Intercom sedang mengambil langkah berani yang tidak biasa untuk perusahaan perangkat lunak tradisional: membangun model AI-nya sendiri.
Platform layanan pelanggan yang sudah beroperasi selama 15 tahun ini mengumumkan Fin Apex 1.0 pada hari Kamis, sebuah model AI kecil yang dirancang khusus yang diklaim Intercom dapat mengungguli model-model terkemuka dari OpenAI dan Anthropic dalam metrik yang paling penting untuk dukungan pelanggan.
Model ini menjadi penggerak bagi agen AI Fin yang sudah ada, yang saat ini menangani lebih dari dua juta percakapan pelanggan setiap minggu.
Menurut tolok ukur yang dibagikan kepada VentureBeat, Fin Apex 1.0 mencapai tingkat penyelesaian sebesar 73,1%, yakni persentase masalah pelanggan yang sepenuhnya teratasi tanpa intervensi manusia—dibandingkan dengan 71,1% untuk GPT-5.4 dan Claude Opus 4.5 serta 69,6% untuk Claude Sonnet 4.6. Selisih sekitar 2 persentase poin ini mungkin terdengar kecil, tetapi sebenarnya lebih besar dibandingkan dengan jarak rata-rata antara generasi model yang bersaing.
CEO Intercom, Eoghan McCabe, menjelaskan dalam wawancara video bahwa “Jika Anda menjalankan operasi layanan besar dengan skala yang besar dan memiliki 10 juta pelanggan atau pendapatan satu miliar dolar, selisih 2% atau 3% bisa berarti banyak pelanggan dan interaksi serta pendapatan.”
Model ini juga menunjukkan peningkatan signifikan dalam kecepatan dan akurasi. Fin Apex memberikan respons dalam waktu 3,7 detik—0,6 detik lebih cepat dibandingkan pesaing terdekatnya—dan menunjukkan pengurangan 65% dalam kesalahan semu dibandingkan dengan Claude Sonnet 4.6.
Mungkin yang paling menarik bagi pembeli perusahaan: model ini beroperasi dengan biaya sekitar sepertiga dari penggunaan model-model terkemuka secara langsung, dan sudah termasuk dalam struktur harga berbasis “per hasil” dari rencana pelanggan Intercom yang sudah ada.
Model dasar itu apa? Apakah itu penting?
Tetapi ada satu hal yang perlu dicatat. Ketika diminta untuk menyebutkan model dasar yang digunakan Apex dan ukuran parameternya, Intercom menolak.
Seorang juru bicara perusahaan mengatakan, “Kami tidak berbagi model dasar yang kami gunakan untuk Apex 1.0—untuk alasan kompetitif dan juga karena kami berencana untuk mengubah model dasar seiring waktu.” Perusahaan hanya mengonfirmasi bahwa model tersebut “memiliki ukuran ratusan miliar parameter.”
Untuk perbandingan, model Meta, Llama 3.1, memiliki kisaran antara 8 miliar hingga 405 miliar parameter, sedangkan model-model terkemuka lainnya seperti GPT-5.4 diperkirakan memiliki triliunan parameter.
Apakah klaim kinerja Apex dapat bertahan dalam konteks ini—atau apakah tolok ukur tersebut mencerminkan optimasi yang hanya mungkin dalam aplikasi domain tertentu—masih menjadi pertanyaan terbuka.
Intercom mengaku telah belajar dari reaksi negatif yang dihadapi startup pengodean AI, Cursor, ketika kritikus menuduh asisten pengodean tersebut menyembunyikan fakta bahwa model Composer 2-nya dibangun di atas model berbasis bobot terbuka yang disesuaikan dan bukan teknologi milik. Tapi pelajaran yang diambil Intercom mungkin tidak memuaskan skeptis: perusahaan ini transparan bahwa mereka menggunakan model berbasis bobot terbuka, hanya saja tidak menyebutkan model mana yang digunakan.
“Kami sangat transparan bahwa kami telah” menggunakan model berbasis bobot terbuka, kata juru bicara tersebut. Namun, menolak untuk menyebutkan model tersebut sambil mengklaim transparansi adalah kontradiksi yang kemungkinan akan menarik perhatian, terutama saat lebih banyak perusahaan mengklaim “AI milik” yang sebenarnya berasal dari dasar terbuka yang dilatih lebih lanjut.
