Michael Nuñez 2:06 pm, PT, May 15, 2026 Credit: VentureBeat made with Midjourney

Intercom으로 알려졌던 회사가 주요 고객 서비스 플랫폼(customer service platform) 중 어느 곳도 대규모로 시도하지 않았던 일을 해냈습니다. 바로 유일한 임무가 다른 AI 에이전트(AI agent)를 관리하는 AI 에이전트(AI agent)를 구축한 것입니다. 샌프란시스코에서 목요일 라이브 이벤트에서 발표된 Fin Operator는 회사의 고객 대면 AI 에이전트(customer-facing AI agent)인 Fin을 구성하고, 모니터링하며, 개선하는 백오피스 팀(back-office team)을 위해 특별히 설계된 새로운 AI 기반 시스템입니다. Fin 자체가 최전선에서 하는 일인 인간 지원 에이전트(human support agent)를 대체하는 대신, Operator는 지식 기반(knowledge base)을 업데이트하고, 대화 실패(conversation failure)를 디버깅하며, 성과 대시보드(performance dashboard)를 꼼꼼히 살펴보는 데 시간을 보내는 지원 운영 전문가(support operations professional)들의 증가하는 규모를 목표로 합니다.

"Fin은 고객을 위한 에이전트입니다." 회사의 제품 담당 부사장인 Brian Donohue가 출시를 앞두고 VentureBeat와의 단독 인터뷰에서 말했습니다. "Operator는 지원 운영 팀(support ops team)을 위한 에이전트입니다. Fin을 관리하고 그 다음 인간 에이전트(human agent)를 관리하는 백오피스 팀(back office team)을 위한 에이전트입니다."

이번 발표는 회사에게 중요한 시점에 이루어졌습니다. 불과 이틀 전, CEO Eoghan McCabe는 15년 된 회사의 이름을 Intercom에서 Fin으로 공식적으로 변경했습니다. 이는 AI 에이전트(AI agent)가 이제 비즈니스의 단순한 기능이 아니라 비즈니스 그 자체라는 공격적인 신호입니다. Fin은 최근 연간 반복 매출(ARR) 1억 달러를 넘어섰고 3.5배의 속도로 성장하고 있습니다. 전체 회사는 4억 달러의 ARR을 창출하고 있으며, 이는 AI 에이전트(AI agent)가 현재 전체 매출의 약 4분의 1과 사실상 모든 성장을 차지하고 있음을 의미합니다. Fin Operator는 오늘부터 Pro-tier 사용자를 대상으로 얼리 액세스(early access)를 시작하며, 2026년 여름에 정식 출시(general availability)될 예정입니다.

모든 AI 고객 서비스 배포 뒤에 숨겨진 보이지 않는 위기

기업들이 AI 에이전트(AI agent)를 통해 더 많은 대화를 처리하도록 추진함에 따라(Fin만 해도 현재 Anthropic, DoorDash, Mercury를 포함한 전 세계 8,000개 고객사에서 매주 2백만 건 이상의 고객 문제를 해결하고 있습니다), 이러한 시스템 뒤에 숨겨진 운영 복잡성은 폭발적으로 증가했습니다. 누군가는 지식 기반(knowledge base)을 최신 상태로 유지해야 합니다. 누군가는 지난 화요일에 봇(bot)이 좌절한 고객과 무한 루프(infinite loop)에 빠진 이유를 알아내야 합니다. 누군가는 제품 업데이트(product update) 후 자동화율(automation rate)이 떨어졌는지 분석해야 합니다. 그 "누군가"는 지원 운영 팀(support operations team)이며, Donohue에 따르면 그들은 허우적거리고 있습니다.

"거의 모든 지원 운영 팀(support ops team)은 이미 데이터 분석과 지식 관리(knowledge management)를 수행하고 있습니다. 이는 오늘날 기본 중의 기본입니다." Donohue는 말했습니다. "팀이 어려움을 겪는 부분은 에이전트 빌더(agent builder) 작업입니다. 이는 새로운 기술 세트이며, 대부분은 이를 위한 충분한 시간이 없습니다. 그들은 첫 번째 반복 작업을 시작하고 실행하지만, 그 다음에는 막히게 됩니다."

