Intercom, kini bernama Fin, luncurkan agen AI yang tugasnya hanya mengelola agen AI lainnya

Sebuah langkah berani diambil oleh perusahaan yang sebelumnya dikenal sebagai Intercom. Mereka baru saja meluncurkan AI agent yang tidak biasa, karena tugasnya adalah mengelola AI agent lainnya. Ini adalah sesuatu yang belum pernah dilakukan oleh platform layanan pelanggan besar dengan skala yang signifikan.

Fin Operator, yang diumumkan pada hari Kamis dalam sebuah acara langsung di San Francisco, adalah sistem cerdas yang dirancang secara khusus untuk tim back-office yang bertanggung jawab mengonfigurasi, memantau, dan meningkatkan Fin, AI agent yang berhadapan langsung dengan pelanggan. Operator bertujuan untuk membantu para profesional operasional yang menghabiskan waktu mereka memperbarui basis pengetahuan, mencari tahu kesalahan percakapan, dan menganalisis kinerja.

“Fin adalah agent untuk pelanggan Anda,” kata Brian Donohue, VP Produk perusahaan ini, dalam wawancara eksklusif dengan VentureBeat menjelang peluncuran. “Operator adalah agent untuk tim operasional dukungan Anda. Ini adalah agent bagi tim back office yang mengelola Fin dan juga mengelola agen manusia mereka.”

Pengumuman ini muncul pada momen penting bagi perusahaan. Hanya dua hari sebelumnya, CEO Eoghan McCabe secara resmi mengganti nama perusahaan yang sudah berusia 15 tahun dari Intercom menjadi Fin. Ini adalah sinyal jelas bahwa AI agent ini bukan hanya fitur, melainkan inti dari bisnis mereka. Fin baru saja melampaui pendapatan tahunan yang berulang sebanyak $100 juta dan tumbuh dengan kecepatan 3,5 kali lipat. Total pendapatan perusahaan mencapai $400 juta, yang berarti AI agent ini sudah menyumbang sekitar seperempat dari total pendapatan dan hampir semua pertumbuhan.

Fin Operator sekarang tersedia untuk pengguna tingkat Pro, dengan rencana peluncuran umum yang dijadwalkan pada musim panas 2026.

Krisis tak terlihat di balik setiap penerapan layanan pelanggan AI

Saat perusahaan mendorong AI agent mereka untuk menangani lebih banyak percakapan — Fin kini menyelesaikan lebih dari dua juta masalah pelanggan setiap minggunya di 8.000 pelanggan di seluruh dunia, termasuk Anthropic, DoorDash, dan Mercury — kompleksitas operasional di balik sistem tersebut semakin meningkat. Ada kebutuhan untuk memperbarui basis pengetahuan, mencari tahu mengapa bot mengalami masalah dengan pelanggan yang frustrasi, dan menganalisis apakah tingkat otomatisasi menurun setelah pembaruan produk.

Tim operasional dukungan lah yang bertugas melakukan semua ini, dan menurut Donohue, mereka sudah kewalahan.

“Hampir setiap tim operasional dukungan sudah melakukan analisis data dan manajemen pengetahuan — itu sudah menjadi hal yang dasar saat ini,” ujarnya. “Kendala yang dihadapi adalah pekerjaan membangun agent. Ini adalah keterampilan baru, dan banyak yang tidak cukup waktu untuk itu. Mereka bisa mengupayakan iterasi pertama, namun kemudian terhenti.”

Masalah ini bersifat struktural. AI customer agent bukanlah perangkat lunak statis. Mereka memerlukan penyesuaian yang konstan, proses yang lebih mirip dengan pelatihan karyawan baru daripada mengonfigurasi alat SaaS. Setiap percakapan dengan pelanggan merupakan potensi kesalahan, dan setiap kesalahan memerlukan diagnostik, analisis penyebab akar, perbaikan konfigurasi, pengujian, dan pemantauan. Sangat membosankan, teknis, dan tanpa henti. Fin Operator bertujuan untuk menyederhanakan seluruh proses tersebut menjadi antarmuka yang komunikatif.

