Три урока Intercom для создания устойчивого преимущества в области ИИ | OpenAI

Рекомендовано

Это исследование случая рассматривает, как Intercom разработал масштабируемую платформу ИИ, внедрив три ключевых урока в интеграции ИИ, сосредоточив внимание на экспериментах, оценке и архитектурной гибкости для улучшения поддержки клиентов.

Результаты56% обращений решается автономно (было ~25%); десятки миллионов выручки от ИИ-агента Fin; Fin вырос вчетверо…
Год2023
ОтрасльКлиентская поддержка / SaaS
Размер компанииКрупный бизнес
СрокиШесть недель от публичного релиза ChatGPT до беты Fin
РегионИрландия (штаб-квартира в Дублине)
ТехнологииGPT-4, GPT-4.1, GPT-4o, OpenAI API

Открыть отчёт

Описание

Путь Intercom к созданию устойчивого преимущества в области ИИ отмечен тремя ключевыми уроками, которые могут направить любую организацию, стремящуюся эффективно использовать ИИ. В исследовании случая описывается, как Intercom построил масштабируемую платформу ИИ, которая быстро предоставляет новые возможности, подчеркивая важность ранних экспериментов, строгих оценок и архитектурной гибкости.

Первый урок подчеркивает необходимость ранних и частых экспериментов для формирования уверенности в работе с моделями ИИ. Intercom начал тестировать генеративные модели вскоре после выхода GPT-3.5, что позволило им понять ограничения модели и выявить возможности для улучшения. Этот проактивный подход позволил им запустить Fin, их ИИ-агента, всего через четыре месяца после выхода GPT-4. Практический опыт команды с этими моделями способствовал разработке Fin Tasks, которые автоматизируют сложные рабочие процессы, демонстрируя, что знакомство с моделями ИИ ускоряет адаптацию к достижениям в технологии.

Второй урок акцентирует внимание на важности скорости через строгие оценки. Способность Intercom быстро принимать новые модели и архитектуры проистекает из их структурированного процесса оценки. Каждая новая модель OpenAI проходит строгие оффлайн-тесты и живые A/B-тесты для оценки таких показателей производительности, как соблюдение инструкций и общая согласованность. Этот систематический подход позволил Intercom перейти с GPT-4 на GPT-4.1 всего за несколько дней, значительно улучшив удовлетворенность пользователей и операционную эффективность.

Третий урок подчеркивает необходимость архитектурной гибкости. Intercom разработал свою платформу ИИ с модульной архитектурой, которая может развиваться вместе с моделями, которые она использует. Эта адаптивность оказалась жизненно важной, поскольку команда постоянно совершенствует систему Fin для обработки различных запросов клиентов через несколько модальностей. Обеспечив возможность своей архитектуры адаптироваться к изменениям без значительной переработки, Intercom позиционировал себя для эффективного использования будущих достижений в технологии ИИ.

В заключение, опыт Intercom предлагает ценные идеи для организаций, стремящихся интегрировать ИИ в свои операции. Приоритизируя ранние эксперименты, поддерживая строгие процессы оценки и разрабатывая гибкие архитектуры, компании могут создавать устойчивые решения ИИ, которые улучшают клиентский опыт и способствуют операционному успеху.