문제는 구조적입니다. AI 고객 에이전트(AI customer agent)는 정적인 소프트웨어(software)가 아닙니다. 그들은 지속적인 튜닝(tuning)을 필요로 하는데, 이 과정은 SaaS 도구(SaaS tool)를 구성하는 것보다 새로운 직원을 교육하는 것과 더 유사합니다. 각 고객 대화는 잠재적인 실패의 원천이며, 각 실패는 진단, 근본 원인 분석(root-cause analysis), 구성 수정, 테스트 및 모니터링을 필요로 합니다. 이는 지루하고 기술적이며 끊임없이 이어집니다. Fin Operator는 이 전체 루프(loop)를 대화형 인터페이스(conversational interface)로 통합하는 것을 목표로 합니다.

하나의 AI 시스템이 데이터 분석가, 지식 관리자, 디버거 역할을 동시에 수행하는 방법

Donohue는 Operator가 일반적으로 지원 운영 팀(support ops team)의 대역폭을 소비하는 세 가지 뚜렷한 역할, 즉 전문 데이터 분석가(expert data analyst), 전문 지식 관리자(expert knowledge manager), 전문 에이전트 빌더(expert agent builder)의 역할을 채운다고 설명했습니다.

데이터 분석가(data analyst)로서 Operator는 "지난주 우리 팀의 성과는 어땠나요?"와 같은 높은 수준의 질문에 답하고, Intercom 플랫폼에 이미 저장된 모든 데이터를 기반으로 즉석 차트, 추세 보고서 및 드릴다운 분석을 생성할 수 있습니다. 회사는 Operator에 고객별 데이터 속성(customer-specific data attribute)에 대한 상황별 지식을 로드하여 워크스페이스별 지표(workspace-specific metric)를 정확하게 해석하도록 돕습니다.

지식 관리자(knowledge manager)로서 Operator는 제품 업데이트(product update)(예: 새로운 기능을 설명하는 3페이지 분량의 PDF)를 수집하고, 회사의 전체 콘텐츠 라이브러리(content library)를 자율적으로 검색하여 변경해야 할 사항을 식별할 수 있습니다. 이는 간극을 찾아내고, 새로운 문서를 초안 작성하며, 기존 문서에 대한 편집을 제안하고, 모든 것을 diff 스타일 검토 인터페이스(diff-style review interface)로 제시합니다. 기본 검색 엔진은 Intercom이 2년 이상 Fin을 위해 구축하고 최적화한 동일한 시맨틱 검색 시스템(semantic search system)입니다.

"지식 관리(knowledge management) 측면에서, 확실히 몇 시간, 때로는 며칠이 걸릴 일을 약 10분이라는 시간으로 압축할 수 있습니다." Donohue는 말했습니다.

에이전트 빌더(agent builder)로서 Operator는 회사가 "디버거 스킬(debugger skill)"이라고 부르는 것을 도입합니다. 지원 운영 팀(support ops team)은 Fin이 오작동한 대화 링크를 붙여넣을 수 있으며, Operator는 Fin의 내부 추론의 모든 단계를 추적하고, 근본 원인(root cause)(종종 의도치 않게 루프(loop)를 생성하는 지침)을 식별하며, 재작성을 제안하고, 원래 대화에 대해 변경 사항을 백테스트(back-test)한 다음, 향후 유사한 문제를 포착하기 위한 프로덕션 모니터(production monitor) 생성을 제안합니다.

"이것이 말 그대로 우리 전문 서비스 팀(professional services team)이 하는 일입니다." Donohue는 설명했습니다. "의도치 않게 Fin이 반복하게 만드는 지침을 작성했습니다. 이런 일은 자주 발생합니다. 당신은 그것을 깨닫지 못했지만, 탈출구(escape hatch)를 제공하지 않았습니다."

인간이 AI 변경 사항을 통제할 수 있도록 하는 풀 리퀘스트(pull request) 안전망

Fin Operator의 가장 중요한 설계 결정 중 하나는 회사가 "제안 시스템(proposal system)"이라고 부르는 것입니다. 이는 소프트웨어 엔지니어링(software engineering)의 풀 리퀘스트(pull request)처럼 작동하는 메커니즘입니다. Operator가 권장하는 모든 변경 사항(도움말 문서 편집, AI 지침 규칙 재작성, 새로운 QA 모니터(QA monitor) 생성 등)은 전체 diff 뷰(diff view)와 함께 제안으로 나타납니다. 사용자는 각 변경 사항이 적용되기 전에 검사, 편집 및 승인할 수 있습니다. 인간이 "적용(Apply)"을 클릭하지 않으면 아무것도 라이브(live)되지 않습니다.

