원문 소식, 쉽게 읽기
OpenAI가 소개한 Fyxer 사례에서 이메일 AI 비서는 새 메일을 받으면 답장 필요 여부를 먼저 판단하고, 이어서 의도 분석, 관련 기억 검색, 초안 작성을 수행한다. 이 과정은 30~50개의 전문 모델이 나눠 처리한다. 출처
메일을 먼저 분류한다
새 이메일이 들어오면 답장이 필요한지, 일정 관련 조치가 필요한지, 사용자에게 알리기만 하면 되는지를 먼저 분류한다. 답장이 필요한 메일로 판단되면 추가 모델이 상대의 의도와 예상되는 상호작용 결과를 분석한다. 초안 생성은 이 분류와 분석 뒤에 이어진다. 출처
이전 대화에서 관련 정보를 찾는다
Fyxer는 대화마다 장기적으로 기억할 정보를 판단하고, 저장된 상호작용에서 현재 사용자와 대화에 관련된 기억을 검색한다. 답장을 만들 때 현재 메일의 내용과 함께 과거 대화에서 필요한 맥락을 가져오는 구조다. 출처
실제 업무 데이터로 모델을 만들었다
Fyxer는 AI 제품을 만들기 전에 사람 기반 임원 비서 서비스를 운영하며 50만 시간 이상의 주석 처리된 업무 흐름 데이터를 축적했다고 밝혔다. 이 데이터에는 언제 응답하는지, 어떤 과거 대화가 관련되는지, 사용자별로 답장이 어떻게 달라지는지에 관한 사례가 포함됐다. 출처
모델 학습에는 지도 미세조정(SFT)과 LoRA를 사용해 업무별 모델 변형을 만들었고, 정확도가 특히 중요한 작업에는 OpenAI 미세조정 플랫폼을 활용했다. SFT는 정답 예시를 보여주며 모델을 추가 학습시키는 방식이고, LoRA는 모델 전체를 다시 학습하지 않고 일부 작은 가중치만 조정하는 기법이다. 배포 전에는 자체 이메일 작업 검증 세트로 초안 작성, 분류, 우선순위 지정 성능을 평가하며 정확도와 응답 시간, 비용을 함께 본다고 설명했다. 검증 세트는 학습에 직접 쓰지 않고 모델 성능을 따로 확인하기 위해 마련한 시험용 데이터 묶음이다. 출처
사용자가 고친 답장을 다시 학습에 쓴다
사용자가 AI 초안을 수정해 이메일을 보내면 원래 초안과 최종본의 차이를 선호 데이터로 활용한다. Fyxer는 두 출력을 비교해 DPO 학습 데이터를 만들고, 초안 변경은 A/B 테스트를 거쳐 통계적으로 유의한 개선이 확인될 때 출시한다고 밝혔다. DPO는 사람이 더 선호한 답과 덜 선호한 답의 차이를 이용해 모델의 응답 성향을 학습시키는 방식이다. A/B 테스트는 서로 다른 두 버전을 비슷한 조건에서 나눠 적용해 결과 차이를 비교하는 방법이다. 출처
공개된 사용 지표
OpenAI의 사례에는 Fyxer의 AI 생성 초안 가운데 53%가 수정 없이 채택됐다는 수치가 제시됐다. 공동 창업자는 가입 90일 시점에도 사용자 90% 이상이 유료 이용을 유지하며 매일 사용한다고 밝혔다. 이 수치는 Fyxer와 OpenAI가 공개한 사례의 결과다. 출처
OYOPICK의 시선
메일 AI의 품질을 살필 때 초안의 문장보다 먼저 답장 필요 여부와 가져온 과거 맥락을 볼 만하다. 잘못 분류한 메일에 자연스러운 답장을 붙여도 업무 목적은 달성하기 어렵기 때문이다. 수정 없이 채택된 초안 53%는 초안 채택 지표다. 이 수치만으로 모든 메일의 분류 정확도나 사용자 전체의 시간 절감률을 계산할 수는 없다.
도입을 비교한다면 같은 업무 메일에서 답장 대상 선택, 필요한 맥락 검색, 어조 수정이 각각 얼마나 달라지는지 나눠 기록하는 방법을 제안한다. 공개 사례에는 사용자 수정이 학습으로 이어지는 경로가 있으므로, 자신의 메일과 수정 데이터가 어떻게 보관·사용되는지도 계약과 공식 안내에서 확인할 항목이다. 개인의 어조뿐 아니라 어떤 약속을 지켜야 하는지까지 더 잘 이해하는 비서로 발전하기를 기대한다.