AI起草邮件过半被直接采用，近一半仍要人工改动

Fyxer在推出AI产品前，先运营了多年人工行政助理服务，积累了超过50万小时的标注行政工作流数据。AI产品上线后，系统结合最新的OpenAI模型，用几十个专门模型分工处理邮件。具体是30到50个模型，每个只负责邮件工作流里的一个窄环节。

新邮件到达时，回复决策模型先分类：需要回复、要安排日程，还是只需看一眼。另一些模型分析邮件意图，预测对话走向——安排会议、解决请求，还是延续长期关系。检索模型把新邮件和存储的交互记录对比，提取与这个人、这条线程最相关的记忆。邮件内容摘要、上下文重排序和实际起草，由OpenAI模型完成。

训练成本是现实约束。Fyxer用监督微调和LoRA技术创建任务特定模型变体，控制成本。研发早期，团队用OpenAI的微调平台处理需要高准确度的任务。近期又和OpenAI的托管微调团队合作，把新检查点投入生产。选择OpenAI，是因为它们的模型在内部基准上表现最好。微调能力强，能处理语气、意图这类主观任务，还提供工程师支持。模型部署前，要在基于自身邮件任务的验证集上评估，准确性必须和响应时间、成本一起权衡。

用户对AI草稿的修改，会被转化为训练数据，用的是直接偏好优化（DPO）。每个草稿更改还要经过A/B测试，只有出现统计显著的改进才发布新版本。目前53%的AI生成草稿被原样接受，多数邮件不用从头写起。换个角度看，近一半草稿仍被改动过，目前不清楚这些改动是否会让模型过度贴合某一个人。

2025年，Fyxer的年经常性收入从100万美元增长到3200万美元。超过90%的用户90天后仍在付费，并且每天在用。

Fyxer联合创始人Archie Hollingsworth引用莫拉维克悖论：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。邮件处理恰好属于前者，一条流程要拆成几十个模型才能逼近。Fyxer的愿景是把人带到不用打开电脑的地步——信任Fyxer管理所有沟通和协调。但边界并不清晰：敏感或机密邮件怎么处理、支持哪些语言、定价多少，都是空白。