Разбор архитектуры ИИ-ассистента Fyxer: почему разделение задач на десятки мелких моделей и обучение на правках пользователей работают лучше одного большого алгоритма.
3 мин
Стартап Fyxer разработал виртуального помощника для руководителей, который берет на себя управление электронной почтой и коммуникациями. За один 2025 год компания увеличила регулярную годовую выручку с 1 до 32 миллионов долларов. При этом удержание пользователей после 90 дней использования составляет более 90 процентов. Секрет такого роста кроется не в магии одной большой языковой модели, а в грамотной архитектуре и работе с данными.
Многие профессионалы сталкиваются с тем, что контекст рабочих задач теряется в потоке писем и сообщений. Написать ответ на письмо кажется простой задачей для человека, но для алгоритма это сложно. Сооснователь Fyxer Арчи Холлингсворт называет это парадоксом Моравека: то, что легко для людей, трудно для машин. Два человека могут получить одинаковое письмо, но ответ будет кардинально отличаться в зависимости от их стиля, истории отношений и текущих целей. Обычный запрос к базовой нейросети здесь не сработает.
Чтобы решить эту проблему, инженеры Fyxer отказались от идеи использовать одну модель для всего. Они разбили процесс обработки почты на систему из 30-50 узкоспециализированных микромоделей. Когда приходит новое письмо, первая модель-классификатор решает, нужен ли вообще ответ, требуется ли назначить встречу, или это просто информационное сообщение.
Legora customer story art card - Option C
Если ответ нужен, в дело вступают другие алгоритмы. Они определяют намерения отправителя и прогнозируют вероятный исход диалога. Отдельная система памяти и извлечения информации (retrieval) решает, какие детали из прошлых переписок важны сейчас, а какие можно проигнорировать. Только после сбора всего контекста происходит генерация текста с помощью моделей OpenAI.
Фундаментом для обучения системы послужили данные, собранные за годы работы реальных ассистентов. Компания накопила датасет из более чем 500 тысяч часов задокументированных рабочих процессов. Это позволило использовать контролируемое дообучение (supervised fine-tuning) и метод низкоранговой адаптации (LoRA) для создания специфических версий моделей под каждую микрозадачу, балансируя между точностью, скоростью и стоимостью вычислений.
Самый важный элемент системы — это петля обратной связи. Когда пользователь редактирует черновик письма перед отправкой, система фиксирует разницу между изначальным вариантом и итоговым. Эти данные автоматически превращаются в обучающую выборку с помощью метода прямой оптимизации предпочтений (DPO). Модель учится на парах текстов, понимая, какой вариант человек считает лучшим. Каждое изменение проходит A/B-тестирование, и новая версия алгоритма внедряется только при статистически значимом улучшении.
Playco Astra customer story art card - Option B
Сегодня 53 процента писем, созданных Fyxer, пользователи отправляют вообще без правок. Это означает, что система научилась точно улавливать тон и намерения в более чем половине реальных рабочих ситуаций.
Для индустрии этот кейс демонстрирует важный сдвиг. Время простых оболочек над базовыми моделями прошло. Успешные ИИ-продукты строятся на глубоком понимании предметной области, сложной маршрутизации задач и непрерывном обучении на действиях пользователей. Технологическим конкурентным преимуществом становится не сама нейросеть, а конвейер обработки пользовательских предпочтений.
В будущем Fyxer планирует перейти от простого написания черновиков к созданию проактивного ассистента. Цель состоит в том, чтобы система могла самостоятельно управлять коммуникацией и координацией задач, требуя от человека лишь стратегического контроля.
Успех B2B ИИ-продукта строится на разделении сложных процессов на микрозадачи и автоматическом дообучении моделей на основе пользовательских правок.
Главная ценность ИИ-ассистента заключается не в умении писать красивый текст, а в способности правильно маршрутизировать задачу и отсекать лишний контекст до начала генерации.
