A Intercom está fazendo uma aposta incomum para uma empresa de software legado: construir seu próprio modelo de IA. A enorme plataforma de atendimento ao cliente de 15 anos anunciou o Fin Apex 1.0 na quinta-feira, um pequeno modelo de IA desenvolvido especificamente que a empresa afirma superar os principais modelos de fronteira da OpenAI e Anthropic nas métricas que mais importam para o suporte ao cliente. O modelo capacita o agente Fin AI existente da Intercom, que já lida com mais de dois milhões de conversas com clientes semanalmente. De acordo com benchmarks compartilhados com VentureBeat, Fin Apex 1.0 atinge uma taxa de resolução de 73,1% – a porcentagem de problemas de clientes totalmente resolvidos sem intervenção humana – em comparação com 71,1% para GPT-5.4 e Claude Opus 4.5 e 69,6% para Claude Sonnet 4.6. Essa margem de cerca de 2 pontos percentuais pode parecer modesta, mas é maior do que a diferença típica entre gerações sucessivas de modelos de fronteira. "Se você estiver executando grandes operações de serviços em escala e tiver 10 milhões de clientes ou um bilhão de dólares em receita, um delta de 2% ou 3% é uma quantidade realmente grande de clientes, interações e receitas," O CEO da Intercom, Eoghan McCabe, disse ao VentureBeat em uma entrevista por videochamada no início desta semana. O modelo também mostra melhorias significativas em velocidade e precisão. O Fin Apex fornece respostas em 3,7 segundos – 0,6 segundos mais rápido que o concorrente mais rápido – e demonstra uma redução de 65% nas alucinações em comparação com o Claude Sonnet 4.6. Talvez o mais impressionante para os compradores empresariais: custa cerca de um quinto do custo do uso direto de modelos de fronteira e está incluído nos programas existentes da Intercom. "por resultado"estrutura de preços baseada em clientes para seus planos de clientes existentes. Qual é o modelo básico? Isso importa? Mas há um problema. Quando solicitado a especificar em qual modelo básico o Apex foi construído – e o tamanho de seu parâmetro – a Intercom recusou. "Não estamos compartilhando o modelo básico que usamos para o Apex 1.0, por motivos competitivos e também porque planejamos trocar de modelo básico ao longo do tempo," um porta-voz da empresa disse ao VentureBeat. A empresa apenas confirmaria que o modelo é "no tamanho de centenas de bilhões de parâmetros." Fou comparação, o Llama 3.1 da Meta varia de 8 bilhões a 405 bilhões de parâmetros, e suspeita-se que modelos de fronteira maiores, como o GPT-5.4, estejam na casa dos trilhões. Se as afirmações de desempenho do Apex se sustentam nesse contexto – ou se os benchmarks refletem otimizações possíveis apenas em aplicações restritas e específicas de domínio – permanece uma questão em aberto. A Intercom diz que aprendeu com a reação que a startup de codificação de IA Cursor enfrentou quando os críticos acusaram o assistente de codificação de enterrar o fato de que seu modelo Composer 2 foi construído em modelos de pesos abertos ajustados, em vez de tecnologia proprietária. Mas a lição que a Intercom tirou pode não satisfazer os céticos: a empresa é transparente ao afirmar que usou uma base de pesos abertos, mas não qual um. "Somos muito transparentes por termos" usou um modelo de pesos abertos, disse o porta-voz. No entanto, recusar-se a nomear o modelo e ao mesmo tempo reivindicar transparência é uma contradição que provavelmente atrairá escrutínio – especialmente à medida que mais empresas apregoam "proprietário" IA que equivale a fundações de código aberto pós-treinadas. Pós-treinamento como a nova fronteira O argumento da Intercom é que o modelo básico simplesmente não importa mais. "O pré-treinamento é uma espécie de mercadoria agora," McCabe disse. "A fronteira, por assim dizer, está na verdade no pós-treinamento. O pós-treinamento é a parte difícil. Você precisa de dados proprietários. Você precisa de fontes proprietárias de verdade." A empresa pós-treinou a base escolhida usando anos de dados proprietários de atendimento ao cliente acumulados por meio do Fin, que agora resolve 2 milhões de consultas de clientes por semana. Esse processo envolveu mais do que apenas inserir transcrições em um modelo. A Intercom construiu sistemas de aprendizagem por reforço baseados em resultados reais de resolução, ensinando ao modelo como realmente é um atendimento ao cliente bem-sucedido – o tom apropriado, decisões de julgamento, estrutura de conversação e, de maneira crítica, como reconhecer quando um problema está realmente resolvido e quando um cliente ainda está frustrado. "Os modelos genéricos são treinados em dados genéricos na internet. Os modelos específicos são treinados em dados de domínio hiperespecíficos," McCabe explicou. "É lógico, portanto, que a inteligência dos modelos genéricos é genérica, e a inteligência dos modelos específicos é específica do domínio e, portanto, opera de uma forma muito superior para esse caso de uso." Se McCabe estiver certo ao dizer que a magia está inteiramente no pós-treinamento, a relutância em nomear a base torna-se mais difícil de justificar. Se a base for verdadeiramente intercambiável, que vantagem competitiva o sigilo protege? Uma aposta de US$ 100 milhões valendo a pena O anúncio ocorre no momento em que o primeiro pivô de IA da Intercom parece estar funcionando. Fin está se aproximando de US$ 100 milhões em receita recorrente anual e crescendo 3,5x, tornando-se o segmento de crescimento mais rápido do negócio ARR de US$ 400 milhões da empresa. Projeta-se que Fin represente metade da receita total da Intercom no início do próximo ano. Essa trajetória representa uma reviravolta notável. Quando o Fin foi lançado, sua taxa de resolução era de apenas 23%. Hoje, a média é de 67% entre os clientes, com algumas implantações de grandes empresas registrando taxas de até 75%. Para que isso acontecesse, a Intercom aumentou sua equipe de IA de cerca de 6 para 60 pesquisadores nos últimos três anos – um investimento significativo para uma empresa que McCabe admite ter sido "em um lugar muito ruim" antes de seu pivô de IA. A taxa média de crescimento das empresas públicas de software fica em torno de 11%;

À medida que os Large Language Models (LLMs) expandem suas janelas de contexto para processar documentos massivos e conversas complexas, eles se deparam

A OpenAI está fechando o Sora, seu aplicativo independente de geração de vídeo de IA e rede social, e a disponibilidade para os

Look, we've spent the last 18 months building production AI systems, and we'll tell you what keeps us up at night — and

Não muito tempo atrás, a ideia de ser um “generalista” no local de trabalho tinha uma reputação mista. O estereótipo era o “pau

A IA de voz está se movendo mais rápido do que as ferramentas que usamos para medi-la. Todos os principais laboratórios de IA

Os grandes modelos de linguagem estão a atingir limites em domínios que exigem uma compreensão do mundo físico – desde a robótica à

O futuro da IA ​​não é apenas agente; é uma personalização profunda. Em vez de simples sistemas de recomendação que correlacionam o comportamento

Nos últimos anos, a startup chinesa de IA MiniMax tornou-se uma das mais interessantes no concorrido mercado global de IA, conquistando uma reputação