Fyxer ปั้น AI ผู้ช่วยบริหารมือโปร ด้วยเบื้องหลังเวิร์กโฟลว์กว่า 5 แสนชั่วโมง

Fyxer ประสบความสำเร็จในการผสานโมเดลจาก OpenAI เข้ากับฐานข้อมูลเวิร์กโฟลว์ของมืออาชีพด้านการบริหาร (Executive Assistant - EA) กว่า 500,000 ชั่วโมง พร้อมนำผลตอบรับจากผู้ใช้งานจริงมาขัดเกลาจนสามารถร่างอีเมลที่สะท้อนตัวตนและน้ำเสียงเฉพาะบุคคลได้อย่างแม่นยำ

ตัวเลขความสำเร็จที่น่าสนใจมีดังนี้:

• 90% คืออัตราการรักษาฐานผู้ใช้ (Retention Rate) หลังจากผ่านไป 90 วัน
• 53% ของร่างอีเมลที่สร้างโดย AI ได้รับการยอมรับและกดส่งทันทีโดยไม่มีการแก้ไขเนื้อหา

สำหรับมืออาชีพในปัจจุบัน การทำงานคือการติดตามการสนทนาและข้อตกลงที่กระจัดกระจายอยู่ตามกล่องจดหมาย การประชุม และแอปพลิเคชันต่างๆ หากขาดบริบทที่ชัดเจน ข้อตกลงที่สำคัญอาจตกหล่นจนสร้างความเสียหายต่อความสัมพันธ์ทางธุรกิจและโครงการได้ Fyxer จึงสร้าง AI ผู้ช่วยที่สามารถติดตามงานข้ามแพลตฟอร์ม โดยใช้โมเดล OpenAI ล่าสุดร่วมกับระบบคาดการณ์เฉพาะทางหลายสิบตัว

อีเมลถือเป็นด่านที่ท้าทายที่สุด เพราะคนสองคนอาจได้รับอีเมลฉบับเดียวกันแต่ต้องการการตอบกลับที่ต่างกันสิ้นเชิงตามระดับความสัมพันธ์และเป้าหมายส่วนตัว ซึ่งกลายเป็นโจทย์ยากสำหรับ AI ทั่วไป

“มันคือสิ่งที่เรียกว่า Moravec’s paradox” Archie Hollingsworth ผู้ร่วมก่อตั้ง Fyxer อธิบาย “สิ่งที่มนุษย์มองว่าง่ายมักเป็นเรื่องยากสำหรับคอมพิวเตอร์ และสิ่งที่คอมพิวเตอร์ทำได้ง่ายมักจะเป็นเรื่องยากสำหรับมนุษย์” Fyxer จึงแก้ปัญหานี้ด้วยการเรียนรู้รูปแบบการทำงานของผู้ใช้แต่ละคน เพื่อให้ AI ตอบสนองได้เสมือนผู้ช่วยส่วนตัวที่รู้ใจว่าสิ่งไหนสำคัญที่สุด

เทคโนโลยีหลักที่ขับเคลื่อนระบบนี้คือโมเดลระดับแนวหน้า (Frontier models) จาก OpenAI ตั้งแต่กระบวนการทำความเข้าใจเนื้อหาไปจนถึงการดึงบริบทเพื่อร่างจดหมาย Fyxer เลือกใช้ OpenAI เนื่องจากผลการทดสอบภายใน (benchmarks) ที่ยอดเยี่ยม ความสามารถในการ Fine-tuning ที่ทรงพลังสำหรับงานที่ต้องใช้ดุลยพินิจ (Subjective) เช่น การคุมน้ำเสียงและเจตนา รวมถึงการสนับสนุนด้านวิศวกรรมที่ใกล้ชิดผ่านการทำ Whiteboarding ร่วมกัน

“เราเลือก OpenAI เพราะพวกเขามีโมเดลที่ดีที่สุดและให้ความสำคัญกับการเข้าถึงและการทำงานร่วมกันอย่างใกล้ชิด ผมสามารถทิ้งคำถามไว้ใน Slack แล้วได้รับคำตอบทันที และเมื่อเราเจออุปสรรค ทีมงานของเขาก็พร้อมจะมานั่งแก้ไขร่วมกับเราถึงออฟฟิศ”

แนวทางของ Fyxer ให้บทเรียนสำคัญ 3 ประการสำหรับผู้พัฒนาผลิตภัณฑ์ AI ที่ต้องพึ่งพาบริบทสูง:

1. การใช้ระบบหลายโมเดลแทนที่จะพึ่งพาโมเดลเดียว Fyxer ออกแบบระบบโดยใช้โมเดลเฉพาะทาง 30–50 ตัว แบ่งย่อยงานอีเมลออกเป็นส่วนเล็กๆ แทนการมองว่าเป็นแค่การเจนข้อความเพียงอย่างเดียว วิธีนี้ช่วยให้ AI คาดการณ์ได้แม่นยำขึ้น เช่น การตัดสินใจว่าอีเมลนี้จำเป็นต้องตอบหรือไม่ หรือควรเลือกใช้น้ำเสียงแบบใดให้เหมาะกับสถานการณ์

“การแบ่งปัญหาออกเป็นโมเดลย่อยๆ จำนวนมาก ให้ผลลัพธ์ที่ดีกว่าการสั่งให้โมเดลเดียวเขียนอีเมลฉบับหนึ่งให้ออกมาดีมาก” Hollingsworth อธิบาย