"지금 당장은 이 부분에 대해 전혀 위험을 감수하지 않고 있습니다. Fin은 인간의 승인 없이는 시스템에 어떤 변경도 할 수 없습니다." Donohue는 강조했습니다. "인간이 적용(apply)을 클릭할 때까지 아무것도 라이브(live)되지 않습니다."

이는 주목할 만한 아키텍처적 선택입니다. 완전 자율 AI 시스템(fully autonomous AI system)에 점점 더 매료되는 시장에서, 회사는 의도적으로 인간 승인 게이트(human approval gate)를 유지하고 있습니다. 적어도 지금은 그렇습니다. Donohue는 이것이 진화할 것이라고 인정했지만, 현재는 주의가 필요하다고 말했습니다.

"Operator가 자동으로 변경하고 팀에게 '이봐, 내가 한 일에 대해 말해줄게'라고 말하게 하는 것은 너무 큰 도약입니다."

AI 도구(AI tool)를 평가하는 기업 구매자에게 이 설계 지점은 중요합니다. 이는 변경 사항을 제안하는 AI 시스템(AI system)과 변경 사항을 실행하는 AI 시스템(AI system)의 차이이며, 규정 준수 팀(compliance team), 보안 책임자(security officer) 및 위험 관리자(risk manager)가 면밀히 검토할 차이점입니다.

Fin Operator가 회사 자체 AI 모델 대신 Anthropic의 Claude를 사용하는 이유

흥미로운 기술적 세부 사항으로, Donohue는 Fin Operator가 회사의 독점 Apex 모델(Apex model)을 사용하지 않는다고 확인했습니다. 이 Apex 모델(Apex model)은 고객 대면 Fin 에이전트(Fin agent)에 동력을 공급하며, 회사는 이 모델이 고객 서비스 벤치마크(benchmark)에서 GPT-5.4 및 Claude Sonnet 4.6을 능가한다고 홍보해 왔습니다. 대신 Operator는 Anthropic의 Claude를 기반으로 실행됩니다.

"우리는 맞춤형 모델(custom model)을 사용하지 않습니다." Donohue는 말했습니다. "그 모델들은 고객 질문에 직접 답하도록 설계되었지만, 이 모델들은 프론티어 모델(frontier model)이 가장 적합한 것에 더 가깝습니다. 이것은 실제로 소프트웨어 엔지니어링(software engineering)에 더 가깝습니다."

이러한 구분은 의미심장합니다. Fin의 Apex 모델(Apex model)은 한 가지에 최적화되어 있습니다. 바로 최소한의 환각(hallucination)과 최대의 정확성으로 고객 서비스 대화를 해결하는 것입니다. Operator의 작업(데이터 분석, 코드와 유사한 구성 작성, 복잡한 추론 체인 디버깅)은 다른 종류의 지능을 요구합니다. Donohue는 이러한 기능을 소프트웨어 엔지니어링(software engineering)과 더 유사하다고 특징지었으며, 이는 Anthropic의 Claude 모델(Claude model)이 의도적으로 최적화된 영역입니다. 회사는 미래에 Operator를 위한 맞춤형 모델(custom model)을 구축할 가능성을 배제하지 않았지만, Donohue는 이를 낮은 우선순위로 두었습니다. 그가 주장한 것은 팀이 Claude를 중심으로 구축한 것이 차별화된 계층이라는 것입니다. 즉, 제안 시스템(proposal system), 디버거 스킬(debugger skill), 시맨틱 검색 통합(semantic search integration), 데이터 속성 논리(data attribution logic), 그리고 Operator를 단순히 "앱 내 Claude(Claude inside the app)" 이상으로 만드는 차트 작성 기능(charting capability)입니다.

