.

Intercom zegt ervan te hebben geleerd de tegenslag waarmee Cursor voor AI-codering werd geconfronteerd toen critici de codeerassistent ervan beschuldigden het feit te begraven dat zijn Composer 2-model was gebouwd op verfijnde modellen met open gewichten in plaats van op eigen technologie. Maar de les die Intercom trok zal de sceptici misschien niet bevredigen: het bedrijf is transparant dat het een open-weights-basis heeft gebruikt, maar niet welke een.

“We zijn heel transparant dat we” een model met open gewichten hebben gebruikt, zei de woordvoerder. Toch is het weigeren om het model een naam te geven en tegelijkertijd transparantie te claimen een tegenstrijdigheid die waarschijnlijk de aandacht zal trekken – vooral omdat steeds meer bedrijven ‘gepatenteerde’ AI aanprijzen die neerkomt op post-getrainde open source-stichtingen.

Post-training als de nieuwe grens

Het argument van Intercom is dat het basismodel er simpelweg niet zoveel meer toe doet.

“Pre-training is nu een soort handelswaar”, zei McCabe. “De grens ligt, als je wilt, eigenlijk in de post-training. Na de training is het moeilijkste deel. Je hebt bedrijfseigen gegevens nodig. Je hebt bedrijfseigen bronnen van waarheid nodig.”

Het bedrijf heeft de gekozen basis achteraf getraind met behulp van jarenlange eigen klantenservicegegevens die zijn verzameld via Fin, dat nu 2 miljoen klantvragen per week oplost. Dat proces omvatte meer dan alleen het invoeren van transcripties in een model. Intercom bouwde versterkende leersystemen die gebaseerd waren op echte oplossingsresultaten, en leerden het model hoe succesvolle klantenservice er eigenlijk uitziet: de juiste toon, oordeelsoproepen, gespreksstructuur en, kritisch, hoe te herkennen wanneer een probleem echt is opgelost en wanneer een klant nog steeds gefrustreerd is.

“De generieke modellen zijn getraind op generieke gegevens op internet. De specifieke modellen zijn getraind op hyperspecifieke domeingegevens”, legt McCabe uit. “Het spreekt daarom voor zich dat de intelligentie van de generieke modellen generiek is, en de intelligentie van de specifieke modellen domeinspecifiek is en daarom op een veel betere manier werkt voor die gebruikssituatie.”

Als McCabe gelijk heeft als hij zegt dat de magie volledig in de post-training zit, wordt de onwil om de basis te benoemen moeilijker te rechtvaardigen. Als de basis echt uitwisselbaar is, welk concurrentievoordeel beschermt geheimhouding dan?

Een weddenschap van $100 miljoen betaalt zich uit

De aankondiging komt terwijl Intercom’s AI-eerste draaipunt lijkt te werken. Fin nadert $100 miljoen aan jaarlijkse terugkerende inkomsten en groeit met 3,5x, waardoor het het snelst groeiende segment is van de $400 miljoen ARR-activiteiten van het bedrijf. Fin zal naar verwachting begin volgend jaar de helft van de totale omzet van Intercom vertegenwoordigen.

Dat traject betekent een opmerkelijke ommekeer. Toen Fin werd gelanceerd, bedroeg het oplossingspercentage slechts 23%. Tegenwoordig bedraagt ​​dit gemiddeld 67% bij klanten, waarbij bij sommige grote bedrijfsimplementaties de percentages oplopen tot wel 75%.

Om dit mogelijk te maken, heeft Intercom zijn AI-team de afgelopen drie jaar uitgebreid van ongeveer zes naar zestig onderzoekers – een aanzienlijke investering voor een bedrijf waarvan McCabe toegeeft dat het zich vóór de AI-spil “in een hele slechte positie” bevond. Het gemiddelde groeipercentage voor publieke softwarebedrijven ligt rond de 11%; Intercom verwacht dit jaar een groei van 37% te realiseren.

“We zijn veruit de eersten in de categorie die ons eigen model hebben getraind”, zei McCabe. “Er is niemand anders die dit een jaar of langer zal hebben.”

De soortvorming en specialisatie van AI

De stelling van McCabe sluit aan bij een bredere trend die Andrej Karpathy, voormalig AI-leider bij Tesla en OpenAI, onlangs omschreef als de ‘speciatie’ van AI-modellen – een proliferatie van gespecialiseerde systemen die zijn geoptimaliseerd voor beperkte taken in plaats van algemene intelligentie.