Bagaimana satu sistem AI bertindak sebagai analis data, manajer pengetahuan, dan debugger sekaligus

Donohue menggambarkan Operator sebagai pengisi tiga peran yang biasanya menyita waktu tim operasional dukungan: analis data ahli, manajer pengetahuan ahli, dan pembangun agent ahli.

Sebagai analis data, Operator dapat menjawab pertanyaan-pertanyaan besar seperti, “Bagaimana performa tim saya minggu lalu?” dan menghasilkan grafik, laporan tren, dan analisis mendalam berdasarkan data yang sudah tersimpan di platform Intercom. Perusahaan telah memuat Operator dengan pengetahuan kontekstual mengenai atribut data spesifik pelanggan untuk membantu memahami metrik yang lebih akurat.

Sebagai manajer pengetahuan, Operator mampu mengolah update produk — misalnya, sebuah PDF tiga halaman tentang fitur baru — dan secara otonom mencari di seluruh perpustakaan konten perusahaan untuk mengidentifikasi perubahan yang diperlukan. Ia menemukan celah, menyusun artikel baru, menyarankan perbaikan pada artikel yang ada, dan menampilkan semua dalam antarmuka ulasan gaya diff. Mesin pencari yang mendasari adalah sistem pencarian semantik yang sama yang telah dibangun dan dioptimalkan Intercom untuk Fin selama lebih dari dua tahun.

“Dalam manajemen pengetahuan, Anda benar-benar mendapat kompresi waktu untuk sesuatu yang biasanya memakan waktu berjam-jam, bahkan berhari-hari, menjadi sekitar 10 menit,” ujar Donohue.

Sebagai pembangun agent, Operator memperkenalkan apa yang disebut perusahaan sebagai “kemampuan debugger.” Tim operasional dukungan dapat menyisipkan tautan ke percakapan di mana Fin tidak berfungsi dengan baik, dan Operator akan melacak setiap langkah logika internal Fin, mengidentifikasi penyebab utama — seringkali berupa panduan yang tanpa disadari menyebabkan pengulangan — mengusulkan penyusunan ulang, melakukan pengujian kembali terhadap perubahan tersebut, dan kemudian menyarankan pembuatan pemantauan produksi untuk menangkap masalah serupa di masa depan.

“Ini secara harfiah adalah apa yang dilakukan tim layanan profesional kami,” jelas Donohue. “Anda telah menulis panduan yang tanpa disadari menyebabkan Fin mengulangi dirinya — ini sering terjadi. Anda tidak menyadarinya, tetapi Anda tidak pernah memberikan jalan keluar.”

Jaminan ‘pull request’ yang menjaga manusia tetap mengontrol perubahan AI

Salah satu keputusan desain yang paling signifikan dalam Fin Operator adalah apa yang disebut perusahaan sebagai “sistem proposal” — mekanisme yang berfungsi seperti pull request dalam rekayasa perangkat lunak.

Setiap perubahan yang direkomendasikan Operator — apakah itu pengeditan artikel bantuan, penyusunan ulang aturan panduan AI, atau pembuatan monitor QA baru — muncul sebagai proposal lengkap dengan tampilan diff. Pengguna dapat memeriksa, mengedit, dan menyetujui setiap perubahan sebelum diterapkan. Tidak ada yang diaktifkan tanpa persetujuan manusia.

“Saat ini, kami mengambil nol risiko dalam hal ini — Fin tidak dapat membuat perubahan pada sistem tanpa persetujuan manusia,” tegas Donohue. “Tidak ada yang aktif sampai manusia mengklik ‘Terapkan’.”

