Intercom, теперь называющаяся Fin, запускает ИИ-агента, единственная задача которого — управлять другим ИИ-агентом
Компания, ранее известная как Intercom, только что сделала то, чего до сих пор не пыталась сделать в больших масштабах ни одна крупная платформа клиентского сервиса: она создала ИИ-агента, единственная задача которого — управлять другим ИИ-агентом.
Fin Operator, представленный в четверг на мероприятии в Сан-Франциско, — это новая система на базе искусственного интеллекта, разработанная специально для бэк-офисных команд, которые настраивают, отслеживают и улучшают Fin — ИИ-агента компании, работающего с клиентами. Вместо того чтобы заменять людей-операторов службы поддержки (чем занимается сам Fin на передовой), Operator нацелен на растущую армию специалистов по поддержке, которые проводят дни за обновлением баз знаний, отладкой сбоев в диалогах и анализом дашбордов производительности.
«Fin — это агент для ваших клиентов, — рассказал Брайан Донохью (Brian Donohue), вице-президент по продукту компании, в эксклюзивном интервью VentureBeat накануне запуска. — Operator — это агент для вашей операционной команды поддержки. Это агент для бэк-офиса, который управляет Fin, а затем управляет человеческими операторами».
Анонс состоялся в поворотный момент для компании. Всего два дня назад генеральный директор Оуэн МакКейб (Eoghan McCabe) официально переименовал 15-летнюю компанию из Intercom в Fin, послав четкий сигнал о том, что ИИ-агент теперь и есть сам бизнес, а не просто его функция. Недавно показатель регулярного годового дохода (ARR) Fin преодолел отметку в 100 миллионов долларов при росте в 3,5 раза. Компания в целом генерирует 400 миллионов долларов ARR, что означает, что на долю ИИ-агента теперь приходится примерно четверть общей выручки и практически весь ее рост.
Fin Operator становится доступен по программе раннего доступа для пользователей тарифа Pro начиная с сегодняшнего дня, а полноценный релиз запланирован на лето 2026 года.
Невидимый кризис за каждым внедрением ИИ в клиентский сервис
Поскольку компании заставляют своих ИИ-агентов обрабатывать все больше диалогов — один только Fin в настоящее время разрешает более двух миллионов клиентских запросов еженедельно для 8 000 клиентов по всему миру, включая Anthropic, DoorDash и Mercury — операционная сложность этих систем колоссально выросла. Кто-то должен поддерживать базу знаний в актуальном состоянии. Кто-то должен выяснить, почему бот вошел в бесконечный цикл с расстроенным клиентом в прошлый вторник. Кто-то должен проанализировать, не упал ли уровень автоматизации после обновления продукта.
Этим «кем-то» является операционная команда поддержки, и, по словам Донохью, они тонут в рутине.
«Почти каждая команда операционной поддержки уже занимается анализом данных и управлением знаниями — сегодня это базовое требование, — сказал Донохью. — С чем команды действительно борются, так это с созданием агентов. Это новый набор навыков, и у большинства на это не хватает времени. Они создают первую итерацию, запускают ее, а затем застревают».
Проблема носит структурный характер. ИИ-агенты для работы с клиентами — это не статического характера программное обеспечение. Они требуют постоянной настройки — процесс, который больше похож на обучение нового сотрудника, чем на настройку SaaS-инструмента. Каждый диалог с клиентом является потенциальным источником сбоя, и каждый сбой требует диагностики, анализа первопричин, исправления конфигурации, тестирования и мониторинга. Это утомительно, технически сложно и непрерывно. Fin Operator призван сократить весь этот цикл до простого диалогового интерфейса.
Как одна ИИ-система выступает в роли дата-аналитика, менеджера знаний и отладчика одновременно
Донохью описал Operator как систему, выполняющую три различные роли, которые обычно поглощают ресурсы команд операционной поддержки: эксперта по анализу данных, эксперта по управлению знаниями и эксперта по созданию агентов.
В качестве дата-аналитика Operator может отвечать на сложные вопросы вроде: «Как моя команда отработала на прошлой неделе?» — и генерировать графики на лету, трендовые отчеты и детализированную аналитику по всем данным, уже хранящимся на платформе Intercom. Компания наделила Operator контекстными знаниями о специфичных для клиентов атрибутах данных, чтобы помочь ему точно интерпретировать метрики конкретного рабочего пространства.
