Intercom Fin: um agente de suporte movido por Claude resolvendo até 86% das questões

• Intercom — Claude customer story (Fin AI Agent) — Anthropic
• Introducing Fin: Intercom's breakthrough AI chatbot, built on GPT-4 — Intercom (блог), 2023-03-14
• The Fin AI Engine™ — официальное описание архитектуры — Intercom Help Center
• From resolutions to outcomes: Evolving how Fin delivers value — Intercom (блог), 2026-03

Contexto

Intercom é uma plataforma de suporte ao cliente e comunicações utilizada por mais de 25.000 empresas. Em 2023, a empresa fez a aposta mais radical de sua história: declarou-se 'AI-first' e começou a reconstruir todo o produto em torno de um agente de IA que resolve consultas de clientes por conta própria, em vez de apenas assistir um agente humano.

A Intercom foi pioneira no setor. Fin foi anunciada em 14 de março de 2023 — no mesmo dia em que GPT-4 foi lançada — como o primeiro bot de serviço ao cliente de IA construído com esse modelo. O timing não foi acidental: a geração anterior do modelo (GPT-3.5) alucinava com frequência demais para ser confiável em uma conversa de cliente em nome de uma marca, e a Intercom nomeou publicamente as alucinações reduzidas do GPT-4 como a condição que tornou o produto possível.

A segunda decisão pioneira foi o modelo de monetização: a Intercom precificou Fin em $0,99 por resolução bem-sucedida — dinheiro cobrado apenas quando Fin resolve completamente a questão de um cliente sem envolvimento humano. Para um mercado SaaS acostumado com precificação por assento, isso inverteu a economia: pela primeira vez, o fornecedor assumiu o risco de qualidade de sua própria IA.

Posteriormente, a Intercom também mudou a fundação do modelo: Fin migrou do GPT-4 para os modelos Claude da Anthropic. Fergal Reid, VP de IA, explicou a mudança claramente: 'Mudamos para a Anthropic porque seus modelos Claude são os melhores em fornecer respostas de alta qualidade para nossos clientes em escala.' Essa história de migração é rara evidência pública de que um produto como Fin pode ser agnóstico em relação ao modelo: o valor reside na camada de aplicação, e o modelo subjacente é substituível.

Problema

O suporte é caro, e seu custo cresce quase linearmente com o negócio. O próprio enquadramento da Intercom sobre a dor: 'O suporte ao cliente é muito caro de entregar. Os representantes de suporte passam muito tempo procurando por respostas autoritárias, mesmo para questões que já viram antes' (Fergal Reid, VP de IA). Uma grande parte do dia de um agente não é ajudar o cliente, mas refazer a busca pelo conhecimento que já existe.

Os chatbots com script clássico não resolveram o problema — frequentemente o pioraram: árvores de decisão rígidas frustravam clientes, falhavam em reformulações e escalavam para um humano quase tudo fora dos ramos preparados. A 'automação' de primeira geração diminuiu a satisfação enquanto mal diminuía a carga.

O tempo de resposta permanecia como a principal fonte de insatisfação: de acordo com o estudo de caso da Anthropic, antes do Fin os clientes esperavam cerca de 30 minutos por uma resposta — versus segundos depois. Para empresas SaaS, onde o suporte afeta diretamente a retenção de assinantes, cada fila dessa é abandono.

A Intercom como fornecedor tinha um problema específico: você só pode lançar um agente de IA que responda clientes em nome de outras marcas se as alucinações forem rigorosamente controladas. Um erro do bot da Intercom danifica duas empresas ao mesmo tempo — o cliente e a plataforma em si. Esse requisito — 'resolução sem invenção' — moldou toda a arquitetura do produto.

Solução

Fin responde a partir da base de conhecimento e dados da empresa cliente, funciona em mais de 45 idiomas e é integrada ao funil de suporte da Intercom: resolve questões rotineiras por conta própria e passa as complexas para um agente humano com o contexto da conversa acumulado. A integração é deliberadamente simples: Fin aprende com os artigos de ajuda existentes da empresa e é ativada com um botão, sem meses de configuração.

Sob o capô está o Fin AI Engine™ patenteado, que a Intercom descreve como uma arquitetura de seis camadas propositalmente construída para serviço ao cliente. A documentação oficial divulga três processos-chave. Primeiro, refinamento de consulta: antes de gerar qualquer coisa, o mecanismo reformula a questão do cliente usando histórico de diálogo e contexto de conta, porque a qualidade de resposta do LLM depende diretamente da clareza da entrada. Segundo, geração de resposta via uma arquitetura RAG sob medida e aprimorada: fragmentos relevantes são recuperados de fontes de conhecimento conectadas e alimentados ao modelo com a consulta. Modelos proprietários — fin-cx-retrieval e fin-cx-reranker, treinados especificamente em tarefas de serviço ao cliente — funcionam aqui. Terceiro, validação: antes do envio, a resposta passa por verificações de precisão e segurança, e diálogos com baixa confiança são escalados para um humano.

A geração é executada nos modelos Claude da Anthropic. O cientista de ML da Intercom, Pedro Tabacof, nomeou três razões para a escolha: qualidade de resposta, confiabilidade em escala e a qualidade da parceria estratégica. A empresa não divulga versões específicas do modelo — uma posição deliberada: Fin é vendido como um produto com uma métrica de resolução, não como um 'wrapper em torno do modelo X'.

