Carl Franzen 2026년 3월 26일 출처: Google Gemini 3.1 Pro로 제작된 VentureBeat 이미지

Intercom은 레거시 소프트웨어 기업으로서는 이례적인 도박을 하고 있습니다. 바로 자체 AI 모델을 구축하는 것입니다. 15년 된 이 대규모 고객 서비스 플랫폼은 목요일에 Fin Apex 1.0을 발표했습니다. 이는 고객 지원에 가장 중요한 지표에서 OpenAI 및 Anthropic의 선도적인 프론티어 모델들을 능가한다고 회사가 주장하는 작고 특정 목적에 맞춰 구축된 AI 모델입니다. 이 모델은 Intercom의 기존 Fin AI 에이전트의 동력을 제공하며, 이 에이전트는 이미 매주 2백만 건 이상의 고객 대화를 처리하고 있습니다.

VentureBeat에 공유된 벤치마크에 따르면, Fin Apex 1.0은 73.1%의 해결률(인간 개입 없이 완전히 해결된 고객 문제의 비율)을 달성했습니다. 이는 GPT-5.4와 Claude Opus 4.5가 모두 71.1%, Claude Sonnet 4.6이 69.6%를 기록한 것과 비교됩니다. 약 2퍼센트 포인트의 차이는 미미하게 들릴 수 있지만, 이는 연속적인 세대의 프론티어 모델 간의 일반적인 격차보다 더 넓습니다.

Fin Apex 1.0 벤치마크 비교 차트. 출처: Intercom

"만약 대규모 서비스 운영을 하고 있고 1천만 명의 고객 또는 10억 달러의 수익을 가지고 있다면, 2% 또는 3%의 차이는 정말 많은 수의 고객, 상호작용 및 수익을 의미합니다." Intercom CEO Eoghan McCabe는 이번 주 초 영상 통화 인터뷰에서 VentureBeat에 말했습니다.

이 모델은 또한 속도와 정확도에서 상당한 개선을 보여줍니다. Fin Apex는 3.7초 만에 응답을 제공하며, 이는 다음으로 빠른 경쟁자보다 0.6초 빠릅니다. 또한 Claude Sonnet 4.6에 비해 환각 현상(hallucinations)을 65% 감소시켰습니다. 기업 구매자들에게 가장 눈에 띄는 점은 아마도 프론티어 모델을 직접 사용하는 비용의 약 5분의 1로 실행되며, Intercom의 기존 고객 플랜에 대한 "성과 기반(per-outcome)" 가격 책정 구조에 포함되어 있다는 것입니다.

기반 모델은 무엇인가? 그것이 중요하기는 한가?

하지만 한 가지 문제가 있습니다. Apex가 어떤 기반 모델(base model)을 기반으로 구축되었는지, 그리고 그 매개변수 크기(parameter size)를 명시해 달라는 요청에 Intercom은 거부했습니다.

"저희는 Apex 1.0에 사용된 기반 모델을 공유하지 않고 있습니다. 경쟁상의 이유도 있고, 시간이 지남에 따라 기반 모델을 변경할 계획도 있기 때문입니다." 회사 대변인이 VentureBeat에 말했습니다.

회사는 모델이 "수천억 개의 매개변수(hundreds of billions of parameters) 규모"라는 점만 확인할 수 있다고 밝혔습니다. 비교하자면, Meta의 Llama 3.1은 80억 개에서 4050억 개의 매개변수 범위를 가지며, GPT-5.4와 같은 더 큰 프론티어 모델들은 수조 개에 달할 것으로 추정됩니다.

Apex의 성능 주장이 그러한 맥락에서 유효한지, 또는 벤치마크가 좁고 도메인별(domain-specific) 애플리케이션에서만 가능한 최적화를 반영하는지는 여전히 미지수입니다. Intercom은 AI 코딩 스타트업 Cursor가 비평가들로부터 Composer 2 모델이 독점 기술이 아닌 미세 조정된 오픈 웨이트(open-weights) 모델을 기반으로 구축되었다는 사실을 숨겼다는 비난을 받았을 때 겪었던 반발에서 배웠다고 말합니다. 그러나 Intercom이 얻은 교훈은 회의론자들을 만족시키지 못할 수 있습니다. 회사는 오픈 웨이트 기반 모델을 사용했다는 점은 투명하게 밝히지만, 어떤 모델인지는 밝히지 않습니다.

"저희는 오픈 웨이트 모델을 사용했다는 점을 매우 투명하게 밝히고 있습니다." 대변인은 말했습니다.