В качестве менеджера знаний Operator может обработать обновление продукта (например, трехстраничный PDF-файл с описанием новой функции) и автономно изучить всю библиотеку контента компании, чтобы определить, что именно требует изменений. Он находит пробелы, создает черновики новых статей, предлагает правки в существующие и представляет все это в интерфейсе обзора в стиле diff (сравнения изменений). Лежащая в основе поисковая система представляет собой ту же систему семантического поиска, которую Intercom разрабатывал и оптимизировал для Fin на протяжении более двух лет.
«В плане управления знаниями происходит колоссальное сжатие времени: то, что заняло бы, безусловно, часы, а иногда и дни, сокращается примерно до 10 минут», — отметил Донохью.
В качестве создателя агентов Operator представляет то, что компания называет «навыком отладки» (debugger skill). Команды поддержки могут вставить ссылку на диалог, в котором Fin повел себя некорректно, и Operator проследит каждый шаг внутренней логики Fin, определит первопричину (часто это инструкция, которая непреднамеренно создает цикл), предложит исправление, проведет ретроспективное тестирование изменения на основе оригинального разговора, а затем предложит создать рабочий монитор для отслеживания подобных проблем в будущем.
«Это буквально то, чем занимается наша команда профессиональных услуг, — пояснил Донохью. — Вы написали инструкцию, которая непреднамеренно заставляет Fin повторяться — такое случается часто. Вы этого не осознавали, но никогда не предусмотрели для него выход».
Предохранительная сетка «пулл-реквестов», сохраняющая контроль людей над изменениями ИИ
Одно из самых судьбоносных проектных решений в Fin Operator — это то, что компания называет «системой предложений» (proposal system), механизмом, который работает подобно pull request (запросу на слияние) в разработке программного обеспечения.
Каждое изменение, рекомендуемое Operator — будь то правка справочной статьи, переписывание правила подсказки ИИ или создание нового монитора контроля качества (QA), — отображается в виде предложения с полным представлением различий (diff view). Пользователи могут изучить, отредактировать и одобрить каждое изменение до того, как оно вступит в силу. Ничего не запускается в продакшн без нажатия человеком кнопки «Применить».
«Прямо сейчас мы не берем на себя никаких рисков — Fin не может вносить какие-либо изменения в систему без одобрения человека, — подчеркнул Донохью. — Ничего не отправляется в работу, пока человек не нажмет кнопку применения».
Это примечательный архитектурный выбор. На рынке, все более очарованном полностью автономными ИИ-системами, компания сознательно сохраняет механизм человеческого одобрения — по крайней мере, на данный момент. Донохью признал, что это будет развиваться, но отметил, что текущий момент требует осторожности: «Слишком большой шаг — просто позволить Operator вносить изменения автоматически, а затем сказать команде: «Эй, позвольте мне рассказать вам, что я сделал»».
Для корпоративных покупателей, оценивающих ИИ-инструменты, этот конструктивный момент имеет значение. Это разница между ИИ-системой, которая предлагает изменения, и системой, которая их реализует — различие, которое группы по обеспечению соответствия требованиям, специалисты по безопасности и риск-менеджеры будут изучать под микроскопом.
Почему Fin Operator работает на Claude от Anthropic, а не на собственных ИИ-моделях компании
В показательной технической детали Донохью подтвердил, что Fin Operator не использует собственные модели Apex компании — те самые кастомные модели ИИ, которые лежат в основе клиентского агента Fin и которые компания рекламировала как превосходящие GPT-5.4 и Claude Sonnet 4.6 в бенчмарках клиентского сервиса.
Вместо этого Operator работает на Claude от Anthropic.
«Мы не используем наши собственные модели, — сказал Донохью. — Они созданы для того, чтобы напрямую отвечать на вопросы клиентов, в то время как эти задачи ближе к тому, для чего лучше всего подходят передовые модели. Это действительно ближе к разработке программного обеспечения».