Pascapelatihan sebagai frontier baru
Argumen Intercom adalah bahwa model dasar sebenarnya tidak terlalu penting lagi.
“Pelatihan awal kini menjadi komoditas,” kata McCabe. “Frontier, jika Anda mau, sebenarnya ada di pascapelatihan. Pascapelatihan adalah bagian yang sulit. Anda membutuhkan data milik sendiri. Anda memerlukan sumber kebenaran milik sendiri.”
Perusahaan ini melakukan pascapelatihan pada fondasi yang dipilihnya dengan menggunakan data layanan pelanggan milik sendiri yang terkumpul selama bertahun-tahun melalui Fin, yang sekarang menyelesaikan 2 juta pertanyaan pelanggan setiap minggu. Proses ini melibatkan lebih dari sekadar memasukkan transkrip ke dalam model. Intercom membangun sistem pembelajaran penguatan yang berbasis pada hasil resolusi nyata, mengajarkan model tentang apa itu layanan pelanggan yang sukses—tone yang tepat, keputusan yang bijaksana, struktur percakapan, dan yang paling penting, bagaimana mengenali kapan suatu masalah benar-benar teratasi dibandingkan ketika pelanggan masih merasa kesal.
“Model generik dilatih menggunakan data generik dari internet. Model spesifik dilatih menggunakan data domain yang sangat spesifik,” jelas McCabe. “Oleh karena itu, masuk akal bahwa kecerdasan model generik bersifat generik, dan kecerdasan model spesifik bersifat domain-spesifik dan dengan demikian beroperasi dengan cara yang jauh lebih superior untuk kasus penggunaan tersebut.”
Jika McCabe benar bahwa keajaiban ada di pascapelatihan, keengganan untuk menyebutkan dasar model tersebut semakin sulit untuk dibenarkan. Jika fondasinya benar-benar dapat dipertukarkan, keuntungan kompetitif apa yang dapat dilindungi dengan kerahasiaan?
Taruhan 100 juta dolar yang membuahkan hasil
Pengumuman ini muncul saat peralihan Intercom ke AI terlihat mulai berhasil. Fin mendekati 100 juta dolar dalam pendapatan tahunan yang berulang dan tumbuh pesat dengan laju 3,5x, menjadikannya segmen dengan pertumbuhan tercepat dalam bisnis Intercom yang bernilai 400 juta dolar. Fin diproyeksikan akan mewakili setengah dari total pendapatan Intercom pada awal tahun depan.
Trajectory ini adalah sebuah pembalikan yang luar biasa. Saat Fin diluncurkan, tingkat resolusinya hanya 23%. Hari ini, rata-rata mencapai 67% di seluruh pelanggan, dengan beberapa penerapan perusahaan besar mencatat tingkat setinggi 75%.
Untuk membuat ini terjadi, Intercom memperbesar tim AI-nya dari sekitar 6 peneliti menjadi 60 dalam tiga tahun terakhir—sebuah investasi signifikan untuk perusahaan yang diakui McCabe berada dalam “kondisi yang sangat buruk” sebelum peralihan ke AI. Rata-rata tingkat pertumbuhan untuk perusahaan perangkat lunak publik sekitar 11%; Intercom berharap mencapai pertumbuhan 37% tahun ini.
“Kami adalah yang pertama di kategori ini yang melatih model kami sendiri,” kata McCabe. “Tidak ada yang lain yang akan memiliki ini selama setahun atau lebih.”
Spesiasi dan spesialisasi AI
Teori McCabe sejalan dengan tren yang lebih luas yang baru-baru ini dijelaskan oleh Andrej Karpathy, mantan pemimpin AI di Tesla dan OpenAI, sebagai “spesiasi” model-model AI—proliferasi sistem-sistem khusus yang dioptimalkan untuk tugas-tugas sempit ketimbang kecerdasan umum.
Layanan pelanggan, argumen McCabe, sangat cocok untuk pendekatan ini. Ini adalah salah satu dari hanya dua atau tiga kasus penggunaan AI perusahaan yang telah menemukan daya tarik ekonomi yang nyata hingga saat ini, selain asisten pengodean dan mungkin AI hukum. Ini telah menarik lebih dari satu miliar dolar dalam pendanaan ventura untuk pesaing seperti Decagon dan Sierra—dan menjadikan ruang ini, dalam kata-kata McCabe, “sangat kompetitif.”