그러나 투명성을 주장하면서 모델 이름을 밝히기를 거부하는 것은 모순이며, 특히 더 많은 기업들이 사후 학습된(post-trained) 오픈 소스 기반에 불과한 "독점적인(proprietary)" AI를 선전함에 따라 조사를 불러일으킬 가능성이 높습니다.

사후 학습(Post-training)이 새로운 프론티어

Intercom의 주장은 기반 모델이 더 이상 크게 중요하지 않다는 것입니다.

"사전 학습(pre-training)은 이제 일종의 상품입니다." McCabe는 말했습니다. "프론티어는 사실 사후 학습에 있습니다. 사후 학습이 어려운 부분입니다. 독점 데이터가 필요합니다. 독점적인 진실의 원천이 필요합니다."

회사는 Fin을 통해 축적된 수년간의 독점적인 고객 서비스 데이터를 사용하여 선택한 기반 모델을 사후 학습했습니다. Fin은 현재 매주 2백만 건의 고객 문의를 해결합니다. 이 과정은 단순히 대화 기록을 모델에 입력하는 것 이상을 포함했습니다. Intercom은 실제 해결 결과에 기반한 강화 학습(reinforcement learning) 시스템을 구축하여, 모델에게 성공적인 고객 서비스가 실제로 어떤 모습인지(적절한 어조, 판단, 대화 구조, 그리고 결정적으로 문제가 진정으로 해결되었는지와 고객이 여전히 불만을 느끼는 시점을 인식하는 방법)를 가르쳤습니다.

"일반 모델(generic models)은 인터넷의 일반 데이터로 훈련됩니다. 특정 모델(specific models)은 초특정 도메인 데이터로 훈련됩니다." McCabe는 설명했습니다. "따라서 일반 모델의 지능은 일반적이고, 특정 모델의 지능은 도메인별이며, 해당 사용 사례에 훨씬 우월한 방식으로 작동한다는 것은 당연합니다."

만약 McCabe의 말이 맞고 마법이 전적으로 사후 학습에 있다면, 기반 모델을 밝히기를 꺼리는 것은 정당화하기 더 어려워집니다. 만약 기반이 진정으로 상호 교환 가능하다면, 비밀 유지가 어떤 경쟁 우위를 보호하는 것일까요?

1억 달러의 베팅이 성과를 거두다

이번 발표는 Intercom의 AI 우선(AI-first) 전환이 성공적으로 진행되고 있음을 보여줍니다. Fin은 연간 반복 매출(ARR) 1억 달러에 육박하며 3.5배 성장하고 있어, 회사 4억 달러 ARR 사업에서 가장 빠르게 성장하는 부문이 되었습니다. Fin은 내년 초 Intercom 전체 매출의 절반을 차지할 것으로 예상됩니다.

이러한 궤적은 놀라운 전환을 나타냅니다. Fin이 처음 출시되었을 때 해결률은 23%에 불과했습니다. 오늘날 고객 전체 평균은 67%이며, 일부 대규모 기업 배포에서는 75%에 달하는 비율을 보입니다. 이를 위해 Intercom은 지난 3년간 AI 팀을 약 6명의 연구원에서 60명으로 늘렸습니다. 이는 McCabe가 AI 전환 이전에 "정말 좋지 않은 상황"이었다고 인정한 회사에게는 상당한 투자입니다. 상장 소프트웨어 기업의 평균 성장률은 약 11%인 반면, Intercom은 올해 37% 성장을 기록할 것으로 예상합니다.

"우리는 자체 모델을 훈련한 해당 분야에서 단연코 최초입니다." McCabe는 말했습니다. "1년 이상 동안 이것을 가질 다른 회사는 없을 것입니다."

AI의 종 분화(speciation)와 전문화(specialization)

McCabe의 주장은 Tesla와 OpenAI의 전 AI 리더였던 Andrej Karpathy가 최근 AI 모델의 "종 분화(speciation)"라고 설명한 더 넓은 추세와 일치합니다. 이는 일반 지능보다는 좁은 작업에 최적화된 특수 시스템의 확산을 의미합니다. McCabe는 고객 서비스가 이러한 접근 방식에 독특하게 적합하다고 주장합니다. 이는 코딩 도우미(coding assistants) 및 잠재적으로 법률 AI(legal AI)와 함께 지금까지 진정한 경제적 견인력을 찾은 두세 가지 기업 AI 사용 사례 중 하나입니다. 이는 Decagon 및 Sierra와 같은 경쟁업체에 10억 달러 이상의 벤처 자금(venture funding)을 유치했으며, McCabe의 말에 따르면 이 분야를 "무자비하게 경쟁적(ruthlessly competitive)"으로 만들었습니다.

