# Дес Трейнор из Intercom: как ИИ-агент Fin автоматизирует до 94% техподдержки

Источник: https://www.youtube.com/watch?v=YeE5spRXAEo
Канал: CMC Aureon
Опубликовано: 13.11.2025

---

В новом выпуске подкаста от канала CMC Aureon директор по стратегии компании Intercom Дес Трейнор подробно рассказал о глубокой трансформации технологического бизнеса в эпоху генеративного искусственного интеллекта. Главной темой обсуждения стала эволюция интеллектуального ИИ-агента Fin, который уже сегодня позволяет автоматизировать до 94% задач в сфере клиентской поддержки. Трейнор поделился уникальными инсайтами о переходе от традиционной продуктовой разработки к гибкому «лабораторному» подходу, гибридной архитектуре современных моделей и радикальных изменениях в экономике ИИ-решений.

## 🔬 От фабрики кода к научной лаборатории: как ИИ меняет парадигму разработки
[[JUMP:01:24]]

По словам Деса Трейнора, позиция директора по стратегии (Chief Strategy Officer) в Intercom напрямую связана с управлением исследованиями и разработкой (R&D) — ему подчиняются глава по продукту (CPO) и технический директор (CTO). За последние три года вектор развития компании, имеющей 15-летнюю историю, полностью сместился в сторону искусственного интеллекта. Трейнор определяет подход «AI-first» как полное переосмысление проблемы клиента с позиции ИИ-нативности, когда продукт изначально проектируется вокруг возможностей нейросетей. Он критикует традиционных игроков рынка («инкрумбентов»), которые лишь добавляют ИИ-копилотов или «блестящие кнопочки» поверх устаревших систем, пытаясь выехать на былых успехах, вместо того чтобы строить решения с нуля, как это делают современные стартапы.

Дес Трейнор утверждает, что пришествие ИИ разрушило классическую метафору создания программного обеспечения как «фабрики». Раньше этот процесс был линейным и предсказуемым: исследование проблемы, проектирование, написание кода, пользовательское тестирование и деплой. ИИ же привнес колоссальный уровень вероятностного хаоса (пробабилизма), когда разработчик не может быть уверен, сработает ли модель одинаково во всех случаях. 

В результате Intercom перестроила свои процессы, перейдя от фабричного мышления к «лабораторному». По описанию Трейнора, теперь R&D-команда живет в режиме постоянных экспериментов, сбора эмпирических данных и непрерывной оценки результатов. Когда ученые компании совершают прорыв — например, успешно выстраивают жесткие ограничения (guardrails) для предотвращения галлюцинаций LLM — процесс на время возвращается в рамки «фабрики» для коммерциализации и создания софтверной обвязки вокруг этой технологии.

## 🤖 ИИ-агент Fin: архитектура, метрики и автоматизация до 94%
[[JUMP:05:47]]

Трейнор объясняет суть флагманского продукта Fin для нетехнической аудитории следующим образом: это безопасная корпоративная версия ChatGPT, которая знает абсолютно всё о конкретном бизнесе, общается строго в рамках заданных брендом политик и тональности, а также обладает полной агентностью — способностью выполнять автономные задачи в бэк-офисе, например, оформлять возвраты средств или перезапускать заказы. 

По статистике Intercom, в среднем Fin успешно закрывает 65% всего объема входящих обращений компаний. Оставшиеся 35% агент бесшовно передает в существующие хелпдески клиентов, такие как Salesforce или Zendesk. При этом у ряда наиболее зрелых клиентов показатель автоматизации поддержки уже сегодня достигает 94%.

Говоря о внутреннем устройстве Fin, Трейнор развеивает миф о том, что это одна большая нейросеть. На самом деле Fin представляет собой сложную ИИ-архитектуру, состоящую примерно из 27 различных подкомпонентов. Реальная клиентская поддержка далека от идеальных формулировок и часто начинается с хаотичной фразы «у меня всё сломалось». Чтобы имитировать работу живого оператора, Fin использует специализированные подпроцессы:

* Фатические ответы (phatic replies) — умение просто вежливо поздороваться в ответ на приветствие, не пытаясь сразу решать проблему.
* Абстрагирование запроса, уточнение деталей и устранение неоднозначности.
* Эскалация — мгновенное распознавание ситуаций, требующих немедленного вмешательства человека.

