Три урока от Intercom по созданию устойчивого преимущества в сфере ИИ30.07.2025 00:00

Когда в 2022 году появился ChatGPT, компания Intercom⁠ не стала просто наблюдать за новостями — она перешла к действиям. Всего через несколько часов после релиза GPT‑3.5 разработчики ПО для поддержки клиентов начали эксперименты, а спустя четыре месяца выпустили Fin — своего ИИ-агента, который сегодня обрабатывает миллионы клиентских запросов ежемесячно.

Этот ранний импульс не был случайностью. По мере стремительного развития больших языковых моделей (LLM) в Intercom осознали, что ИИ изменит сферу клиентского опыта. Руководство действовало оперативно: создало межфункциональную рабочую группу, отменило проекты, не связанные с ИИ, и выделило 100 млн долларов на перестройку бизнеса вокруг искусственного интеллекта.

Это решение повлекло за собой изменения во всей компании: реорганизацию продуктовых команд, новую стратегию службы поддержки, ориентированную в первую очередь на ИИ, и платформу, созданную для того, чтобы Fin справлялся с большими объемами и сложными запросами клиентов.

Ниже приведены три урока из опыта Intercom, которые может применить любая команда — независимо от того, с чего она начинает свой путь.

Intercom тестирует модели рано и часто, извлекая максимальный опыт из их работы.

Команда начала экспериментировать с генеративными моделями на раннем этапе, и этот практический опыт помог им выявить ограничения моделей и заметить новые возможности. Когда в начале 2023 года появилась модель GPT‑4, они были полностью готовы. Всего через четыре месяца они запустили Fin — и с тех пор не сбавляют темп.

«Мы смогли задействовать GPT‑3.5 для ведения плавных диалогов с проблесками магии, но она была еще недостаточно надежной, чтобы доверить ей наших клиентов, — говорит Джордан Нилл (Jordan Neill), старший вице-президент по разработке. — Поскольку мы уже проделали эту работу, с выходом GPT‑4 мы знали, что она готова, и выпустили Fin».

Та же беглость в работе с моделями помогла Intercom спроектировать Fin Tasks — систему, которая автоматизирует сложные рабочие процессы, такие как оформление возвратов и техническая поддержка. Хотя изначально команда планировала использовать стек на базе моделей для логического вывода (reasoning models), проведенные оценки показали, что GPT‑4.1 способна справиться с задачей самостоятельно — с высокой надежностью и меньшей задержкой.

Сегодня GPT‑4.1 обеспечивает работу растущей доли ИИ-инструментов Intercom, включая ключевую логику внутри Fin Tasks. Команда также обнаружила, что добавление промптинга с цепочкой рассуждений (chain-of-thought) к запросам для обычных моделей позволяет устранить отставание в производительности.

Вывод Intercom: чем лучше вы знаете свои модели, тем быстрее сможете адаптироваться по мере развития передовых технологий.

Чтобы двигаться быстро, нужно измерять то, что работает, и понимать почему.

Способность Intercom оперативно внедрять новые модели, модальности и архитектуры коренится в их строгом процессе оценки. Каждая новая модель OpenAI — будь то инструмент для Fin Voice на базе Realtime API или для Fin Tasks на базе GPT‑4.1 — перед развертыванием проходит структурированные автономные тесты и живые A/B-испытания на предмет следования инструкциям, точности вызова функций и общей согласованности.

Например, команда проводит бенчмаркинг моделей на основе стенограмм реальных обращений в поддержку, оценивая, насколько хорошо они справляются с многоступенчатыми инструкциями (например, возвратами средств), поддерживают фирменный стиль общения Fin и надежно выполняют вызовы функций. Эти результаты ложатся в основу живых A/B-тестов, которые сравнивают показатели решения проблем и удовлетворенности клиентов для таких моделей, как GPT‑4 и GPT‑4.1.

Этот подход помог Intercom перейти с GPT‑4 на GPT‑4.1 всего за несколько дней. Убедившись в улучшении обработки инструкций и выполнения функций, они развернули GPT‑4.1 во всех задачах Fin Tasks и сразу увидели рост производительности и удовлетворенности пользователей.