Pilihan arsitektur ini patut dicatat. Di pasar yang semakin terpesona oleh sistem AI yang sepenuhnya otonom, perusahaan secara sengaja mempertahankan gerbang persetujuan manusia — setidaknya untuk saat ini. Donohue mengakui ini akan berkembang, namun menegaskan bahwa saat ini perlu kehati-hatian: “Ini terlalu besar untuk sekadar membiarkan Operator membuat perubahan secara otomatis dan kemudian memberi tahu tim, ‘Hei, izinkan saya memberi tahu Anda tentang apa yang saya lakukan’.”

Untuk pembeli perusahaan yang mengevaluasi alat AI, poin desain ini sangat penting. Ini adalah perbedaan antara sistem AI yang mengusulkan perubahan dan yang mengimplementasikannya — suatu perbedaan yang akan diawasi secara cermat oleh tim kepatuhan, petugas keamanan, dan manajer risiko.

Mengapa Fin Operator berjalan di atas Claude milik Anthropic dan bukan model AI perusahaan sendiri

Dalam rincian teknis yang menarik, Donohue mengonfirmasi bahwa Fin Operator tidak menggunakan model Apex milik perusahaan — model AI khusus yang juga mendukung agent Fin yang berhadapan dengan pelanggan dan dipromosikan sebagai yang mengungguli GPT-5.4 dan Claude Sonnet 4.6 dalam tolok ukur layanan pelanggan.

Alih-alih, Operator berjalan di atas Claude milik Anthropic.

“Kami tidak menggunakan model khusus kami,” kata Donohue. “Model tersebut dirancang untuk langsung menjawab pertanyaan pelanggan, sementara ini lebih dekat dengan apa yang paling sesuai untuk model perbatasan. Ini lebih mirip rekayasa perangkat lunak.”

Perbedaan ini menunjukkan. Model Apex Fin dioptimalkan untuk satu hal: menyelesaikan percakapan layanan pelanggan dengan sedikit kesalahan dan akurasi maksimum. Tugas Operator — menganalisis data, menulis konfigurasi yang mirip kode, dan memperbaiki rantai logika yang kompleks — membutuhkan jenis kecerdasan yang berbeda. Donohue menggambarkan kemampuan ini lebih mirip rekayasa perangkat lunak, bidang di mana model Claude milik Anthropic telah secara sengaja dioptimalkan.

Perusahaan tidak menutup kemungkinan untuk membangun model kustom untuk Operator di masa depan, namun Donohue menekankan bahwa itu bukan prioritas utama. Apa yang telah dibangun di sekitar Claude, ia argumentasikan, adalah lapisan pembeda: sistem proposal, kemampuan debugger, integrasi pencarian semantik, logika atribusi data, dan kemampuan grafik yang membuat Operator lebih dari sekadar “Claude di dalam aplikasi.”

Penguji beta awal mengatakan Fin Operator terasa seperti menambah lima orang dalam tim

Fin Operator saat ini berada dalam tahap beta dengan sekitar 200 pelanggan, sebuah angka yang menurut Donohue sudah “menaik dengan cepat dalam beberapa minggu terakhir.”

Constantina Samara, VP Layanan Pelanggan, Enablement & Trust di Synthesia, menyatakan bahwa alat ini sudah mengubah cara kerjanya: “Sebelumnya, meningkatkan bagaimana Fin menangani percakapan sering kali berarti meninjau semuanya sendiri — percakapan, konfigurasi, konten. Dengan Fin Operator, Anda hanya perlu bertanya. Ia membimbing Anda melalui apa yang terjadi dan membuat peningkatan Fin menjadi jauh lebih mudah.”

Jordan Thompson, Analis Percakapan AI di Raylo, melaporkan bahwa ia telah menggunakan Operator setiap hari dan telah melakukan perbandingan langsung antara analisis Operator dan pekerjaannya sendiri. “Ini sangat akurat,” kata Thompson. “Ini sekuat analisis tren tingkat tinggi seperti halnya dalam memperbaiki percakapan individual. Itu adalah keterbatasan nyata saat menggunakan konektor LLM sendirian — Anda mendapatkan kedalaman percakapan tetapi tidak ada laporan atau tren.”