O produto é organizado em torno de quatro capacidades. Conhecimento: Fin aprende toda a base de conhecimento do produto. Comportamento: segue políticas e tom da empresa. Ações: executa tarefas — processa reembolsos, altera dados de conta; faz, não apenas responde. Insights: gera análises sobre tópicos de consulta. Ações é o que transforma Fin de um 'FAQ inteligente' em um agente: a cada lançamento uma parcela crescente de consultas é fechada por uma ação em vez de texto.

A economia do produto também evoluiu. Em março de 2026, a Intercom mudou de pagar 'por resolução' para pagar 'por resultado': além de uma resolução completa sem humano, um resultado faturável agora inclui um 'procedimento' — um caso onde Fin reuniu o contexto e fez o trabalho pesado, mas a confirmação final permaneceu com um humano (por exemplo, em disputas de transação ou mudanças de assinatura onde a conformidade exige uma decisão humana). A frase da Intercom: 'sucesso deixou de ser binário'. A empresa também declarou seu princípio publicamente: 'confiança é a moeda da IA', e a precificação deve permanecer justa e previsível.

Resultado

Pronto para usar, Fin resolve 51% das consultas em média; ajustado para uma empresa específica, a resolução atinge 86% — uma lacuna que por si só mostra que a qualidade da base de conhecimento é decisiva. Os tempos de resposta caem de ~30 minutos para segundos. De acordo com o blog da Intercom em 2026, mais de 7.000 equipes usam Fin, a taxa média de resolução entre clientes atingiu 76% e continua crescendo mês a mês — mesmo enquanto a parcela de consultas complexas sobe; as páginas do produto indicam mais de um milhão de conversas por semana.

Os resultados de clientes publicados no estudo de caso da Anthropic apresentam três perspectivas diferentes de escala. Synthesia (uma startup): em 6 meses, Fin encerrou mais de 6.000 conversas, economizou mais de 1.300 horas de suporte e o self-serve atingiu 87%. Fundrise (uma fintech em crescimento): mais de 50% do volume automatizado em 3 meses com 95% de precisão de resposta, com picos de casos sazonais aproximadamente reduzidos ano após ano. Lightspeed (empresa): resolução de até 65%, IA envolvida em 99% das conversas e agentes encerrando 31% mais conversas por dia — a IA remove a rotina até de diálogos que um humano ainda lidera.

É importante enquadrar as métricas: uma 'resolução' no relatório da Intercom é uma conversa totalmente encerrada sem envolvimento humano (desde março de 2026 — um 'resultado', que também inclui procedimentos com confirmação final humana). Os números 51%, 76% e 86% são dados de fornecedor e cliente, não uma auditoria independente; a resolução depende muito da qualidade da base de conhecimento específica de uma empresa e da mistura de consultas.

Também revelador é como o teto de resolução depende do tipo de negócio: a startup Synthesia atingiu 87% de self-serve, enquanto o cliente empresarial Lightspeed chega a 65%. Em nossa opinião, isso não é uma diferença na qualidade do ajuste, mas uma diferença natural na complexidade do produto e das consultas: quanto mais complexo o produto e maior o custo do erro, mais casos ainda exigem um humano — e mais importa que a IA acelere esses diálogos também (daí as +31% de conversas encerradas pelos agentes da Lightspeed).

Em nossa opinião, a principal contribuição da Intercom para a indústria não são os percentuais de resolução, mas o modelo econômico. Precificação baseada em resultados ($0,99 por resolução, depois o modelo de resultado) alinha os incentivos de fornecedor e cliente: a Intercom ganha apenas quando sua IA realmente funciona, então não pode permitir um 'bot tagarela' que simula atividade. Este modelo se tornou o padrão de facto da indústria para agentes de suporte de IA — concorrentes em todo o mercado estão copiando.

O segundo insight transferível: a migração do Fin de GPT-4 para Claude mostra que para uma empresa de aplicação o modelo base é um componente substituível, enquanto a vantagem competitiva reside na camada acima — modelos de recuperação, validação, integrações de ação e dados de milhões de diálogos reais. Para empresas construindo seus próprios agentes, isso defende arquiteturas onde o modelo pode ser trocado sem reescrever o produto.

Lições aprendidas

1. Venda (e meça) resolução, não 'respostas': Fin é julgado pela parcela de consultas totalmente resolvidas — uma métrica honesta que um bot tagarela não pode manipular.
2. Precificação baseada em resultados alinha incentivos: um fornecedor que ganha apenas em resoluções bem-sucedidas deve investir em qualidade, não em demos.
3. A lacuna de 51% → 86% é ajuste específico da empresa: a qualidade da base de conhecimento importa mais que o modelo.
4. Arquitetura de confiabilidade é um pipeline, não uma única chamada de modelo: refinamento de consulta → RAG com modelos de recuperação especializados → validação de resposta antes do envio.
5. O modelo base é um componente substituível: Fin sobreviveu a uma migração de GPT-4 → Claude sem mudar o produto; a vantagem reside na camada de aplicação e nos dados.
6. Um agente de IA também aumenta a produtividade humana: os agentes da Lightspeed encerram 31% mais conversas diariamente — a IA remove a rotina em vez de competir.
7. O próximo passo após P&R são ações e 'procedimentos': a Intercom já fatura casos onde a IA faz o trabalho pesado e um humano apenas confirma a etapa final — esse é o caminho de ~50% de resolução para 80%+.

Perguntas frequentes