Malachyte 获 1000 万美元种子轮：行为智能能否破解电商新客转化困局？

在纽约某个快时尚品牌的用户画像系统里，一位首次访问的购物者被标记为两个简陋的标签：“女性，25-34 岁，来源：Meta 广告”。她连续查看了三款不同颜色的褶皱连衣裙，在尺码指南页面停留了 47 秒，然后突然切换到“通勤鞋”分类开始比较。这套行为序列足够让任何资深导购立刻判断出——她在为某个需要正式着装又不愿牺牲舒适度的场合购物，可能是一场户外婚礼或一场需要站一整天的行业会议。但该品牌部署的个性化引擎直到她结账或放弃购物车之前，都不会更新任何判断；如果她最终空手离开，系统里留下的唯一痕迹只是 1 次跳出和 0 美元转化。

这正是当前消费电商面临的核心断裂：品牌在 Google、Meta 和 TikTok 上为精确到兴趣簇的广告定向付出了比 2023 年高出约 40% 的获客成本，但当这些被精挑细选来的流量真正落在品牌官网时，面对他们的却是基于昨日批量模型训练的静态推荐栏和“购买了此商品的顾客也购买了”这类仅对登录老客有效的规则。据 SimplicityDX 数据，眼下平均每个新客户扣除营销和退货成本后会给品牌带来 29 美元净亏损——因为这套线上“店头陈列”对 80% 以上的首次访问者基本上是盲的。

由前 Spotify 推荐基础设施核心团队创建的 Malachyte 试图用另一种思路接住这些流量。这家总部位于纽约的行为智能公司今天宣布完成 1000 万美元种子轮融资，由 Bessemer Venture Partners 与谷歌旗下的 Gradient Ventures 联合领投，Harpoon Ventures 参投。Malachyte 的创始三人组——CEO Sidd Motwani、CTO Ian Anderson、COO Shivaditya Sinha——此前在 Spotify 构建了支撑超 8 亿用户和 10 亿个内容项的个性推荐主干，覆盖该平台 90% 以上的推荐场景。如今他们把同一套行为理解逻辑搬到了消费电商，交付一个不依赖 Cookie、无需登录、不要求历史购买记录的实时适配引擎。

流量越精准，转化越盲目：一个被广告技术甩在后头的店内体验栈

过去十年电商基础设施的进化几乎完全偏向获客端。Meta 的 Advantage+ 购物广告、Google 的 Performance Max、TikTok 的算法推荐信息流把受众定向推到了近乎变态的精度——品牌可以为“30 岁、喜欢徒步、过去 30 天内搜索过 Patagonia 替代品、曾在 Anthropologie 下单”的人群出价。但在这条昂贵的点击链终点，大多数品牌网站的个性化引擎仍然运行着 2015 年的软件逻辑：基于协同过滤的批量模型、夜间重训练的购买关联规则，以及根本看不见未登录访客的静态橱窗。

Malachyte CEO Sidd Motwani 在宣布融资时直接点出这个裂痕：“品牌在获客上花的钱比以往任何时候都多，然后试图用一个只认识它已经认识的那一小部分人的栈来转化他们。”他所说的“那一小部分人”指向一个事实：大多数消费电商品牌超过 80% 的流量来自首次访问且无购买历史记录的访客。以 Malachyte 客户 Jordan Craig 为例，80% 的流量是首次访问者。这意味着品牌为获取这些点击所支付的每一分钱，面对的都是一套对访客意图几乎毫无感知的系统。

这段描述部分来自 Malachyte 的叙事，但行业数据侧面印证了问题的规模。获客成本在两年内上涨约四成，而单客净亏损 29 美元这个数字来自 SimplicityDX 的统计，虽非 Malachyte 研究产出，却揭示了同一重压力：品牌如果无法从现有流量中榨取更多转化，就只能不断加大广告预算来弥补倒退的 ROI，而不断上涨的 CPM 又在进一步拉高破局难度。

从下一次点击而不是上一次购买开始理解访客

Malachyte 的技术路径与现有电商个性化厂商的关键差异在于：它的模型不从用户历史标签出发，而是从当前会话的行为信号中实时推断偏好与意图。公司将其称为“双头向量 AI”——一个头理解这位访客对什么风格的物品更感兴趣（偏好），另一个头同步判断她此刻的购物任务是什么（意图）。两个向量并行更新，在 200 毫秒延迟内输出商品排序、推荐位展示和跨触点联动策略。

这种方式与 Spotify 在推荐系统上的技术积累存在可追溯的延续性。在 Spotify 的场景中，团队面对的是类似的问题：用户可能在通勤时听轻爵士、在健身时打开硬核说唱、在深夜又切换到白噪音。以用户画像为锚点的传统协同过滤无法捕捉这种上下文跳跃，而基于会话行为序列的时序模型可以。Malachyte 将这套逻辑从音频内容空间迁移到电商商品空间，用视觉效果和浏览语境替代关键词和标签作为理解输入，试图在访客做出第一次点击之前就给出有意义的反应。