Klantenservice is volgens McCabe bij uitstek geschikt voor deze aanpak. Het is een van de slechts twee of drie gebruiksscenario’s voor zakelijke AI die tot nu toe echte economische tractie hebben gevonden, naast codeerassistenten en mogelijk legale AI. Dat heeft meer dan een miljard dollar aan durfkapitaal aangetrokken voor concurrenten als Decagon en Sierra – en maakte de ruimte, in de woorden van McCabe, ‘meedogenloos concurrerend’.

De vraag is of domeinspecifieke modellen een duurzaam voordeel vertegenwoordigen of een tijdelijke arbitrage die grenslaboratoria uiteindelijk zullen sluiten. McCabe is van mening dat de laboratoria te kampen hebben met structurele beperkingen.

“Misschien is de toekomst dat Anthropic een groot aanbod heeft van veel verschillende gespecialiseerde modellen. Misschien lijkt het daar wel op”, zei hij. “Maar de realiteit is dat ik niet denk dat de generieke modellen de domeinspecifieke modellen op dit moment kunnen bijhouden.”

Voorbij efficiëntie om te ervaren

De vroege adoptie van AI bij bedrijven was sterk gericht op kostenreductie, waarbij dure menselijke agenten werden vervangen door goedkopere geautomatiseerde agenten. Maar McCabe ziet het gesprek verschuiven naar ervaringskwaliteit.

“Oorspronkelijk was het zoiets als: ‘Holy shit, we kunnen dit eigenlijk voor zoveel goedkoper doen.’ En nu denken ze: ‘Wacht, nee, we kunnen klanten een veel betere ervaring bieden’, zei hij.

De visie gaat verder dan het eenvoudig oplossen van zoekopdrachten. McCabe stelt zich AI-agenten voor die als adviseurs fungeren: een bot van een schoenenwinkel die niet alleen verzendvragen beantwoordt, maar ook stylingadvies geeft en klanten laat zien hoe verschillende opties er voor hen uit kunnen zien.

“De klantenservice is altijd behoorlijk slecht geweest”, zei McCabe botweg. “Zelfs bij de allerbeste merken moet je wachten op een telefoontje en word je door verschillende afdelingen heen gestuurd. Er is nu een kans om een ​​werkelijk perfecte klantervaring te bieden.”

Prijzen en beschikbaarheid

Voor bestaande Fin-klanten brengt de upgrade naar Apex geen extra kosten met zich mee. Intercom bevestigde dat de prijzen voor klanten ongewijzigd blijven: gebruikers blijven net als voorheen per uitkomst betalen, tegen $ 0,99 per opgeloste interactie, en profiteren automatisch van het nieuwe model.

Apex is niet beschikbaar als zelfstandig model of via een externe API. Het is alleen toegankelijk via Fin, wat betekent dat bedrijven het model niet zelfstandig kunnen licentiëren of in hun eigen producten kunnen integreren. Die beperking beperkt wellicht het vermogen van Intercom om geld te verdienen met het model buiten haar bestaande klantenbestand, maar het zorgt er ook voor dat de technologie in praktische zin eigendom blijft, ongeacht wat het onderliggende basismodel blijkt te zijn.

Wat is het volgende

Intercom is van plan Fin buiten de klantenservice uit te breiden naar verkoop en marketing en het te positioneren als een directe concurrent van de Agentforce-visie van Salesforce, die tot doel heeft AI-agenten te bieden gedurende de hele levenscyclus van de klant.

Voor de bredere SaaS-industrie roept de stap van Intercom ongemakkelijke vragen op. Als een 15-jarig klantenservicebedrijf een model kan bouwen dat beter presteert dan OpenAI en Anthropic in zijn domein, wat betekent dat dan voor leveranciers die nog steeds afhankelijk zijn van generieke API-aanroepen? En als ‘post-training de nieuwe grens is’, zoals McCabe benadrukt, zullen bedrijven die doorbraken claimen dan onder druk komen te staan ​​om hun werk te laten zien – of zich blijven verschuilen achter concurrentiegeheim terwijl ze transparantie aanprijzen?

McCabe’s antwoord op de eerste vraag: uiteengezet in een recent LinkedIn-berichtis grimmig: “Als je geen agentbedrijf kunt worden, heeft je CRUD-app-bedrijf een afnemende toekomst.”

Het antwoord op de tweede vraag valt nog te bezien.