Announcing Fin Apex: The age of vertical models is here
Intercom объявляет о запуске Apex — новой собственной модели для агента поддержки Fin, обученной AI-группой из 60 человек под руководством Fergal Reid. По заявлению компании, Apex 1.0 объективно превосходит лучшие модели индустрии, включая GPT-5.4 и Opus 4.5, по качеству, скорости и стоимости для задач клиентского сервиса. С прошлой недели почти 100% англоязычных чатов и писем работают на Apex; Fin уже приносит около $100M регулярной выручки и решает почти 2M обращений в неделю. У одного крупного клиента из игровой сферы доля решённых обращений выросла за ночь с 68% до 75%. Автор утверждает, что победители в таких категориях станут full-stack AI-компаниями, и сравнивает происходящее с прогнозом Andrej Karpathy о «видообразовании» интеллектов: фронтир смещается от предобучения к специализированному пост-обучению на проприетарных evals. Классическая дизрупция (по Clay Christensen) уже стучится в дверь фронтир-лабораторий, и единственный выход для них — строить более дешёвые специализированные модели самим.
На прошлой неделе мы без лишнего шума выпустили самую значимую новую технологию в категории агентов клиентской поддержки с тех пор, как мы создали её три года назад.
В этом посте я поделюсь новостью об этом запуске, его последствиями для нашей категории, но самое важное, как мне кажется, — последствиями для всего ландшафта фронтир-лабораторий.
Новость
Fin уже был самым производительным и самым продвинутым агентом в сфере клиентской поддержки, стабильно обыгрывая наших впечатляющих конкурентов вроде Decagon, Sierra и других со средней долей побед в районе 70%. Он работает на колоссальном масштабе, решая сейчас почти 2M обращений клиентов в неделю — и это число растёт по экспоненте. За свою короткую жизнь он вырос почти до $100M регулярной выручки.
С прошлой недели около 100% всех (англоязычных, в чате и по email) разговоров с клиентами теперь работают на Apex. С самого первого дня движок Fin представлял собой систему моделей, а в прошлом году мы начали заменять готовые модели на наши собственные, обученные на наших проприетарных данных. Но основная отвечающая модель всегда была предложением фронтир-лабораторий — сначала версии GPT, а недавно Sonnet 4.0. Но теперь этой основной отвечающей моделью стала Apex 1.0.
Эта модель решает обращения клиентов на ощутимо более высоком уровне, чем любая другая доступная модель. У одного из наших крупнейших клиентов в игровой сфере доля решённых обращений выросла за ночь с 68% до 75% (то есть сокращение нерешённых разговоров на 22%). Мы никогда не видели такого большого скачка от одного-единственного улучшения с тех пор, как запустили Fin.
Но важно и то, что она к тому же значительно быстрее, реже галлюцинирует и гораздо дешевле всех других доступных моделей — и все эти факторы существенно влияют на решения компаний, разворачивающих таких агентов в своих сервисных операциях. Добиться этого крайне непросто. И этим прорывом мы обязаны фундаментальным исследованиям нашей AI-группы из 60 человек, которой руководит Fergal Reid. Но даже для элитных команд вроде его это нельзя повторить без специфичных для домена проприетарных evals, которые состоят из миллиардов точек данных о взаимодействиях людей и агентов в клиентской поддержке, созданных нашим движком решения Fin, уже вручную настроенным так, чтобы быть самым эффективным в категории. Обучение с такой системой превращает нашу конструкцию в маховик, благодаря которому мы можем продолжать обучать новые модели, улучшающиеся на пределе возможностей нашей системы. Иными словами, я ожидаю, что результаты, которыми мы наслаждаемся с Apex 1.0, — это лишь верхушка айсберга.
Что это значит для категории агентов клиентской поддержки
Сервис, пожалуй, является одной из всего лишь двух-трёх категорий, где генеративный AI на данный момент оказал ощутимое коммерческое, экономическое, реальное влияние. Другая — это программирование, и, возможно, ещё одна — юридическая индустрия. TAM в каждой из этих сфер невероятно огромен ($250B–$1T?), и в результате они яростно оспариваются множеством компаний, которые агрессивно капитализированы.
