開了六年真人秘書公司，他們坐在一座 AI 訓練資料金礦上

2023 年 ChatGPT 剛紅的時候，「AI 會不會取代行政助理」是最常被拿出來講的問題之一。

有三個英國人的答案是反過來的。他們那時已經開了六年的真人行政助理派遣公司——自稱英國最大的一家，雇了數百名助理，幫企業主管收信、排會、處理雜務。AI 沒有淘汰這門生意，反而是這門生意先養出了 AI：六年來他們逼每一位助理登記做過的每一項任務，累積成一座沒有別人有的資料礦。這家公司叫 Fyxer，發稿前我重新核對它的最新數字：那台用這批資料訓出來的 AI email 助理，年經常性收入（ARR，annual recurring revenue）在約八個月內從 100 萬美元衝到 1,700 萬美元，到 2026 年已經跨過 3,500 萬美元。

主角是 Hollingsworth 兩兄弟（Richard 和 Archie）加上技術長 Matt Ffrench——Matt 是 Archie 在牌桌上認識的。

這是「AI 賺錢」系列少見的一種路徑：起點是一門已經在收錢、會不斷產生專有資料的服務業，等 AI 成熟才把那批資料變現。它的證據等級也比個人自報高——數字經過創投盡調（Madrona、Lakestar），並由 Sifted、Kyle Poyar 的 Growth Unhinged 等具名媒體報導。但這裡要先講一句最重要的話：這是一家 VC 撐著的公司賺到的營收，不是三個創辦人把錢裝進口袋。後面會把這個差別和其他裂縫都拆開。

錢從哪來：漂亮的是公司 ARR，不是誰的存款

先把證據等級講清楚，再看數字。以下營收多數是公司對外揭露、經投資人盡調與具名媒體引述，不是經審計的上市公司財報；請當成「公司說、投資人查過、媒體報導」來讀，這比個人在社群自報高一級，但仍不是財報級。

成長曲線本身很陡，各來源給的口徑略有出入，這裡分層並列、各帶時點：

數字	口徑	時點／來源	證據等級
ARR 約 100 萬 → 1,700 萬美元、約 8 個月	公司 ARR（Series B 盡調時點）	2025-09，Sifted／Kyle Poyar	B
ARR 約 100 萬 → 3,500 萬美元、約 1 年	公司 ARR（發稿最新）	2026，Growthbook	B
2026 目標 1 到 1.5 億美元 ARR	公司對外目標	2026，Growthbook	B（目標非實績）
18 萬+ 用戶、3 個月留存約 90%	用戶／留存	2025-09，Sifted	B
3,000 萬美元 Series B	融資（Madrona 領投、Lakestar）	2025-09	A（官方公告）

有個口徑要挑明：「約八個月從 100 萬跳到近 1,700 萬」這段衝刺，來源放的年份不一樣。Sifted 在 2025 年 9 月的報導把 100 萬美元的起點放在報導前約八個月（即 2025 年初）；創辦人 Richard 在 SaaS Club 訪談裡則自述是 2024 年 1 月到 9 月、$1M 做到 $18M。量級一致（八到九個月從百萬級跳到近兩千萬 ARR），但起訖年份兩個版本，這裡並列，不替它挑一個。

真正要按住的重點是分子分母：這是公司的年化營收，不是創辦人的個人收入。Fyxer 在 2025 年 9 月拿下 Madrona 領投、Lakestar 參與的 3,000 萬美元 Series B，前輪投資人還包括 Harry Stebbings 的 20VC 和 Salesforce 創辦人 Marc Benioff。募到 3,000 萬美元代表股權被稀釋、公司有對投資人的回報壓力；ARR 是營收不是利潤，扣掉模型費用、行銷、四十幾個人的薪水後剩多少沒有公開。前面幾篇系列文寫的是一個人用一支程式把錢裝進自己口袋；這一篇不同，看的是一家公司的營收機器——別把公司 ARR 的數字，讀成三個創辦人各自賺到這麼多。