«Когда вышла GPT‑4.1, у нас были результаты оценки в течение 48 часов, а сразу после этого — план развертывания, — говорит Педро Табакоф (Pedro Tabacof), ведущий научный сотрудник по машинному обучению в Intercom. — Мы сразу увидели, что GPT‑4.1 обладает оптимальным сочетанием интеллекта и задержки для потребностей наших клиентов».

Для Fin Voice аналогичный процесс оценки помог Intercom протестировать новые версии голосовых моделей и выявить улучшения в задержке, выполнении функций и следовании сценарию — всё это критически важно для предоставления телефонной поддержки человеческого уровня.

Intercom расширила систему оценки, чтобы охватить дополнительные аспекты, которые привносит в общение голос. Они систематически оценивают Fin Voice по таким критериям, как индивидуальность, тон, реакция на перебивания и фоновый шум, чтобы гарантировать высокое качество взаимодействия с клиентами.

Intercom с самого первого дня заложила в основу готовность к изменениям, спроектировав архитектуру, достаточно гибкую для того, чтобы развиваться вместе с моделями, от которых она зависит.

Система Fin имеет модульную конструкцию и поддерживает различные модальности, такие как чат, электронная почта и голос, каждая из которых имеет свои компромиссы в отношении задержки и сложности. Такая архитектура позволяет Intercom направлять запросы к наиболее подходящей модели и заменять их без реинжиниринга базовой системы.

Эта гибкость является осознанной и постоянно совершенствуется. Архитектура Fin переживает уже третью крупную итерацию, а следующая находится в разработке. По мере совершенствования моделей команда добавляет сложность там, где это необходимо для реализации новых возможностей, и упрощает систему везде, где это возможно.

Эта адаптивность оказалась критически важной для Fin Tasks. Изначально команда предполагала, что для поддержки Fin Tasks им понадобятся модели с возможностью логического вывода (reasoning models), которые позволяют Fin решать сложные запросы клиентов и выполнять многоэтапные процессы, такие как возврат средств, изменение данных аккаунта или техническое устранение неполадок.

Но в ходе тестирования возможности GPT‑4.1 по следованию инструкциям превзошли все ожидания, обеспечив такую же надежность при меньшей задержке и стоимости.

«Честно говоря, мне кажется, что о GPT‑4.1 говорят недостаточно, — отмечает Пратик Ботра (Pratik Bothra), ведущий инженер по машинному обучению в Intercom. — Мы были искренне удивлены показателями задержки и стоимости. Это позволяет нам менять архитектуру и избавляться от лишней сложности».

Команда только начинает свой путь. Работая на базе передовых моделей и опираясь на модульную, независимую от конкретных моделей архитектуру, Intercom выходит за рамки службы поддержки, автоматизируя рабочие процессы по всему бизнесу и обеспечивая более быстрое решение проблем и высокое качество обслуживания:

• Команды поддержки: решают большинство входящих запросов в чатах, электронной почте, голосовых каналах и других источниках с помощью ИИ-агента Fin.
• Операционные команды: автоматизируют сложные рабочие процессы, такие как возвраты средств, изменение данных аккаунта и обновление подписок с помощью Fin Tasks.
• Продуктовые команды: используя сервер MCP от Intercom, ИИ-инструменты вроде ChatGPT получают доступ к беседам с клиентами, тикетам и пользовательским данным, помогая сотрудникам по всему бизнесу находить баги, формировать дорожные карты, дорабатывать коммуникацию и готовиться к ежеквартальным бизнес-ревью (QBR).

Компания Intercom создала масштабируемую ИИ-платформу, уделяя особое внимание строгой оценке, опоре на реальные показатели и гибкости дизайна. Это позволило им переосмыслить подход к поддержке клиентов и сформулировать ценные уроки для любой компании, создающей продукты на базе ИИ.

Хотите узнать больше о ChatGPT для бизнеса?