OpenAIはFyxerがOpenAI models、fine-tuning、memory、real user feedbackを使い、個人の文脈に合うemail draftを作る事例を公開しました。500,000+ hoursのEA workflowと30〜50のspecialized modelsを使います。 personal assistantは汎用LLMだけで成立しにくく、細分化された判定、memory選択、user editからの継続学習が品質差になります。導入側はtone再現だけでなく、保存する記憶、feedback利用、A/B test基準を定義する必要があります。 Fyxerはemailを小さな予測問題へ分解しました OpenAIは2026年9月14日、FyxerのAI executive assistant構築事例を公開しました。FyxerはOpenAI modelsと500,000+ hoursのexecutive assistant workflows、real user feedbackを組み合わせ、利用者ごとの文脈や声に合うemail draftを作ります。記事では、同じemailでも相手との関係、過去のやり取り、目的により必要な返答が変わるため、単純なtext generationでは難しいと説明されています。 30から50のspecialized modelsでworkflowを支えます Fyxerはemail workflowを30〜50のspecialized modelsに分けています。新しいemailが届くと、reply decision modelが返信、scheduling action、情報確認のどれが必要かを分類します。必要に応じてintent分析、outcome予測、memory retrieval、context reranking、email generationが続きます。OpenAI modelsはemail理解、取り込むcontextの選別、最終draft生成まで複数段階で使われています。 fine-tuningとuser editを継続学習に変えます Fyxerはsupervised fine-tuningとLow-Rank Adaptationを使い、toneやintentのような主観的task向けにmodel variantsを作ります。userがdraftを編集して送信した場合、元のdraftと編集後の差分をpreference dataとして扱い、Direct Preference Optimizationへつなげます。新しいdrafting変更はA/B testを通し、statistically significant improvementが出た場合に出荷します。記事ではAI-generated draftsの53%がそのまま受け入れられ、90日後のuser retentionが90%と示されています。 personal memoryの範囲がproduct品質を左右します 実務上の論点は、返信の自然さだけではありません。何を長期記憶として残し、どの会話は消すのか、user editをtraining dataへ使う同意をどう扱うのか、A/B testの成功基準を誰が決めるのかが重要です。assistantが本人らしい文体を再現するほど、便利さと代理行為の境界、誤送信時のreview、職場の情報管理を明確にする必要があります。