Pertanyaannya adalah apakah model spesifik domain benar-benar mewakili keunggulan yang tahan lama atau hanya arbitrase sementara yang nantinya akan ditutup oleh laboratorium terdepan. McCabe percaya laboratorium menghadapi batasan struktural.
“Mungkin masa depan adalah Anthropic memiliki banyak penawaran model khusus yang berbeda. Mungkin itu yang akan terlihat,” ujarnya. “Namun kenyataannya adalah, saya rasa model generik tidak akan dapat bersaing dengan model spesifik domain saat ini.”
Lebih dari sekadar efisiensi, menuju pengalaman
Adopsi AI di kalangan perusahaan awalnya sangat fokus pada reduksi biaya—menggantikan agen manusia yang mahal dengan yang otomatis dan lebih murah. Namun McCabe melihat pembicaraan beralih pada kualitas pengalaman.
“Awalnya seperti, ‘Wow, kami benar-benar bisa melakukan ini dengan biaya jauh lebih murah.’ Dan sekarang mereka berpikir, ‘Tunggu, tidak, kami bisa memberikan pengalaman yang jauh lebih baik kepada pelanggan,'” ujarnya.
Visi ini melampaui penyelesaian pertanyaan yang sederhana. McCabe membayangkan agen AI yang berfungsi sebagai konsultan—bot pengecer sepatu yang tidak hanya menjawab pertanyaan pengiriman tetapi juga menawarkan saran gaya dan menunjukkan kepada pelanggan bagaimana berbagai opsi mungkin tampak pada mereka.
“Layanan pelanggan selalu buruk,” kata McCabe dengan tegas. “Bahkan merek-merek terbaik sekalipun, Anda harus menunggu untuk panggilan, Anda dialihkan ke berbagai departemen. Ada peluang sekarang untuk memberikan pengalaman pelanggan yang benar-benar sempurna.”
Harga dan ketersediaan
Bagi pelanggan Fin yang sudah ada, peningkatan ke Apex tidak memerlukan biaya tambahan. Intercom mengonfirmasi bahwa harga pelanggan tetap tidak berubah—pengguna terus membayar per hasil seperti sebelumnya, yaitu 0,99 dolar per interaksi yang teratasi, dan otomatis mendapatkan keuntungan dari model baru ini.
Apex tidak tersedia sebagai model mandiri atau melalui API eksternal. Model ini hanya dapat diakses melalui Fin, artinya bisnis tidak dapat melisensikan model tersebut secara independen atau mengintegrasikannya ke dalam produk mereka sendiri. Pembatasan ini mungkin membatasi kemampuan Intercom untuk menghasilkan uang dari model ini di luar basis pelanggan yang ada—tetapi juga menjaga teknologi tetap milik secara praktis, terlepas dari apa pun model dasar yang digunakan.
Apa langkah selanjutnya?
Intercom berencana untuk memperluas Fin ke area penjualan dan pemasaran—memposisikannya sebagai pesaing langsung visi Agentforce dari Salesforce, yang bertujuan menyediakan agen AI di seluruh siklus hidup pelanggan.
Bagi industri SaaS yang lebih luas, langkah Intercom mengangkat pertanyaan yang tidak nyaman. Jika perusahaan layanan pelanggan berusia 15 tahun dapat membangun model yang mengungguli OpenAI dan Anthropic di domainnya, apa artinya untuk vendor-vendor yang masih bergantung pada panggilan API generik? Dan jika “pascapelatihan adalah frontier baru,” seperti yang ditekankan McCabe, apakah perusahaan-perusahaan yang mengklaim terobosan akan menghadapi tekanan untuk menunjukkan hasil kerja mereka—atau terus bersembunyi di balik kerahasiaan kompetitif sambil mengklaim transparansi?
Jawaban McCabe untuk pertanyaan pertama, yang diungkapkannya dalam sebuah posting LinkedIn baru-baru ini, cukup jelas: “Jika Anda tidak dapat menjadi perusahaan agen, bisnis aplikasi CRUD Anda memiliki masa depan yang semakin menipis.”
Jawaban untuk yang kedua masih harus dilihat.
