Fyxer: AI-ассистент, которому доверяют почту

Представьте себе помощника, который читает вашу почту, точно знает ваш стиль общения с клиентами и умеет отличить срочное письмо от информационного шума — и всё это без единого инструктажа с вашей стороны. Именно такой продукт создала команда Fyxer, и за 2025 год компания выросла с $1 млн до $32 млн годовой выручки (ARR).

Но за этой цифрой стоит нетривиальная инженерная история: как построить AI-систему, которой люди действительно доверяют свой рабочий почтовый ящик?

От людей-ассистентов к искусственному интеллекту

Fyxer не начинала как технологическая компания. До запуска AI-продукта команда несколько лет управляла сервисом с живыми персональными ассистентами, и за это время накопила датасет из более чем 500 000 часов аннотированных рабочих процессов.

Эти данные фиксировали не просто переписку, а мелкие решения, которые принимает хороший ассистент: когда ответить быстро, когда подождать, какое письмо из цепочки важно прямо сейчас и почему одинаковый запрос от разных людей требует разной реакции.

Этот корпус создаёт защитный ров против обычных AI-помощников для продуктивности, у которых нет специализированных данных по электронной почте и рабочим встречам.

Как устроена система: 30–50 моделей вместо одной

Наивный подход — взять большую языковую модель и попросить её «отвечать на письма». Fyxer пошла другим путём.

Система распределяет задачи между 30–50 специализированными моделями, каждая из которых отвечает за классификацию, предсказание намерений, извлечение контекста из памяти или генерацию черновика, — вместо одной большой модели для всего.

Поток обработки одного письма выглядит примерно так:

graph TD
    A[Входящее письмо] --> B[Классификация: срочность и тема]
    B --> C[Предсказание намерения]
    C --> D[Извлечение контекста из памяти]
    D --> E[Frontier-модель OpenAI]
    E --> F[Генерация черновика ответа]
    F --> G[A/B тест нового варианта]
    G --> H[Пользователь принимает / редактирует]
    H --> I[DPO: обновление модели]

Frontier-модели (передовые модели) OpenAI обеспечивают ключевые этапы: понимание содержания письма, поиск нужного контекста и генерацию черновика.

Fyxer выбрала OpenAI, потому что её модели показали лучшие результаты на внутренних бенчмарках, предложили сильные возможности fine-tuning для субъективных задач вроде тона и намерения, а также обеспечили реальную инженерную поддержку через совместные технические сессии.

Fine-tuning: как модель учится говорить вашим голосом

Одна из главных проблем AI-почты — шаблонность. Модель пишет «корпоративно», тогда как вы привыкли к краткому, живому стилю. Fyxer решает это тремя методами.

Supervised Fine-Tuning + LoRA

Fyxer применяет supervised fine-tuning (дообучение с учителем) и Low-Rank Adaptation — LoRA — для создания специализированных вариантов модели под конкретные задачи, контролируя при этом стоимость обучения.

LoRA — это техника, которая позволяет адаптировать большую модель, обучая лишь небольшое число дополнительных параметров, не затрагивая базовые веса. Это делает дообучение быстрым и дешёвым.

На ранних этапах команда использовала платформу fine-tuning от OpenAI для задач, требующих высокой точности. В дальнейшем Fyxer совместно с командой управляемого fine-tuning OpenAI выпустила новый checkpoint в продакшн.

DPO: обучение на правках пользователя

Самая интересная часть — как система учится на реальной обратной связи, не требуя ручной разметки.

Fyxer преобразует пользовательские правки в обучающие данные с помощью Direct Preference Optimization (DPO — оптимизация прямых предпочтений). Вместо ручной разметки каждого примера модель учится на парах выходов: исходный черновик и отредактированная пользователем версия.

Каждое изменение в системе генерации черновиков проходит через A/B тест. Fyxer внедряет новую версию только тогда, когда она показывает статистически значимое улучшение. Благодаря большой пользовательской базе команда иногда достигает нужного порога уже за один день.

Что умеет Fyxer на практике

Fyxer организует почтовый ящик, составляет черновики ответов, делает заметки на встречах и помогает с расписанием. Работает внутри Gmail и Outlook.

Система учится различать, как вы пишете клиентам и как — коллегам. Она улавливает уровень формальности, привычные подписи и даже чувство юмора.

Для персонализации черновиков Fyxer анализирует около 300 последних писем пользователя, чтобы понять паттерны его общения.

С точки зрения безопасности Fyxer верифицирована Google и Microsoft, имеет сертификацию ISO 27001 и соответствует требованиям GDPR. Данные электронной почты не хранятся постоянно и не используются для обучения внешних моделей.

Парадокс Моравека: почему это сложнее, чем кажется

«Есть такая штука — парадокс Моравека. То, что легко для человека, сложно для компьютера. И наоборот.» — Арчи Холлингсворт, сооснователь Fyxer

Сооснователь Fyxer Арчи Холлингсворт объясняет суть проблемы через парадокс Моравека: то, что интуитивно понятно человеку, крайне сложно для компьютера. Fyxer решает эту проблему, обучаясь на индивидуальном стиле каждого пользователя — чтобы реагировать как ассистент, который уже знает, что важно.

Например: вы получаете письмо от партнёра с просьбой «созвониться на этой неделе». Контекст, накопленный в памяти системы, подскажет, что этот партнёр предпочитает звонки во второй половине дня, а переписка с ним всегда ведётся в чуть более формальном тоне, чем с остальными. Именно эти «мелкие суждения» и делают черновик похожим на письмо, написанное вами, а не роботом.

Цифры, которые говорят сами за себя

Сегодня 53% черновиков, сгенерированных Fyxer, принимаются без единой правки — это означает, что система корректно предсказывает намерение и тон для большинства реальных переписок.

В 2025 году Fyxer выросла с $1 млн до $32 млн годовой выручки.

Fyxer используют более 100 000 специалистов, а 90% из них продолжают пользоваться сервисом спустя три месяца — что редкость для инструментов продуктивности.

Архитектурные решения: чему можно поучиться

История Fyxer — это не просто кейс «подключили GPT и всё заработало». Это серьёзная инженерная работа, из которой можно извлечь несколько уроков.

От черновиков к проактивному ассистенту

В планах компании — модуль Memory, который будет создавать доступные для поиска графы институциональных знаний внутри организаций.

Это следующий шаг: от реактивного составления черновиков к проактивной работе — когда AI-ассистент не просто отвечает на письма, но и помнит историю отношений с каждым контрагентом, знает контекст текущих проектов и сам предлагает действия.

Накопленное преимущество в данных может открыть путь к смежным категориям продуктивности: генерации документов, управлению клиентскими отношениями и координации проектов.

Вывод

Fyxer — наглядный пример того, что AI-продукты, построенные на реальных профессиональных данных и петле обратной связи от пользователей, способны достигать доверия, которое сложно скопировать. Здесь нет магии — только методичная инженерия: специализированные модели, fine-tuning, LoRA, DPO и постоянное A/B тестирование.

Для русскоязычных команд, которые тонут в почте (а по статистике, это до 28% рабочего времени), такие инструменты становятся не роскошью, а необходимостью. И история Fyxer показывает: ключ к доверию пользователей — не просто умный алгоритм, а система, которая действительно учится на том, как конкретный человек работает.