초기 베타(beta) 테스터들은 Fin Operator가 팀에 5명을 추가하는 것 같다고 말합니다

Fin Operator는 현재 약 200개 고객사와 함께 베타(beta) 테스트 중이며, Donohue는 이 숫자가 "지난 몇 주 동안 상당히 빠르게 증가했다"고 말했습니다. Synthesia의 고객 지원, 활성화 및 신뢰 담당 부사장인 Constantina Samara는 이 도구가 이미 팀의 업무 방식을 변화시켰다고 말했습니다.

"이전에는 Fin이 대화를 처리하는 방식을 개선하려면 대화, 구성, 콘텐츠 등 모든 것을 직접 검토해야 했습니다. Fin Operator를 사용하면 그냥 물어보면 됩니다. 무슨 일이 일어났는지 안내해주고 Fin을 개선하는 것을 극적으로 쉽게 만듭니다."

Raylo의 AI 대화 분석가(AI Conversational Analyst)인 Jordan Thompson은 Operator를 매일 사용하고 있으며 Operator의 분석과 자신의 수동 작업을 직접 비교했다고 보고했습니다.

"매우 정확합니다." Thompson은 말했습니다. "높은 수준의 추세 분석만큼 개별 대화를 디버깅하는 데도 강력합니다. 이는 LLM 커넥터(LLM connector)를 단독으로 사용할 때의 실제 한계입니다. 대화 깊이는 얻지만 보고나 추세에 대한 것은 없습니다."

Donohue는 또한 회사 자체 지식 관리 팀(knowledge management team)에서 있었던 내부 일화를 공유했습니다. 지식 운영을 이끄는 Beth는 제품 팀에 Operator가 마치 "팀에 5명이 더 생긴 것 같다"고 느끼게 했다고 말했습니다. 내부 증언이 외부 고객 검증과 동일한 무게를 가지는지는 논쟁의 여지가 있지만, Donohue는 지식 관리(knowledge management) 사용 사례가 가장 본능적인 반응을 꾸준히 이끌어낸다고 말했습니다. 콘텐츠 감사에 몇 시간 또는 며칠이 걸리던 작업을 약 10분으로 단축하는 시간 절약 효과가 매우 크기 때문입니다.

새로운 가격 모델은 AI가 엔터프라이즈 소프트웨어(enterprise software)의 경제학을 어떻게 재편하는지 보여줍니다

Fin Operator는 회사의 Pro 애드온 티어(Pro add-on tier) 내에서 제공될 예정입니다. 이 비교적 새로운 번들에는 이미 CX 스코어링(CX scoring), 토픽 감지(topic detection), 실시간 문제 감지(real-time issue detection), AI 및 인간 에이전트(human agent) 대화 전반에 걸친 품질 보증 모니터링(quality assurance monitoring)과 같은 고급 분석 기능이 포함되어 있습니다. 이 가격 모델은 회사에 새로운 것을 도입합니다. 바로 사용량 기반 요금제(usage-based billing)입니다. Intercom은 역사적으로 성과 기반 요금제(outcome-based pricing)에 의존해 왔습니다. Fin이 인간의 개입 없이 해결하는 대화당 약 0.99달러를 청구하는 방식입니다. Operator의 작업은 고객 해결이 아닌 구성 변경을 생성하기 때문에 이 모델에 깔끔하게 매핑되지 않습니다.

"이것은 우리를 다른 모델로, 지원 운영 팀(support ops team)을 위한 사용량 모델(usage model)로 더 나아가게 했습니다." Donohue는 말했습니다. "Pro에 포함되는 사용량은 관대하게 책정하려고 노력할 것이지만, 많이 사용하는 사람들을 위해서는 더 많은 사용량 블록을 구매할 수 있는 기능을 제공할 것입니다."

이러한 변화는 주목할 가치가 있습니다. 성과 기반 요금제(outcome-based pricing)는 회사의 가장 독특한 시장 포지션 중 하나였습니다. 고객이 좌석(seat)이 아닌 결과에 대해 비용을 지불할 것이라는 베팅이었습니다. 그 철학을 내부 운영 작업에 확장하는 것은 비실용적임이 입증되었으며, 이는 AI 에이전트(AI agent)가 조직 내에서 더 다양한 역할을 맡게 됨에 따라 이를 지원하는 가격 모델(pricing model)도 동등하게 다양해져야 함을 시사합니다.