Это различие говорит о многом. Модели Apex от Fin оптимизированы для одной цели: решение вопросов службы поддержки с минимальным количеством галлюцинаций и максимальной точностью. Задачи Operator — анализ данных, написание конфигураций, похожих на код, отладка сложных цепочек рассуждений — требуют другого рода интеллекта. Донохью охарактеризовал эти возможности как более близкие к разработке программного обеспечения, области, в которой модели Claude от Anthropic были целенаправленно оптимизированы.
Компания не исключает создания собственных моделей для Operator в будущем, но Донохью охарактеризовал это как приоритет более низкого уровня. То, что команда создала вокруг Claude, по его словам, является дифференцированным слоем: системой предложений, навыком отладки, интеграцией семантического поиска, логикой атрибуции данных и возможностями построения графиков, которые делают Operator чем-то большим, чем просто «Claude внутри приложения».
Ранние бета-тестеры говорят, что Fin Operator ощущается как добавление пяти человек в команду
Fin Operator в настоящее время находится в стадии бета-тестирования примерно с 200 клиентами, число которых, по словам Донохью, «весьма быстро увеличилось за последние пару недель».
Константина Самара (Constantina Samara), вице-президент по поддержке клиентов, внедрению и доверию в Synthesia, рассказала, что инструмент уже изменил то, как работает ее команда: «Раньше улучшение того, как Fin обрабатывает диалог, часто означало самостоятельный просмотр всего подряд: разговора, конфигурации, контента. С Fin Operator вы просто спрашиваете. Он проводит вас через то, что произошло, и делает улучшение Fin невероятно простым».
Джордан Томпсон (Jordan Thompson), аналитик разговорного ИИ в Raylo, сообщил, что пользуется Operator ежедневно и проводил прямые сравнения между анализом Operator и своей собственной ручной работой. «Это очень точно, — сказал Томпсон. — Он так же силен в анализе трендов высокого уровня, как и в отладке отдельных диалогов. Это реальное ограничение при использовании коннектора LLM самого по себе — вы получаете глубину беседы, но ничего по части отчетности или трендов».
Донохью также поделился внутренней историей из команды управления знаниями самой компании. Бет, возглавляющая операции с базами знаний, сказала продуктовой команде, что благодаря Operator она почувствовала, будто у нее «в команде появилось еще пять человек». Спорно ли то, имеют ли внутренние отзывы такой же вес, как внешняя валидация клиентами, но Донохью отметил, что кейс управления знаниями стабильно вызывает самые бурные эмоции, потому что экономия времени разительна — часы или дни аудита контента сокращаются примерно до 10 минут.
Новая модель ценообразования сигнализирует о том, как ИИ меняет экономику корпоративного ПО
Fin Operator будет жить внутри дополнения Pro — относительно нового бандла, который уже включает расширенные функции аналитики, такие как оценка CX, обнаружение тем, выявление проблем в реальном времени и мониторинг качества как ИИ, так и человеческих агентов поддержки.
Модель ценообразования представляет нечто новое для компании: биллинг на основе использования. Исторически Intercom полагался на ценообразование на основе результатов — взимая примерно 0,99 доллара за каждый диалог, который Fin решает без вмешательства человека. Работа Operator не укладывается четко в эту модель, поскольку он создает изменения конфигурации, а не решения для клиентов.
«Это подтолкнуло нас к другой модели, к переходу на модель использования для команд операционной поддержки, — сказал Донохью. — Мы постараемся быть щедрыми с объемами использования, включенными в Pro, но для людей, которые активно используют инструмент, у нас будет возможность докупать блоки использования».
За этим изменением стоит понаблюдать. Ценообразование на основе результатов было одной из самых отличительных рыночных позиций компании — ставка на то, что клиенты платят за результаты, а не за рабочие места. Расширение этой философии на внутренние операционные задачи оказалось непрактичным, что говорит о том, что по мере того, как ИИ-агенты берут на себя более разнообразные роли внутри организации, поддерживающие их модели ценообразования должны будут стать столь же разнообразными.
Как Fin Operator выглядит на фоне переполненного рынка конкурентов в сфере ИИ-поддержки
Fin Operator выходит на все более конкурентный рынок. Zendesk, Salesforce, Sierra и созвездие ИИ-нативных стартапов — все они создают ту или иную версию инструментов операционной поддержки на базе искусственного интеллекта. По данным Grand View Research, общий рынок ИИ-автоматизации, как прогнозируется, достигнет 169 миллиардов долларов в 2026 году, увеличиваясь совокупными темпами на 31,4% ежегодно.
