Fyxer раскрыл детали работы своего AI-ассистента для руководителей и команд, который помогает разбирать почту и готовить ответы с учетом контекста общения. По данным компании, 53% сгенерированных черновиков пользователи отправляют без изменений, а удержание клиентов через 90 дней превышает 90%.

Ключевая идея продукта — не пытаться решать задачу одним универсальным алгоритмом. Fyxer использует OpenAI API вместе с собственной базой из более чем 500 тысяч часов работы реальных executive assistant и делит процесс на десятки узких моделей, каждая из которых отвечает за отдельный этап: нужно ли вообще отвечать на письмо, какой у него смысл, какой контекст важен, каким должен быть тон ответа.

Что именно показал кейс Fyxer

Компания описывает систему как набор из 30–50 специализированных моделей. Вместо одного запроса «напиши хороший ответ на письмо» сервис последовательно решает несколько задач:

  • определяет, требует ли письмо ответа, действия по встрече или только просмотра;
  • анализирует намерение отправителя и вероятный результат переписки;
  • подтягивает релевантную память по человеку и цепочке общения;
  • генерирует черновик в стиле конкретного пользователя.

Такой подход оказался эффективнее, чем попытка поручить всю задачу одной модели. В Fyxer отдельно подчеркивают, что для почтовых сценариев особенно важна «память»: системе нужно понимать, какие детали стоит хранить между диалогами, а какие не имеют значения после одного письма.

На чем обучали ассистента

До запуска AI-продукта Fyxer несколько лет оказывал услуги executive assistant силами людей. За это время компания накопила датасет из более чем 500 тысяч часов размеченных рабочих процессов. Именно он стал основой для обучения: в нем зафиксированы реальные паттерны деловой коммуникации — когда отвечать сразу, когда лучше подождать, какой прошлый разговор важен и почему один и тот же запрос требует разных ответов для разных людей.

Для настройки моделей компания использовала supervised fine-tuning, Low-Rank Adaptation и управляемый fine-tuning вместе с OpenAI. Перед выводом новой версии в продакшен Fyxer проверяет ее на собственных валидационных наборах по задачам черновиков, классификации и приоритизации, а также оценивает не только точность, но и скорость ответа и стоимость обработки.

Как обратная связь пользователей улучшает качество

После запуска система продолжает дообучаться на реальном поведении пользователей. Если человек редактирует черновик перед отправкой, Fyxer сравнивает исходный и финальный вариант и превращает разницу в обучающие данные. Для этого компания использует Direct Preference Optimization — модель учится на парах «что предложил AI» и «что выбрал пользователь».

Каждое изменение в генерации проходит A/B-тестирование. Новую версию выкатывают только при статистически значимом улучшении. Благодаря объему использования компания иногда получает достаточно данных для такого решения уже в течение одного дня.

Какие результаты получила компания

Главные цифры кейса:

  • 53% AI-черновиков принимаются без правок;
  • более 90% пользователей продолжают платить через 90 дней;
  • в 2025 году годовая регулярная выручка компании выросла с 1 млн до 32 млн долларов.

Для продукта, который работает с личной и деловой перепиской, именно удержание выглядит особенно важным сигналом. Fyxer отмечает, что многие клиенты не являются техническими специалистами, а для части из них это первый AI-инструмент, которым они пользуются ежедневно.

Что это значит для российского рынка

Кейс Fyxer важен не только как история роста AI-стартапа, но и как практический ориентир для российских команд, которые автоматизируют коммуникации, продажи, поддержку и контент. Главный вывод — доверие к AI в рабочих процессах появляется не из-за «самой умной модели», а из-за точной настройки под конкретный сценарий, качественных данных и постоянного цикла обратной связи.

Для бизнеса в России этот подход применим в email-маркетинге, клиентском сервисе, обработке лидов, CRM-коммуникациях и внутренних workflow. Для SEO- и контент-команд урок тоже прямой: если использовать AI для подготовки писем, брифов, ответов клиентам, outreach или редакционных задач, лучше разбивать процесс на этапы — классификация, извлечение контекста, генерация, проверка — а не ждать стабильного результата от одного универсального промпта.

Практический вывод для специалистов, работающих с Яндексом и Google: при внедрении AI в маркетинг и контент важнее строить управляемый процесс с метриками качества, чем просто подключать модель. Именно это позволяет повышать принятие результатов без ручных правок и снижать операционные затраты.

На практике кейс Fyxer показывает: AI-ассистенты начинают приносить реальную пользу там, где есть узкая задача, исторические данные, понятные метрики и регулярное обучение на действиях пользователей.

Совет эксперта Analito

Если в компании уже используют AI для писем, лидов или клиентских ответов, разделите процесс на этапы: сначала классификация запроса, затем подбор контекста, потом генерация текста. Это обычно дает более стабильный результат, чем один общий запрос к модели.

Собирайте и сохраняйте правки пользователей к AI-черновикам. Даже простое сравнение исходного текста и финальной версии поможет понять, где модель ошибается в тоне, фактах или приоритетах, и станет базой для доработки сценариев.

Оценивайте AI не только по качеству текста, но и по бизнес-метрикам: доля ответов без правок, скорость обработки, стоимость одного сценария, повторное использование. Для SEO- и контент-команд это особенно важно при масштабировании outreach, редакционных процессов и клиентских коммуникаций.

Частые вопросы

Почему показатель 53% принятых черновиков считается сильным результатом?

Потому что речь идет о деловой переписке, где важны контекст, отношения между людьми и тон общения. Если больше половины писем отправляют без правок, значит система часто правильно угадывает намерение и стиль ответа.

Можно ли применить подход Fyxer в российском бизнесе без собственного большого AI-отдела?

Да, если начать с узкого сценария: ответы на входящие заявки, письма клиентам, follow-up после встреч. Важнее собрать качественные примеры и настроить цикл проверки, чем сразу строить сложную универсальную систему.

Какой главный вывод из кейса для маркетологов и SEO-специалистов?

AI лучше внедрять как управляемый процесс с метриками и обратной связью, а не как разовую генерацию текста. Это особенно полезно для outreach, клиентских писем, контент-производства и внутренних редакционных задач.