Fyxer построил ИИ-ассистента для почты на моделях OpenAI

OpenAI опубликовала кейс о стартапе Fyxer, который строит ИИ-ассистента для деловой переписки. Сооснователь Fyxer Арчи Холлингсворт объясняет сложность задачи через парадокс Моравека: то, что легко для человека, трудно для компьютера, и наоборот, поэтому Fyxer учит систему работать так, как работает конкретный пользователь, а не создаёт универсального помощника. Компания сочетает модели OpenAI с данными, накопленными за годы работы её прежнего сервиса: более 500 000 часов размеченных рабочих процессов реальных executive assistants (ассистентов руководителей) легли в основу обучения.

Вместо одной модели, которая пишет письмо целиком, Fyxer построила систему из 30, 50 специализированных моделей, каждая отвечает за узкую часть работы с почтой. Когда приходит письмо, модель классификации решает: нужен ли ответ, идёт ли речь о планировании встречи или это просто информация к сведению. Если ответ нужен, другие модели анализируют намерение отправителя и вероятный исход переписки, например, движется ли она к назначению встречи или к закрытию запроса. Отдельные модели памяти сравнивают новое письмо с сохранёнными взаимодействиями и подтягивают контекст, релевантный именно этому человеку и этой переписке. По словам представителя Fyxer Шантсилы, модели OpenAI задействованы на всех этих этапах, от разбора смысла письма до ранжирования контекста и генерации самого черновика.

До запуска ИИ-продукта Fyxer годами работала как сервис ассистентов с участием людей, и именно тогда был накоплен исходный датасет. Для дообучения компания использует контролируемое дообучение (SFT) и LoRA, это позволяет создавать узкоспециализированные варианты моделей при контролируемых затратах на обучение. Ранние версии дообучались через платформу OpenAI, а для новых контрольных точек Fyxer работает с командой управляемого дообучения OpenAI. После запуска система продолжает учиться на правках пользователей: разница между черновиком ИИ и итоговым отправленным письмом превращается в пару «было, стало» для метода прямой оптимизации предпочтений (DPO), вместо ручной разметки каждого примера. Каждое изменение в генерации черновиков проходит A/B-тест и попадает в продакшен только при статистически значимом улучшении; из-за большого объёма пользователей порог значимости иногда достигается за один день.

По данным компании, сегодня 53% черновиков, сгенерированных ИИ, пользователи принимают как есть, без правок. В 2025 году годовая регулярная выручка (ARR) Fyxer выросла с $1 млн до $32 млн. Но, по словам Холлингсворта, более важный показатель, удержание: более 90% пользователей продолжают платить у Fyxer через 90 дней и пользуются сервисом ежедневно; многие из них не технические специалисты, и для части, это первая ИИ-система, которой они пользуются каждый день.

Далее Fyxer намерена развивать более глубокое понимание отношений, предпочтений и текущих рабочих переписок пользователей, двигаясь от простого составления черновиков к более широкому ассистенту, который берёт на себя больше коммуникационной и координационной нагрузки.

Ключевые факты

Fyxer сочетает модели OpenAI с более чем 500 000 часов данных о работе живых executive assistants (ассистентов руководителей)
Система построена не на одной модели, а на 30, 50 специализированных моделях: отдельно классификация письма, анализ намерения, память и генерация ответа
Обучение, SFT и LoRA, затем DPO на правках, которые пользователи вносят в черновики; каждое изменение выкатывается только после A/B-теста на статистическую значимость
53% черновиков ИИ пользователи принимают без правок; ARR Fyxer вырос с $1 млн до $32 млн за 2025 год
Более 90% пользователей продолжают платить через 90 дней после начала использования

Почему это важно

Кейс показывает конкретную инженерную архитектуру для ИИ-агента, работающего с чувствительной субъективной задачей, деловой перепиской, где правильный ответ зависит от отношений и контекста, а не только от текста письма. Вместо одной большой генеративной модели Fyxer декомпозировала задачу на десятки узких моделей и построила цикл обучения на реальных правках пользователей через DPO, а не только на разметке, сделанной заранее.

Кому это важно

Основателям и инженерам, которые строят ИИ-продукты для субъективных, контекстных задач, тон, намерение, приоритеты, где единственно верного ответа не существует; командам, которые проектируют память и персонализацию в агентах; всем, кто выбирает между SFT, LoRA и DPO для дообучения под конкретного пользователя, а не под усреднённый сценарий.

Как это применить

Из текста следуют три практических приёма. Первый, разбивать сложную генеративную задачу на систему узких моделей-классификаторов и предикторов вместо одной модели, которая делает всё сразу. Второй, использовать исторические данные о работе людей (у Fyxer, 500 000+ часов работы ассистентов) как основу для дообучения новой ИИ-системы. Третий, превращать правки пользователей в обучающие пары для DPO и выкатывать изменения только после A/B-теста на статистическую значимость, а не по интуиции команды.

Можно ли доверять

Материал, заказной кейс OpenAI о собственном клиенте, а не независимое исследование: все цифры (53%, более 90%, рост ARR) даны со слов Fyxer и её сооснователя, без внешней проверки. В тексте нет даты публикации кейса, размера команды или пользовательской базы Fyxer, условий подписки, данных о раунде финансирования или оценке компании, а также конкретных названий и версий моделей OpenAI, только общие формулировки «последние» и «передовые» модели.

Риски и подводные камни

Как у любого маркетингового кейса, здесь есть риск избирательной подачи: показаны только успешные метрики, без сравнения с альтернативными архитектурами, конкурентами или неудачными экспериментами. Обучение на правках пользователей через DPO может закреплять их случайные предпочтения или ошибки так же охотно, как и удачные паттерны. Рост ARR в 32 раза за год у молодого стартапа с небольшой стартовой базой ($1 млн), типичная для ранней стадии динамика, которая не гарантирует, что показатели удержания и качества сохранятся при кратном увеличении числа пользователей.

«Все говорят про ARR, но, по-моему, реальный козырь, это удержание. Больше 90% наших пользователей продолжают платить у нас через 90 дней и пользуются сервисом каждый день.»

— Арчи Холлингсворт, сооснователь Fyxer