真正的護城河，是那六年的工作日誌

這門生意最值得學的一點，藏在 Fyxer 存在之前。

Richard 和 Archie 在英國農場長大，受不了農業「種下去要等 12 個月才知道對錯」的慢迴圈，兩人都想去一個能快速試錯、看得到數字的地方。2016 年前後，他們開了一家真人行政助理派遣公司，bootstrap（零外部資金、自力經營）做到約 500 萬美元營收，雇了數百名助理。而他們從第一天就做了一件當時沒人懂為什麼的事：要求每位助理登記、描述自己做過的每一項任務。

六年下來，這變成一批數年、被投資人 Madrona 記為「50 萬小時」的 email 與會議工作流程紀錄——別人要從零開始標的資料，他們早就有了。Richard 自己說，他們創業第一天就想著終有一天要做 AI 產品，只是前四年試「用科技賦能的服務」都降不夠成本、打不進大眾市場。真正的引爆點是 GPT-3：他判斷這能把單位成本砍掉約九成（真人助理一小時約 60 美元，AI 一個月約 30 美元）。他去找 Matt 當技術長時，攤出來的是三項現成資產——六年的任務日誌資料、一批已經在付每小時 60 美元的客戶、一條驗證過的銷售通路。他把 Fyxer 定位成一個上市打法的賭注：客戶、資料、通路都在手上，缺的只是把 AI 接上去。

模型本身誰都接得到，OpenAI 的 API 對所有人開放。Fyxer 難被複製的地方，是它把 AI 對準了一個很窄的工作流（自動起草 email 回覆、整理會議記錄），而且對準的是一個很具體、很不技術的人——Richard 形容目標用戶是「美國中部一位 55 歲的房仲」，被行政雜務淹沒、但不會、也不想碰複雜工具。要讓 AI 在這種人手上真的好用，靠的正是那批真人助理累積的「一封信該怎麼回、一場會該記什麼」的實作資料——更大的模型幫不上這個忙。

成本與時間帳：這不是零成本的靈感

來算這門生意到底投入了什麼，因為「八個月做到 1,700 萬」很容易被讀成一夜致富。

前置成本是六年——一整門真人服務生意，bootstrap 到 500 萬美元營收、管數百名助理，外加那批沒人付錢叫他們建、但他們堅持建的資料。先扛了六年一門低毛利的服務業，才等到 AI 讓它升級的時機——跟週末寫個 wrapper 是兩回事。

AI 化之後，成本結構換了一批：底層模型按用量計費、大量的消費性成效行銷買量獲客、團隊從 4 人擴到 40 幾人。他們的成長方式很「消費品牌」——先靠網紅帶量、成效廣告衝個人用戶，再從個人擴散到企業採購（個人工作信箱註冊占了自述約 95% 的營收來源，其中 EXP Realty 一張 5,000 席、約 120 萬美元的約，Richard 自述七天就成交）。撐住這台機器的是實驗速度：據 Growthbook，Fyxer 一年做了 541 個 A/B 測試，光四人的成長工程小組就佔了 360 個，平均一個工作日超過兩個。

換句話說，成長是拿六年的服務業底子和持續的行銷投入換來的，沒有什麼成本是真正省下來的。資本這一側也要看清楚：3,000 萬美元 Series B 是拿來燒的燃料，背後是投資人等著要的回報。

學得來的，和學不來的

把 Fyxer 拆成兩排，才算看懂這個案例。

學得來的（是模式，不是保證）：

1. 先擁有一門會產生專有資料的生意，再用 AI 把它產品化。Fyxer 的順序是先做服務、囤資料，AI 成熟才收割。你手上如果已經有一門會累積獨家流程資料的生意，那批資料比任何 prompt 都值錢。
2. 把 AI 收窄到單一工作流、對準一個很具體的非技術用戶。不做「通用 AI 助理」，只做「幫 55 歲房仲回信、記會議」。場景越窄、用戶越明確，那批專有資料越用得上力。
3. 拿服務業已驗證的付費客戶和通路，當 AI 產品的冷啟燃料。Richard 手上本來就有在付每小時 60 美元的客戶，這是新產品最難、他卻已經有的東西。
4. 把實驗速度當護城河。一年 541 個 A/B 測試堆出來的轉換率複利，是對手短期補不上的。

