A Intercom, uma empresa consolidada de software com 15 anos de mercado, está fazendo uma aposta ousada: desenvolver seu próprio modelo de Inteligência Artificial (IA). A plataforma, conhecida por seu vasto alcance no serviço de atendimento ao cliente, anunciou na última quinta-feira o lançamento do Fin Apex 1.0. Este é um modelo de IA compacto e especializado que, segundo a companhia, supera as principais soluções de grandes nomes como OpenAI e Anthropic nas métricas mais cruciais para o suporte ao cliente. O Fin Apex 1.0 já está impulsionando o agente de IA Fin da Intercom, que atualmente gerencia mais de dois milhões de conversas com clientes por semana. Essa movimentação da Intercom destaca a crescente tendência de modelos de IA especializados, capazes de superar soluções genéricas em domínios específicos, e levanta questões importantes sobre a nova fronteira da inovação em IA.

Fin Apex 1.0: Desempenho Superior em Resolução de Problemas

De acordo com os benchmarks divulgados pela Intercom, o Fin Apex 1.0 atingiu uma taxa de resolução de 73,1%. Este número representa a porcentagem de problemas de clientes que foram completamente resolvidos sem a necessidade de intervenção humana. Em comparação, o GPT-5.4 e o Claude Opus 4.5 obtiveram 71,1%, enquanto o Claude Sonnet 4.6 ficou com 69,6%. Embora a diferença de aproximadamente 2 pontos percentuais possa parecer modesta, Eoghan McCabe, CEO da Intercom, enfatizou a importância dessa margem para operações de atendimento em larga escala. “Se você está gerenciando grandes operações de serviço em escala e tem 10 milhões de clientes ou um bilhão de dólares em receita, um delta de 2% ou 3% representa um número realmente grande de clientes, interações e receita”, afirmou McCabe em entrevista.

Além da taxa de resolução, o modelo também demonstrou melhorias significativas em velocidade e precisão. O Fin Apex entrega respostas em apenas 3,7 segundos, sendo 0,6 segundos mais rápido que o concorrente seguinte, e apresenta uma redução de 65% nas ‘alucinações’ em comparação com o Claude Sonnet 4.6. Para empresas, outro ponto crucial é o custo: o Fin Apex opera a cerca de um quinto do custo de uso direto de modelos de ponta e já está incluso na estrutura de preços “por resultado” da Intercom para seus planos de clientes existentes.

O Enigma do Modelo Base: Transparência e Vantagem Competitiva

Apesar do desempenho impressionante, a Intercom se recusou a especificar qual modelo base foi utilizado para construir o Fin Apex 1.0, assim como seu tamanho em parâmetros. A empresa justificou a decisão por “razões competitivas” e pela intenção de “trocar de modelos base ao longo do tempo”. A única informação confirmada é que o modelo possui “centenas de bilhões de parâmetros”. Para contextualizar, o Llama 3.1 da Meta varia de 8 bilhões a 405 bilhões de parâmetros, enquanto modelos de fronteira maiores como o GPT-5.4 são estimados em trilhões.

A Intercom afirmou ter aprendido com a repercussão negativa que a startup de codificação Cursor enfrentou, quando foi acusada de ocultar que seu modelo Composer 2 era baseado em modelos de código aberto ajustados, e não em tecnologia proprietária. Contudo, a lição tirada pela Intercom pode não satisfazer os céticos: a empresa é transparente ao afirmar que usou um modelo de “pesos abertos” (open-weights), mas se recusa a nomear qual. Essa contradição, de alegar transparência sem nomear o modelo, provavelmente gerará escrutínio, especialmente em um cenário onde mais empresas promovem IAs “proprietárias” que, na realidade, são fundações de código aberto pós-treinadas.

Pós-Treinamento: A Nova Fronteira da Inteligência Artificial

A principal tese da Intercom é que o modelo base se tornou menos relevante. “O pré-treinamento é uma espécie de commodity agora”, disse McCabe. “A fronteira, se preferir, está na verdade no pós-treinamento. O pós-treinamento é a parte difícil. Você precisa de dados proprietários. Você precisa de fontes de verdade proprietárias.”

A empresa pós-treinou sua fundação escolhida utilizando anos de dados proprietários de serviço ao cliente acumulados através do Fin. Esse processo envolveu mais do que simplesmente alimentar transcrições para um modelo. A Intercom construiu sistemas de Reinforcement Learning (Aprendizado por Reforço) baseados em resultados reais de resolução, ensinando o modelo a identificar o que realmente constitui um atendimento ao cliente bem-sucedido — o tom apropriado, julgamentos, estrutura conversacional e, crucialmente, como reconhecer quando um problema está verdadeiramente resolvido ou quando um cliente ainda está frustrado.

McCabe explica que “os modelos genéricos são treinados em dados genéricos da internet. Os modelos específicos são treinados em dados de domínio hiperespecíficos. Portanto, é lógico que a inteligência dos modelos genéricos é genérica, e a inteligência dos modelos específicos é específica do domínio e, portanto, opera de forma muito superior para aquele caso de uso.” Se McCabe estiver correto e a “magia” estiver inteiramente no pós-treinamento, a relutância em nomear o modelo base torna-se mais difícil de justificar, uma vez que a fundação seria, de fato, intercambiável.

A Aposta de US$ 100 Milhões da Intercom Dá Resultados

O anúncio do Fin Apex 1.0 ocorre em um momento em que a estratégia “AI-first” da Intercom parece estar colhendo frutos. O Fin está se aproximando de US$ 100 milhões em receita anual recorrente (ARR) e crescendo a uma taxa de 3,5 vezes, o que o torna o produto de software como serviço (SaaS) de crescimento mais rápido da empresa. Este sucesso demonstra o potencial de modelos de IA altamente especializados para impulsionar o crescimento e a inovação em indústrias tradicionais.

Conclusão

O lançamento do Fin Apex 1.0 pela Intercom marca um ponto de virada significativo na discussão sobre o desenvolvimento de Inteligência Artificial. A empresa demonstra que modelos menores e pós-treinados com dados proprietários e focados podem superar as soluções de IA mais avançadas e genéricas em domínios específicos como o atendimento ao cliente. Embora a recusa em revelar o modelo base gere um debate sobre transparência, a performance do Fin Apex 1.0 destaca a crescente importância do pós-treinamento e da especialização de IA. Esse movimento pode inspirar outras empresas a investir em soluções de IA customizadas, focando na qualidade e relevância dos dados de treinamento para construir sistemas que ofereçam valor real e mensurável, redefinindo o que significa ser “líder” no cenário da IA.

Gostou da notícia?

Inscreva-se na nossa newsletter para receber as principais novidades sobre inteligência artificial diretamente no seu e-mail.