Donohue juga membagikan anekdot internal dari tim manajemen pengetahuan perusahaan. Beth, yang memimpin operasi pengetahuan, mengatakan kepada tim produk bahwa Operator membuatnya merasa seperti memiliki “lima orang tambahan di tim saya.” Apakah testimonial internal memiliki bobot yang sama dengan validasi pelanggan eksternal adalah bahan diskusi, namun Donohue mengatakan bahwa kasus penggunaan manajemen pengetahuan secara konsisten menghasilkan reaksi yang paling mencolok karena penghematan waktu yang terasa sangat nyata — merangkum jam atau hari audit konten menjadi sekitar 10 menit.

Model harga baru menunjukkan bagaimana AI merubah ekonomi perangkat lunak perusahaan

Fin Operator akan berada di dalam tingkat tambahan Pro perusahaan — paket baru yang sudah mencakup fitur analitik canggih seperti penilaian CX, deteksi topik, deteksi masalah secara real-time, dan pemantauan jaminan kualitas untuk percakapan baik oleh AI maupun agen manusia.

Model harga ini memperkenalkan sesuatu yang baru bagi perusahaan: penagihan berdasarkan penggunaan. Intercom selama ini bergantung pada harga berbasis hasil — mengenakan biaya sekitar $0,99 per percakapan yang diselesaikan oleh Fin tanpa intervensi manusia. Pekerjaan Operator tidak sepenuhnya sesuai dengan model tersebut karena menghasilkan perubahan konfigurasi, bukan penyelesaian pelanggan.

“Ini telah mendorong kami ke model yang berbeda, untuk lebih mengarah ke model berbasis penggunaan untuk tim operasional dukungan,” jelas Donohue. “Kami akan berusaha bersikap murah hati dengan jumlah penggunaan yang masuk ke Pro, tetapi bagi mereka yang sangat berfokus, kami akan memiliki kemampuan untuk membeli lebih banyak blok penggunaan.”

Pergeseran ini patut diperhatikan. Harga berbasis hasil adalah salah satu posisi pasar yang paling khas bagi perusahaan — taruhan bahwa pelanggan akan membayar untuk hasil daripada kursi. Memperluas filosofi itu untuk pekerjaan operasional internal terbukti tidak praktis, yang menunjukkan bahwa seiring dengan AI agent mengambil lebih banyak peran beragam dalam organisasi, model harga yang mendukung mereka juga perlunya bervariasi.

Bagaimana Fin Operator bersaing di tengah kepadatan kompetisi di layanan pelanggan AI

Fin Operator hadir di tengah lanskap yang semakin kompetitif. Zendesk, Salesforce, Sierra, dan berbagai startup berbasis AI semua membangun beberapa versi alat operasional dukungan bertenaga AI. Pasar otomatisasi AI secara keseluruhan diperkirakan akan mencapai $169 miliar pada tahun 2026, menurut Grand View Research, tumbuh pada tingkat pertumbuhan tahunan komposit 31,4%.

Namun, Donohue berpendapat bahwa perbedaan Operator terletak di dua hal. Pertama, luas: Operator bekerja di seluruh area sistem konfigurasi perusahaan — data, konten, prosedur, simulasi, panduan, dan pemantauan — daripada hanya menangani satu kasus penggunaan yang sempit. Kedua, fakta bahwa ia mencakup operasi AI dan manusia.

“Yang paling penting, di mana saya pikir kami memiliki perbedaan terbesar adalah karena ini untuk sistem manusia dan sistem AI Anda,” kata Donohue. “Itu benar-benar salah satu ruang unik yang kami miliki — memiliki agent AI kelas satu dan help desk kelas satu, dan Operator bekerja di seluruh keduanya.”