Для генерации финальных ответов на базе собранных данных (технология RAG — Retrieval-Augmented Generation) Intercom использует модель Claude Sonnet от Anthropic. В других узлах системы задействованы решения от OpenAI, а также собственные инхаус-модели компании, прошедшие пост-обучение на базе открытой архитектуры Qwen (GWEN) и оптимизированные на огромном массиве данных из сферы клиентского сервиса.

## 💸 Экономика токенов: почему Intercom берет деньги за результат, а не за «кресла»
[[JUMP:07:48]]

Интеграция ИИ заставила продуктовые команды столкнуться с суровой реальностью: выполнение кода больше не является бесплатным, каждый запрос к LLM стоит реальных денег. Трейнор объясняет, что традиционная модель подписки (SaaS) с оплатой за пользовательские места («кресла») или фиксированные надстройки в размере $9 в месяц теряет смысл, когда автоматизация планомерно уничтожает сами рабочие места операторов. По его мнению, Fin является каннибализирующим продуктом для платформы Intercom: чем эффективнее работает агент, тем меньше лицензий для людей купят клиенты в будущем.

В ходе математических расчетов руководство Intercom решило отказаться от тарификации за объем проделанной работы (например, за миллион попыток ответить) в пользу оплаты за конечный результат — успешно разрешенные диалоги. На текущий момент стоимость одного закрытого тикета силами Fin составляет 99 центов ($0,99). Дес Трейнор вспоминает, что во время запуска ChatGPT и первых версий GPT-3.5 и GPT-4 стоимость токенов была крайне высокой, однако затем цены «рухнули с обрыва», что позволило сделать экономику ИИ-агентов доступной для массового рынка.

## 🛑 Ограничения ИИ и граница между B2C и B2B поддержкой
[[JUMP:13:03]]

Основная слабость Fin, по мнению Трейнора, кроется не в уровне интеллекта современных моделей (которые уже превосходят людей в математических и программных тестах), а в сложности настройки бэкенд-процессов на стороне клиента. ИИ-агенту тяжело передать запутанные внутренние регламенты. В качестве примера Трейнор приводит типичную хаотичную инструкцию из реального бизнеса: «Мы делаем возврат денег, только если клиент выглядит очень злым, ранее не получал более двух возвратов, сделка одобрена менеджером, и если в этот день мы еще не исчерпали лимит в 10 возвратов». Кодирование таких политик вручную отнимает много сил у компаний, поэтому Intercom развивает собственное подразделение профессиональных услуг (pro-serve) для помощи в развертывании системы.

Трейнор прогнозирует разную предельную планку автоматизации для разных секторов бизнеса:

* В сфере B2C-ритейла действует жесткий принцип Парето: около 90% всех тикетов составляют пять простейших типов запросов категории WISMO (Where Is My Order? — «Где мой заказ?», отмена, повтор заказа, смена адреса). Здесь вполне достижима планка автоматизации в 98%.
* В секторах B2B SaaS и сложной потребительской электроники (prosumer) запросы носят характер глубокого траблшутинга (например, попытка подключить новую веб-камеру к старому MacBook через неподходящий кабель при отсутствии нужного переходника). В таких нишах ИИ-агенты, скорее всего, упрутся в потолок около 80% автоматизации, так как пользователи в конечном итоге будут требовать живого оператора.

Заявления конкурентов, обещающих 100% или 110% автоматизации поддержки, Трейнор открыто называет ложью.