Но Донохью утверждал, что дифференциация Operator заключается в двух областях. Во-первых, это широта охвата: Operator работает во всей плоскости системы конфигурации компании — данных, контента, процедур, симуляций, инструкций и мониторинга, — а не решает одну узкую задачу. Во-вторых, тот факт, что он охватывает как ИИ, так и человеческие операции.
«Что наиболее критично, где я вижу наибольшую дифференциацию, так это в том, что он предназначен как для вашей человеческой системы, так и для вашей ИИ-системы, — сказал Донохью. — Это действительно одно из уникальных пространств, которыми мы обладаем: иметь первоклассного ИИ-агента и первоклассную службу поддержки, и Operator работает во всех этих направлениях».
Конкурентное позиционирование также выигрывает за счет выбора времени. Недавний ребрендинг компании из Intercom в Fin сигнализирует о всеобщей приверженности искусственному интеллекту, с которой традиционным игрокам может быть трудно конкурировать. Как написал генеральный директор МакКейб, объявляя о смене названия, ИИ-агент «вот станет крупнейшей частью нашего бизнеса». Продукт службы поддержки продолжает существовать как Intercom 2, но материнская компания теперь носит имя своего ИИ-агента — шаг в брендинге, который некоторые наблюдатели отрасли интерпретировали как подготовку к IPO. Платформа API Fin, запущенная в начале апреля, добавляет еще одно измерение: компания открыла свои проприетарные модели Apex сторонним разработчикам и даже предложила лицензировать технологию прямым конкурентам, таким как Decagon и Sierra.
Настоящая смена парадигмы — это не новый чат-интерфейс, а агент, который думает за вас
Если отойти от специфики продукта, Fin Operator представляет собой нечто потенциально более значительное, чем новая панель управления или инструмент аналитики. Это один из первых коммерческих продуктов, явно воплощающий зарождающуюся парадигму ИИ-агентов, которые управляют другими ИИ-агентами — двухуровневую абстракцию, которая начинает менять то, как компании думают об операционном программном обеспечении.
Донохью был категоричен в этом вопросе. Настоящая смена парадигмы, утверждал он, заключается не в том, что чат-интерфейс заменяет кнопки и меню. Дело в том, что ИИ выполняет настоящую интеллектуальную работу — выясняя, что должно измениться, почему и как.
«Изменение пользовательского интерфейса второстепенно, даже если оно наиболее заметно, — сказал Донохью. — Изменение заключается в том, что мы определяем и выполняем работу по поддержке операций. Он выполняет работу менеджера знаний, так что им остается только утвердить это. Вот в чем огромный сдвиг».
Аналогия с разработкой программного обеспечения здесь как нельзя кстати. За последний год ИИ-агенты для написания кода коренным образом изменили ежедневный рабочий процесс разработчиков, сместив их основную обязанность с написания кода на рецензирование и направление ИИ, который его пишет. Донохью видит аналогичную трансформацию, приближающуюся для профессионалов в области поддержки операций.
«Жизнь разработчиков перевернулась за три месяца, и теперь их главная работа — управлять агентами, которые фактически пишут код, — сказал он. — Точно так же теперь ваша работа в поддержке — управлять агентом, который управляет агентом для ваших клиентов».
Оправдается ли это видение в масштабах предприятия, еще предстоит выяснить. Компания все еще запускает Operator в бета-тестировании именно потому, что хочет продолжать дорабатывать качество посредством того, что Донохью описал как кропотливый процесс отладки диалог за диалогом. «Мы потратили три месяца, диалог за диалогом, на обучение, исправление, обучение, исправление, чтобы довести его до надежного состояния», — сказал он.
Но если первые результаты оправдаются, Fin Operator может стать предвестником того, как выглядит следующее поколение корпоративного ПО: не инструменты, которые помогают людям работать быстрее, а агенты, которые делают работу сами, подчиняясь человеческому суждению и одобрению. Для руководителей клиентского сервиса, уже использующих ИИ-агентов в продакшне, вопрос больше не сводится просто к «насколько хорош мой бот?». Теперь он неизбежно звучит так: «кто им управляет?». И все чаще ответом является другой бот.
