OpenAI发布Fyxer AI行政助理案例视频

公司先解释了邮件回复为什么是个难题。同一封邮件，两个人收到后可能需要完全不同的回复，取决于双方关系、此前的往来以及各自当下要办的事。霍林斯沃斯引用莫拉维克悖论，即"人类觉得容易的事对计算机很难，计算机觉得容易的事对人类很难"，承认这项工作远比看上去棘手。因此Fyxer没有让一个模型去写一封好邮件，而是把工作拆成30到50个小型专用模型。新邮件到达时，先由判断是否回复的模型进行分类：这是需要回复的邮件、需要安排日程的事项，还是只需知悉的信息；如果需要回复，其他模型再解读意图，并预测对话是走向约会议还是处理请求。

用秘书处来打比方最容易理解。不是让一位能干的秘书包揽一切，而是分成负责接待的人、负责排日程的人和负责记住过往的人。公司写道，其中记忆这一环最重要。它必须决定哪些信息要带到下一次对话、哪些用一次就丢弃；新邮件进来时，检索模型会将其与已存储的往来比对，只调出与这个人和这条脉络最相关的记忆。霍林斯沃斯在案例中说："把问题拆成许多小模型，比让一个模型去写一封好邮件效果好得多。"

50万小时这个数字来自AI产品之前就存在的业务。Fyxer在推出AI产品前经营了几年由真人提供的行政助理代办服务，期间积累了带标注的工作记录，记下了何时立即回复、何时等待、哪段过往对话此刻重要之类的细微判断。公司表示，它用这些数据进行了监督微调，并采用只低成本修改模型一部分的LoRA来构建按任务划分的模型变体；早期使用OpenAI的微调平台，最近则与OpenAI的托管微调团队合作，把新的检查点投入了正式服务。Fyxer的AI/ML产品工程师乔伊·德翁奇克说："在把我们对客户的了解转化到模型的运作方式中这件事上，OpenAI起到了决定性作用。"

部署之后学习仍在继续。用户修改草稿后再发送，原始草稿与修改结果之间的差异就成了偏好信号，公司把这些成对数据转化为直接偏好优化（DPO）的训练数据。这就像新来的秘书看着上司用红笔改过的草稿学习，区别在于不需要有人逐条标注正确答案。草稿生成方式每次变更都要经过A/B测试，只有出现统计上显著的改进才会推出新版本。公司写道，由于用户数量多，这一门槛有时一天之内就能达到。

成果数字仅看公司公开的部分也很清楚。根据案例，2025年一年间年度经常性收入从100万美元增长到3200万美元；霍林斯沃斯在视频中说，公司第一年就从零做到了3000万美元。他主张真正的指标是留存率而非收入。他在案例中说："大家都在谈ARR，但我认为留存率才是真正值得炫耀的。我们90%以上的用户在第90天仍在付费，而且每天都在用。"公司还补充说，相当多客户并不精通技术，对一些人来说Fyxer是他们每天使用的第一个AI产品。

反过来看，47%的草稿仍要经过人手，公司也没有回避邮件对AI来说是件棘手的事。视频里人物把OpenAI团队形容为"像五星级酒店"的场景也提醒我们，这是OpenAI在介绍自己的客户。即便如此，这套方法本身值得其他公司参考。METAL此前报道过非公开AI助理Instinct三周内估值增长五倍以及围绕该助理邮件访问权限的争议，随着要求托管整个收件箱的产品越来越多，如何建立信任本身就成了竞争力。

Fyxer展示的信任要素归根结底有三个：把工作细分的模型结构、真人实际工作50万小时的记录，以及每天从用户修改痕迹中重新学习的循环。霍林斯沃斯在案例中说："我们想把客户带到一个不必打开电脑、可以放心让Fyxer管理这一切的状态。"AI助理的下一轮竞争，胜负不在于更大的模型，而在于能多快缩小那47%仍被用户改写的草稿。