How Fyxer built an AI executive assistant people trust は、Fyxer が OpenAI のモデル、ファインチューニング、メモリ、ユーザーからの実フィードバックを組み合わせ、メール整理と返信下書きを各ユーザーの声に近づけている事例です。
同社は 50 万時間超のエグゼクティブアシスタント業務データを活用し、メールを単一の生成タスクではなく、判断・分類・文脈取得・下書き生成に分解しています。90日後のユーザー継続率は90%、AI生成下書きの53%はそのまま採用されているとされています。
ここで重要なのは、AIアシスタントの価値が「自然な文章を書けるか」だけでは測れなくなっていることです。メール返信は一見すると文章生成の問題に見えます。しかし実際には、誰に返すのか、過去に何を話したのか、今すぐ返すべきか、どの程度くだけた表現が許されるのか、といった小さな判断の集合です。
Fyxer の設計が示しているのは、この複雑さを大きなモデルひとつに丸投げしない方向です。返信が必要かを判定する。意図を読む。関連する記憶を取り出す。文体を合わせる。こうした仕事を細かく分け、ユーザーが実際に修正した差分を次の学習材料にする。つまり、信頼はモデル性能だけでなく、業務をどう分解し、どのフィードバックを改善ループに戻すかで作られています。
これは、生成AI導入を考える組織にとって前向きな示唆があります。AIを「万能な代行者」として置くより、まず人間が日々行っている判断を観察し、再利用できる形に分解するほうが、実用に近づきやすいということです。特にメール、チケット処理、レビュー、顧客対応のように、正解が文脈で変わる業務では、プロンプト改善だけでは限界があります。
AIアシスタントが信頼される条件は、出力が流暢なことではありません。ユーザーが「自分ならこう判断する」に近い動きを継続的に増やせることです。Fyxer の事例は、AI活用の競争軸がモデル選定から、業務データ、評価、フィードバック設計へ移っていることを示しています。導入判断で見るべきなのは、どのAIを使うかだけではなく、そのAIが現場の判断を学び続ける仕組みを持てるかです。
関連記事
- Introducing Gemini 3.7 Flash
- Cognition helps Devin test its own work with GPT‑6 Astra
- Rapidly scaling online storage to serve over 1 billion ChatGPT users
参考文献
コメント