문제는 도메인별 모델(domain-specific models)이 지속적인 이점(durable advantage)을 나타내는지, 아니면 프론티어 연구소들이 결국 메울 일시적인 차익 거래(temporary arbitrage)인지는 아직 알 수 없습니다. McCabe는 연구소들이 구조적 한계(structural limitations)에 직면해 있다고 믿습니다.

"아마도 미래에는 Anthropic이 다양한 전문 모델을 대규모로 제공할 수도 있습니다. 아마도 그런 모습일 것입니다." 그는 말했습니다. "하지만 현실은 일반 모델이 지금 당장 도메인별 모델을 따라잡을 수 없을 것이라고 생각합니다."

효율성을 넘어 경험으로

초기 기업 AI 도입은 비용 절감(비싼 인간 상담원을 더 저렴한 자동화된 상담원으로 대체)에 크게 초점을 맞췄습니다. 그러나 McCabe는 대화가 경험 품질로 전환되고 있다고 봅니다.

"원래는 '세상에, 이걸 훨씬 더 저렴하게 할 수 있잖아' 하는 식이었죠. 이제는 '잠깐, 아니야, 고객에게 훨씬 더 나은 경험을 제공할 수 있어'라고 생각하고 있습니다." 그는 말했습니다.

이 비전은 단순한 문의 해결을 넘어섭니다. McCabe는 컨설턴트 역할을 하는 AI 에이전트를 상상합니다. 예를 들어, 신발 소매업체의 봇이 배송 질문에 답하는 것을 넘어 스타일링 조언을 제공하고 고객에게 다양한 옵션이 어떻게 보일지 보여주는 식입니다.

"고객 서비스는 항상 꽤 형편없었습니다." McCabe는 솔직하게 말했습니다. "최고의 브랜드조차도 전화 통화를 기다리거나 여러 부서로 이리저리 연결됩니다. 이제는 진정으로 완벽한 고객 경험을 제공할 기회가 있습니다."

가격 및 가용성

기존 Fin 고객의 경우 Apex로의 업그레이드에는 추가 비용이 없습니다. Intercom은 고객 가격이 변동 없이 유지된다고 확인했습니다. 사용자는 이전과 마찬가지로 해결된 상호작용당 0.99달러로 성과당 지불하며, 새로운 모델의 혜택을 자동으로 받습니다. Apex는 독립형 모델(standalone model)로 또는 외부 API(external API)를 통해 제공되지 않습니다. Fin을 통해서만 접근할 수 있으며, 이는 기업이 모델을 독립적으로 라이선스하거나 자체 제품에 통합할 수 없음을 의미합니다. 이러한 제약은 Intercom이 기존 고객 기반을 넘어 모델을 수익화할 수 있는 능력을 제한할 수 있지만, 동시에 기저 기반 모델이 무엇이든 상관없이 실질적인 의미에서 기술을 독점적으로 유지합니다.

다음 단계

Intercom은 Fin을 고객 서비스를 넘어 영업 및 마케팅으로 확장하여, 고객 생애 주기 전반에 걸쳐 AI 에이전트를 제공하는 것을 목표로 하는 Salesforce의 Agentforce 비전에 대한 직접적인 경쟁자로 자리매김할 계획입니다. 더 넓은 SaaS 산업에 있어 Intercom의 이러한 움직임은 불편한 질문들을 제기합니다. 만약 15년 된 고객 서비스 회사가 OpenAI와 Anthropic을 해당 도메인에서 능가하는 모델을 구축할 수 있다면, 여전히 일반적인 API 호출에 의존하는 공급업체들에게는 무엇을 의미할까요? 그리고 McCabe가 주장하듯이 "사후 학습이 새로운 프론티어"라면, 돌파구를 주장하는 기업들은 자신들의 작업을 공개하라는 압력을 받게 될까요, 아니면 투명성을 내세우면서 경쟁상의 비밀 뒤에 계속 숨을까요?

첫 번째 질문에 대한 McCabe의 답변은 최근 LinkedIn 게시물에 명확하게 제시되어 있습니다. "에이전트 회사(agent company)가 될 수 없다면, 당신의 CRUD 앱 비즈니스(CRUD app business)는 쇠퇴하는 미래를 맞이할 것입니다." 두 번째 질문에 대한 답은 지켜봐야 합니다.

더 보기