เมื่อมีอีเมลใหม่เข้ามา โมเดลจะจัดประเภททันทีว่าเป็นเรื่องที่ต้องโต้ตอบ เพื่อนัดหมาย หรือเพียงเพื่อทราบ หากต้องตอบกลับ โมเดลอื่นๆ จะเข้ามาวิเคราะห์เจตนาและแนวโน้มผลลัพธ์ของการสื่อสารนั้นๆ ไม่ว่าจะเป็นการนัดประชุม การแก้ไขคำขอ หรือการรักษาสัมพันธไมตรีระยะยาว

2. ความจำและบริบทคือหัวใจสำคัญ ระบบหน่วยความจำ (Memory) ของ Fyxer คือส่วนสำคัญที่คอยเลือกว่าข้อมูลใดควรเก็บไว้ถาวรและข้อมูลใดควรทิ้งไปเมื่อจบการสนทนา โดยมีโมเดลการดึงข้อมูล (Retrieval models) คอยเปรียบเทียบประวัติการโต้ตอบเพื่อนำความจำที่เกี่ยวข้องกับบุคคลนั้นๆ มาใช้ประกอบการร่างอีเมล

Shantsila ระบุว่าโมเดล OpenAI ขับเคลื่อนทุกขั้นตอนในระบบ ตั้งแต่การย่อยเนื้อหาเพื่อให้เข้าใจประเด็นหลัก การจัดลำดับความสำคัญของบริบท ไปจนถึงการสร้างเนื้อหาอีเมลฉบับจริง

3. การเรียนรู้จากผู้เชี่ยวชาญและผลตอบรับจริง ก่อนจะเป็น AI เต็มตัว Fyxer เคยให้บริการผู้ช่วยบริหารโดยใช้มนุษย์มานานหลายปี ทำให้มีชุดข้อมูลการทำงาน (Annotated data) มากกว่า 500,000 ชั่วโมง ข้อมูลเหล่านี้เปรียบเสมือนครูชั้นดีที่สอนให้ AI รู้ว่าเมื่อใดควรตอบเร็ว เมื่อใดควรประวิงเวลา หรือควรดึงข้อมูลเก่าเรื่องไหนมาพูดถึง

Fyxer ใช้เทคนิค Supervised fine-tuning และ Low-Rank Adaptation (LoRA) เพื่อสร้างโมเดลเฉพาะงานโดยที่ยังควบคุมต้นทุนได้ ในช่วงเริ่มต้นพวกเขาใช้แพลตฟอร์ม Fine-tuning ของ OpenAI สำหรับงานที่ต้องการความแม่นยำสูง และล่าสุดได้ร่วมกับทีม Managed fine-tuning เพื่อนำ Checkpoint ใหม่เข้าสู่ระบบการใช้งานจริง

“OpenAI สำคัญมากในการช่วยให้เราถ่ายโอนสิ่งที่เรียนรู้เกี่ยวกับลูกค้า นำไปรวมเข้ากับวิธีการทำงานของโมเดลได้อย่างไร้รอยต่อ”

ในการประเมินผล Fyxer จะทดสอบโมเดลบนชุดข้อมูลตรวจสอบ (Validation sets) ที่สร้างขึ้นจากงานอีเมลจริง โดยชั่งน้ำหนักระหว่างความแม่นยำ ความเร็ว และต้นทุน นอกจากนี้ยังใช้ระบบ Direct Preference Optimization (DPO) เพื่อให้ AI เรียนรู้จากการแก้ไขของผู้ใช้งาน เมื่อผู้ใช้ปรับแก้ร่างจดหมาย ระบบจะเปรียบเทียบเวอร์ชันต้นฉบับกับเวอร์ชันสุดท้ายเพื่อเรียนรู้ความต้องการที่แท้จริง

ทุกการอัปเดตจะต้องผ่าน A/B test และจะปล่อยฟีเจอร์ใหม่เมื่อมีการปรับปรุงที่มีนัยสำคัญทางสถิติเท่านั้น ด้วยฐานผู้ใช้ที่กว้างขวางทำให้บางครั้งพวกเขาสามารถสรุปผลการทดสอบได้ภายในวันเดียว

ปัจจุบัน Fyxer เติบโตอย่างก้าวกระโดด โดยในปี 2025 เพียงปีเดียว รายได้ประจำปี (ARR) พุ่งจาก 1 ล้านดอลลาร์ เป็น 32 ล้านดอลลาร์ แต่สิ่งที่ Hollingsworth ภูมิใจมากกว่าคือความไว้วางใจจากลูกค้า ซึ่งส่วนใหญ่ไม่ใช่ผู้เชี่ยวชาญด้านเทคโนโลยี

“หลายคนพูดถึง ARR แต่สำหรับผม การรักษาลูกค้าคือความสำเร็จที่แท้จริง ผู้ใช้ของเรากว่า 90% ยังคงใช้งานและจ่ายค่าบริการอย่างต่อเนื่องเมื่อถึงเกณฑ์ 90 วัน”

ในอนาคต Fyxer มุ่งมั่นที่จะสร้าง AI ที่เข้าใจความสัมพันธ์และความซับซ้อนของงานได้ลึกซึ้งขึ้น โดยตั้งเป้าที่จะขยายขอบเขตจากการเป็นเพียงผู้ร่างคำตอบ ไปสู่ผู้ช่วยในวงกว้างที่จัดการภาระงานด้านการประสานงานทั้งหมดแทนมนุษย์ เพื่อให้ลูกค้าได้ทุ่มเทกับงานที่พวกเขารักมากที่สุดโดยไม่ต้องเปิดคอมพิวเตอร์มาจัดการเรื่องเหล่านี้ด้วยตนเอง