學不來的（誠實標出來的前提）：

1. 六年、數十萬小時的專有任務日誌。這是先扛了一門真人服務生意、又從第一天堅持登記才有的資產，沒有那六年就沒有這批資料，抄不來。
2. GPT-3 剛好讓產品第一次成立的時機窗。早兩年模型不夠好、成本降不下來，晚兩年這個場景已經擠滿人。他們卡進的是一扇很窄的門。
3. 創投門路，加上這是公司尺度的營收。能請到 Benioff、20VC 進場、募到 3,000 萬美元，本身是資源與履歷的產物；而且再說一次，這是公司賺的錢，不是一個人用一支程式落袋。
4. 兩兄弟現成的銷售機器。Archie 是業務底子、手上有六年累積的客戶關係，這台銷售引擎是他們早就組好的。

幾道裂縫：巨頭隨時能綁、成長期差點翻車

一個只給你看漂亮數字的案例是廣告，把裂縫也講清楚才有參考價值。

最大的一道是 wrapper 風險。Fyxer 做的是 email，而 email 這個入口握在 Google、Microsoft、Apple 手上——它們的原生郵件 AI 只會越來越強，而且能直接把「自動回信」綁進 Gmail、Outlook，不必你再裝一個外掛。同賽道的 Superhuman 募了超過一億美元，最後被 Grammarly 收購，本身就說明這條路正在整併。Fyxer 建在別人的底層模型和別人的收件匣之上，這層依賴是結構性的，不是靠成長速度能消掉的。它往企業版和更黏的工作流延伸，某種程度就是想在巨頭把功能商品化之前，先卡進更難被取代的位置。

第二道是成長期的營運裂縫。2024 年 3 月，營收三個月內從 100 萬衝到 500 萬美元（五倍），把當時只有兩個人的客服團隊直接打爆，回覆時間從 5 分鐘掉到 5 小時。Richard 自己說他們「沒有為成功做準備」，靠著約十天的緊急補人、補文件才穩住。這是超高速成長的真實代價，值得任何想複製這種曲線的人記著。

還有一道較小但真實：那漂亮的 90% 三個月留存是短期數字，消費性 AI 產品的長期流失率仍是未定變數，而他們的獲客又高度依賴持續買量的成效行銷——留得住、買得起，這兩件事都還要更長的時間才看得出結論。

讀者帶得走的判讀

下次再看到「某某 AI 新星八個月做到幾千萬 ARR」這種標題，可以直接套這篇的讀法：先分清它報的是公司營收還是個人落袋、是不是 VC 撐著的（募了多少、稀釋多少、ARR 不等於利潤）；再回頭問它真正的護城河是什麼——如果只是接了同一個模型的 API，那護城河很薄，如果背後是一批別人拿不到的專有資料，那才難抄。

Fyxer 給的最實用的一課，其實跟 prompt 怎麼寫無關：AI 賺錢這件事，越來越是在比「你先擁有什麼別人沒有的資料」——點子人人想得到，六年的獨家資料只有先做了那門生意的人才拿得出來。那批六年的工作日誌你補不了，但「先經營一門會累積獨家資料的生意、再等 AI 把它變現」這個順序，是你現在手上的生意就能開始想的事——而巨頭把郵件 AI 綁進既有產品之後，這門生意真正的考驗才剛開始。

這是「AI 賺錢」系列的案例之一，其他從一人公司到收購退場、硬體出海的拆解都收在專題頁。