Fin Operator가 혼잡한 AI 고객 서비스 경쟁 분야에서 어떻게 두각을 나타내는가

Fin Operator는 점점 더 경쟁이 치열해지는 환경에 진입합니다. Zendesk, Salesforce, Sierra 및 수많은 AI 기반 스타트업(AI-native startup)들이 모두 AI 기반 지원 운영 도구(AI-powered support operations tooling)의 어떤 버전을 구축하고 있습니다. Grand View Research에 따르면, 더 넓은 AI 자동화 시장(AI automation market)은 2026년에 1,690억 달러에 달할 것으로 예상되며, 연평균 성장률(compound annual rate) 31.4%로 성장하고 있습니다. 그러나 Donohue는 Operator의 차별화가 두 가지 영역에 있다고 주장했습니다. 첫째, 폭넓은 범위입니다. Operator는 단일하고 좁은 사용 사례를 다루는 대신, 데이터, 콘텐츠, 절차, 시뮬레이션, 지침 및 모니터링 등 회사의 구성 시스템(configuration system)의 전체 표면 영역에 걸쳐 작동합니다. 둘째, AI 및 인간 운영 모두를 아우른다는 사실입니다.

"가장 중요하게, 우리가 가장 큰 차별점을 가진다고 생각하는 부분은 인간 시스템과 AI 시스템 모두를 위한 것이기 때문입니다." Donohue는 말했습니다. "이것이 우리가 가진 정말 독특한 공간 중 하나입니다. 일류 AI 에이전트(AI agent)와 일류 헬프데스크(help desk)를 가지고 있으며, Operator는 둘 모두에서 작동합니다."

경쟁 포지셔닝(competitive positioning)은 타이밍의 이점도 누립니다. Intercom에서 Fin으로 최근 회사 브랜드가 변경된 것은 레거시 플레이어(legacy player)들이 따라잡기 어려울 수 있는 AI에 대한 전폭적인 헌신을 나타냅니다. CEO McCabe가 사명 변경을 발표하면서 썼듯이, AI 에이전트(AI agent)는 "우리 사업의 가장 큰 부분이 될 것입니다." 헬프데스크(help desk) 제품은 Intercom 2로 계속되지만, 모회사는 이제 AI 에이전트(AI agent)의 이름을 사용합니다. 이는 일부 업계 관찰자들이 IPO 전 포지셔닝(pre-IPO positioning)으로 해석한 브랜딩(branding) 움직임입니다. 4월 초에 출시된 Fin API 플랫폼(Fin API Platform)은 또 다른 차원을 추가합니다. 회사는 독점 Apex 모델(Apex model)을 타사 개발자에게 개방했으며, Decagon 및 Sierra와 같은 직접적인 경쟁자에게도 기술 라이선스를 제공했습니다.

진정한 패러다임 전환은 새로운 채팅 인터페이스(chat interface)가 아니라 당신을 위해 생각하는 에이전트(agent)입니다

제품의 세부 사항에서 한 발 물러서서 보면, Fin Operator는 새로운 대시보드(dashboard)나 분석 도구(analytics tool)보다 잠재적으로 더 중요한 것을 나타냅니다. 이는 다른 AI 에이전트(AI agent)를 관리하는 AI 에이전트(AI agent)라는 새로운 패러다임을 명시적으로 구현하는 최초의 상업용 제품 중 하나입니다. 이는 기업들이 운영 소프트웨어(operational software)에 대해 생각하는 방식을 재편하기 시작하는 두 계층의 추상화입니다. Donohue는 이 점에 대해 단호했습니다. 그가 주장한 진정한 패러다임 전환은 버튼과 메뉴를 대체하는 채팅 인터페이스(chat interface)가 아닙니다. AI가 실제 지식 작업(knowledge work)을 수행하고, 무엇이, 왜, 어떻게 변경되어야 하는지 파악하는 것입니다.

"UX 변경은 가장 눈에 띄지만 부차적입니다." Donohue는 말했습니다. "변화는 우리가 지원 운영(support operations)의 작업을 식별하고 수행한다는 것입니다. 지식 관리자(knowledge manager)가 하는 일을 AI가 수행하므로, 그들은 단