## 🔄 Эффект маховика и борьба со «слепыми зонами» ИИ
[[JUMP:18:44]]

Intercom внедряет концепцию, согласно которой человеческая служба поддержки должна отвечать на любой уникальный вопрос «в первый и в последний раз». Когда Fin не справляется и передает диалог человеку, он не просто закрывает задачу, а анализирует действия оператора. Затем агент возвращается к бизнесу с конкретным предложением: например, просит подтвердить регламент по прошлогодним рождественским купонам, чтобы впредь закрывать эти тикеты самостоятельно. Данная аналитика выведена в отдельный продукт Fin Insights, подсвечивающий руководству компаний «болевые точки» клиентов, внезапные всплески активности и недостающие API-эндпоинты для автоматизации.

Для минимизации так называемых «тихих сбоев» (галлюцинаций и уверенных ложных ответов) ИИ-группа Intercom, состоящая преимущественно из ученых и математиков, использует строгий научный метод. Любые обновления Fin проходят через «пыточные тесты» (torture tests) на базе тысяч сценариев, где модель намеренно провоцируют на галлюцинации, уход от темы или джейлбрейк. По словам Трейнора, компании удается удерживать уровень защиты от необоснованных умозаключений (ungrounded inference) на отметке около 99%. Intercom осознанно не внедряет новые коммерческие модели (вроде условной GPT-4.5) сразу в день релиза, пока они не пройдут тотальную верификацию в лаборатории компании.

## 🛡️ Инвестиционные критерии и куда исчезают технологические рвы
[[JUMP:21:35]]

Дес Трейнор, имеющий опыт инвестирования в такие проекты, как Notion, Synthesia и Levity, выделил четыре жестких критерия оценки любого ИИ-стартапа:

1.  Реальное использование клиентами (отсутствие эффекта shelf-ware, когда софт вроде Agentforce от Salesforce покупается, но годами пылится на полке).
2.  Решение осязаемой бизнес-проблемы (рынок перенасыщен просто «классными» инструментами, за которые никто не готов платить).
3.  Глубоко дифференцированные технологии (продукт не должен быть тонкой оберткой вокруг OpenAI API, собираемой за выходные).
4.  Понятный путь к положительной маржинальности (нельзя сжигать стог сена ради поиска одной иголки, тратя миллионы токенов на малоценные задачи).

При этом Трейнор признается, что больше не верит в классические глубокие технологические рвы (moats). Написание кода стремительно коммодитизируется благодаря инструментам вроде Claude Code и Cursor, а значимость эксклюзивных данных как конкурентного преимущества сильно преувеличена. Борьба крупных игроков (например, Salesforce/Slack против Glean) смещается из продуктовой плоскости в юридическую.

Главным отличием и рвом самого Intercom Трейнор считает создание лучшего на рынке ИИ-агента, интегрированного напрямую в собственную экосистему хелпдеска (в отличие от Sierra или Decagon, работающих по принципу консалтинга Palantir с огромными чеками на внедрение), а также скорое расширение роли Fin: из узкого ИИ-агента для поддержки (CS) он превратится в универсального «клиентского агента», закрывающего задачи лидогенерации (SDR), онбординга, удержания и допродаж.

## ⚡ Блиц-опрос: будущее клиентского сервиса
[[JUMP:31:19]]

* **Главное заблуждение об ИИ в поддержке:** мнение, что это просто и такую систему легко собрать самостоятельно «на коленке».
* **Ближайший технологический прорыв:** предоставление Fin возможности напрямую читать исходный машинный код и внутренние процессы компаний, автоматически извлекая некодированные знания.
* **Самый недооцененный риск на рынке:** конвергенция — ситуация, когда на абстрактном уровне все ИИ-компании строят один и тот же продукт, порождая жесткую конкуренцию с самых неожиданных флангов.
* **Прогноз на 5 лет:** индустрия полностью решит проблему реактивной поддержки, достигнув стабильных 90%+ автоматизации. Новым полем битвы станут не 3D-аватары, а проактивная поддержка (proactive support) — способность ИИ предвидеть проблему пользователя, перехватывать ошибки систем и предлагать готовое решение еще до того, как человек поймет, что что-то пошло не так.