Мы считаем, что победители в таких сферах должны стать и станут full-stack AI-компаниями. И мы уже видели это буквально на прошлой неделе: Cursor сделал первый такой шаг, а Fin — второй. По мере того как фичи становятся почти бесплатными в разработке, технологическими факторами, которые будут отличать игроков, станет AI «под капотом», и если вы используете ту же универсальную готовую модель, что и все остальные, у вас нет устойчивой дифференциации.
Это означает, что нашим конкурентам действительно придётся в конце концов выпустить собственные модели. Но мы видим, что они только сейчас начинают нанимать таланты, необходимые для этого, и поэтому мы думаем, что у нас, вероятно, есть как минимум год форы в этой сфере.
Любопытно, что 2–3 года назад я представлял себе развитие AI-приложений совсем не так. Я думал, что точками дифференциации будут все те вещи, которые мы строили вокруг сторонних моделей. Игра в AI смирит вас, и без сомнения сделает хотя бы некоторые из моих прогнозов в этом посте в итоге тоже глупыми.
Что это значит для AI-индустрии в целом
В подкаст-интервью на прошлой неделе Andrej Karpathy сказал:
«Я действительно думаю, что нам стоит ожидать большего видообразования среди интеллектов. Животное царство чрезвычайно [разнообразно] по существующим мозгам. И в природе есть множество разных ниш… И я думаю, мы должны увидеть больше видообразования. И вам не нужен этот оракул, который знает всё. Вы как бы разделяете его на виды. А затем ставите его на конкретную задачу. И мы должны это увидеть, потому что можно иметь гораздо меньшие модели, которые всё равно обладают когнитивным ядром.»
У фронтир-лабораторий по-прежнему есть самые лучшие модели, но модели с открытыми весами отстают не так уж сильно. Так что нетрудно увидеть в предобучении своего рода товар широкого потребления. Мы думаем, что дальше фронтир сместится в пост-обучение. И прогноз Karpathy — это в точности то, что мы видим с Apex (и Composer 2 от Cursor) и что будем значительно наблюдать в дальнейшем.
Таким образом, лаборатории находятся в любопытном положении: с одной стороны, горизонтальные, универсальные модели фактически «переобслуживают» рынок для конкретных сценариев. Например, их модели в целом интеллектуальнее, чем нужно для клиентского сервиса. А с другой стороны, модели с открытыми весами более чем достаточно хороши, чтобы качественное пост-обучение под конкретный домен сделало получившиеся модели превосходящими в специальных задачах — и именно в тех аспектах, которые важны для конкретной работы. Например, в сервисе действительно важны «мягкие» факторы, такие как рассудительность, приятность, внимательность (а также упомянутые ранее «жёсткие» факторы, вроде способности эффективно решать проблемы — быстро и дёшево).
Лично я по-прежнему очень оптимистично настроен в отношении лабораторий. И мы остаёмся очень крупными клиентами Anthropic — как в рамках более широкой системы моделей, используемой для движка Fin, так и в глубине нашего использования Claude Code в нашей инженерной организации. И всё же классическая дизрупция (в духе покойного, великого Clay Christensen) теперь стучится в их дверь. Единственный выход — подорвать самих себя, тоже строя более дешёвые специализированные модели. А единственный способ это сделать — заполучить evals (или компании с evals), необходимые для конкретной задачи. Что означает, что появятся какие-то интересные партнёрства по данным, или M&A-консолидация, либо вы увидите неких гиперспециализированных провайдеров моделей, которые пойдут в одиночку и будут конкурировать с лабораториями лоб в лоб. Скорее всего, всё перечисленное сразу.
А пока мы рады быть единственным вендором в нашей сфере с кастомной моделью, которая к тому же объективно превосходит всё остальное, что есть на рынке. И мы рады разворачивать её повсюду на благо конечных клиентов по всему миру. Наш следующий анонс, который выйдет совсем скоро, поможет нам сделать именно это.