Pemosisian kompetitif juga diuntungkan dari waktu. Rebranding perusahaan baru-baru ini dari Intercom ke Fin menandakan komitmen menyeluruh terhadap AI yang mungkin sulit ditandingi oleh pesaing lama. Seperti yang ditulis CEO McCabe dalam pengumuman perubahan nama, agent AI ini “akan menjadi bagian terbesar dari bisnis kami.” Produk help desk terus berlanjut sebagai Intercom 2, tetapi perusahaan kini membawa nama agent AI mereka — langkah branding yang mungkin diartikulasikan sebagai posisi sebelum IPO. Platform API Fin yang diluncurkan pada awal April menambah dimensi lain: perusahaan membuka model Apex milik mereka untuk pengembang pihak ketiga dan bahkan menawarkan untuk melisensikan teknologi tersebut ke pesaing langsung seperti Decagon dan Sierra.

Perubahan paradigma sebenarnya bukanlah antarmuka chat baru — tetapi agent yang melakukan pemikiran untuk Anda

Jika dilihat dari spesifik produk, Fin Operator mewakili sesuatu yang lebih signifikan daripada hanya alat dasbor atau analitik baru. Ini adalah salah satu produk komersial pertama yang secara eksplisit mewujudkan paradigma baru agent AI yang mengelola agent AI lainnya — sebuah abstraksi dua lapis yang mulai mengubah cara perusahaan memikirkan perangkat lunak operasional.

Donohue sangat menegaskan poin ini. Perubahan paradigma yang sebenarnya, kata dia, bukanlah antarmuka chat yang menggantikan tombol dan menu, tetapi fakta bahwa AI melakukan pekerjaan pengetahuan yang nyata — menemukan apa yang harus diubah, mengapa, dan bagaimana.

“Perubahan UX adalah sekunder, meski paling terlihat,” ujar Donohue. “Perubahannya adalah bahwa kita sedang menentukan dan melakukan pekerjaan operasional dukungan. Itu adalah pekerjaan manajer pengetahuan, sehingga mereka hanya perlu menyetujui hal itu. Itu adalah perubahan besar.”

Analogi dengan rekayasa perangkat lunak sangat tepat. Sepanjang tahun lalu, agent pengkodean AI telah secara fundamental mengubah alur kerja harian para pengembang, mengalihkan tanggung jawab utama mereka dari menulis kode menjadi meninjau dan membimbing AI yang menulisnya. Donohue melihat transformasi yang sama akan datang untuk para profesional operasional dukungan.

“Para insinyur perangkat lunak — tiga bulan telah mengubah dunia mereka, di mana pekerjaan utama mereka sekarang adalah mengelola agent yang sebenarnya menulis kode,” jelasnya. “Begitu juga, sekarang tugas operasional dukungan adalah mengelola agent yang mengelola agent untuk pelanggan Anda.”

Apakah visi ini dapat terwujud dalam skala perusahaan masih perlu dibuktikan. Perusahaan masih meluncurkan Operator dalam tahap beta tepat karena ingin terus menyempurnakan kualitas melalui apa yang dijelaskan Donohue sebagai proses debugging yang teliti, percakapan demi percakapan. “Kami telah menghabiskan tiga bulan, percakapan demi percakapan, belajar, memperbaiki, belajar, memperbaiki, untuk membuatnya menjadi kuat,” ujarnya.

Namun jika hasil awal ini konsisten, Fin Operator mungkin menjadi gambaran mengenai seperti apa generasi perangkat lunak perusahaan berikutnya: bukan alat yang membantu manusia bekerja lebih cepat, tetapi agent yang melakukan pekerjaan itu sendiri, dengan pengawasan dan persetujuan manusia. Bagi pemimpin layanan pelanggan yang sudah menjalankan AI agent di lapangan, pertanyaan tidak hanya akan terfokus pada “seberapa baik bot saya?” tetapi juga, “siapa yang mengelolanya?” Dan semakin jelas bahwa jawaban untuk itu adalah agent lain.