.@eoghan, CEO @intercom, oraz @fergal_reid, Chief AI Officer, dołączają do @labenz w @cogrev_podcast, aby omówić, jak zbudowali Fin—agenta obsługi klienta AI, który zwiększył wskaźnik rozwiązywania problemów z 35% do 65% w ciągu 30 miesięcy, wprowadzając jednocześnie model cenowy oparty na wynikach za 99¢ za rozwiązanie. Zgłębiają: * Dlaczego inteligencja nie jest wąskim gardłem—GPT-4 był już wystarczająco inteligentny, a tylko kilka punktów procentowych z ich 30-punktowej poprawy pochodziło z lepszych modeli bazowych * Inżynieria kontekstu jako prawdziwy motor napędowy: niestandardowe modele wyszukiwania, re-ranking i tysiące testów A/B w produkcji, które wykrywają zmiany wskaźnika rozwiązywania problemów na poziomie 0,1% * Model cenowy 99¢ za rozwiązanie, który początkowo był nieopłacalny, ale osiągnął marże na poziomie oprogramowania dzięki poprawie wskaźników sukcesu i spadającym kosztom wnioskowania * Jak Fin rozwiązał problem podwodnego zespołu wsparcia bez masowych zwolnień—spowolnienie nowych zatrudnień przy jednoczesnym przesuwaniu ludzi w górę łańcucha wartości (z wyjątkiem BPO, które są natychmiast zastępowane) CZASOMIERZE: (00:00) O odcinku (03:43) Nadążanie za AI (09:56) Ocena modeli i ewaluacji (13:04) Uczestnicy vs. Startupy (18:54) Ryzyko produktu i osąd (Część 1) (19:00) Sponsorzy: Linear | AGNTCY (21:34) Ryzyko produktu i osąd (Część 2) (23:42) Historia zwolnień w Klarna (Część 1) (32:11) Sponsorzy: Claude | Shopify (36:13) Historia zwolnień w Klarna (Część 2) (36:14) Zwiększanie wskaźnika rozwiązywania problemów (45:00) Inteligencja nie jest wąskim gardłem (50:10) Zamykanie luki w automatyzacji (56:20) Dokładność ludzi vs. AI (1:01:03) Niuanse szybkości (1:04:48) Rozważanie zmian paradygmatów (1:09:31) Model cenowy oparty na wynikach (1:19:12) Luźne hackowanie i spostrzeżenia (1:26:05) Przyjęcie AI i ambicje (1:36:00) Zakończenie