从公开的产品运行数据看，这个技术方向至少在短期 A/B 测试中产生了可量化的结果。在万圣节服饰电商 Fun.com 的测试中，Malachyte 带来了 31% 的访客人均收入提升；在工装品牌 Brunt Workwear 上，加入购物车的点击率提升了 80%；在 Jordan Craig 的新访客群体中实现了 17% 的每次访问收入提升。这些数字来自 Malachyte 通过自有试验框架得出的结果——公司对外描述为在客户现有方案基础上进行的三周对照测试——而非第三方独立审计数据，因此应当理解为供应商自报的试验结论。梯度创投的博文提到测试采用品牌自有流量做对照，这是正面信号，但完整的对照组设置、统计显著性和基期效应等因素并未公开。

另一个值得注意的技术声明是模型具备跨渠道持续性：访客在站内搜索中暴露的偏好信号会渗透到后续的商品详情页排序、分类页展示乃至第二天发送的邮件和短信内容。这背后的技术逻辑是单一行为向量的实时更新和多触点读取，但该能力在实际品牌落地中的效果尚未像主站转化数据那样被量化披露。

在 Shopify 应用商店与企业 API 之间同时做交付

Malachyte 的产品部署呈现出一种少见的双轨策略。在轻量级一侧，公司于 2026 年 6 月上线 Shopify 应用，面向中小品牌提供标准化接入，官方宣称最短可 7 天完成引导上线。在重型一侧，公司通过 API 直接服务大型零售商的自建站，并在技术层面承诺了 Cyber Monday 级别的负载弹性——在描述中提及了自动扩容无宕机和持续低于 200 毫秒的延迟表现。

这种设计让 Malachyte 可以在商户侧同时覆盖两种典型的采购心理：中小品牌倾向于在 Shopify 生态里一键安装、按月订阅的市场化工具；大型零售商则需要独立部署、SLA 保障和可以与内部商品中台集成的接口。但这种双轨策略在种子阶段带来的挑战同样明显。Shopify 渠道要求产品化程度高、自助上手、低销售接触成本，而企业级 API 交付则意味着周期长、需要售前技术支持和定制化工作。同时维持两条线会拉高早期团队的肌肉撕裂风险——产品路线图会被两个方向上不同节奏的需求拉扯。

此外，Malachyte 还在引擎之上放置了一个商品运营控制层，允许品牌设定人工规则和覆盖策略。这个设计在逻辑上合理：完全黑箱的 AI 推荐在企业采购场景中常常遇到阻力，运营部门的策略师需要保留干预能力以应对清仓促销、新品强推或合规限制。但这条控制层本身也是产品复杂度的重要推手，随着客户数量和品类增加，如何保持规则引擎与 AI 模型的协同而非冲突，会考验技术架构的复杂度管理能力。

Bessemer 和 Gradient 联手，看中的既不是电商也不是 MarTech

本轮融资的投资方组合包含了 Bessemer Venture Partners 与 Google 旗下的 Gradient Ventures 两家知名机构。单纯从财务投资维度，1000 万美元在种子轮属于规模偏上的轮次，考虑到 Malachyte 并非预收入阶段的实验室项目——其平台已经上线、有可公开的客户名单和初步转化数据——这个融资规模匹配处在“产品已商业化、待规模化销售”阶段的公司。

更有解读空间的是 Bessemer 合伙人 Maha Malik 在公告中的表述。她没有把 Malachyte 框定在“电商个性化”或者“MarTech 替代品”的叙事中，而是把这个案子放在“代理时代”的框架下讨论。她的核心论点有两个：一是消费者对非个性化站内体验的容忍度在急剧降低；二是 AI 代理正在越来越多地介入从商品发现到下单决策的整个购买旅程，而目前的商业基础设施既无法实时理解人类访客的意图，更无法有效响应一个代理软件的查询逻辑。

这个切入点的商业含义是：Malachyte 如果要成为有价值的资产，被期待的场景不应仅是在 Shopify 商家后台里与 LimeSpot 或 Nosto 争夺推荐引擎的订阅份额，而是应该成为电商品牌在人类消费者与 AI 代理同时构成的购物流量中，那个实时解码需求的中间层。McKinsey 报告中提及的“到 2030 年代理可能编排高达 1 万亿美元的美国零售额”，虽不应被理解为 Malachyte 可获取市场规模——那覆盖了代理链上从需求生成到支付执行的完整价值——但确实解释了为什么 Bessemer 和 Gradient 这样的机构愿意在种子轮就以合投下注：这更像一次基础设施层的早期赌注，而不是标准意义上的垂直应用投资。

Gradient 的参与还隐含了一层技术协同的想象空间。作为 Google 旗下的 AI 投资基金，Gradient 支持的创业公司在技术栈上与 Google Cloud、Vertex AI 等产品线存在潜在的关系网络，但截至目前 Malachyte 并未公开披露与 Google Cloud 的任何基础设施合作或排他性安排，因此这层关联的实质商业价值尚不成立。

资金将投向销售侧搭建与领导层补位，但商业化路径仍存空白

根据 Malachyte 公布的资金用途，本轮 1000 万美元将重点部署在两个方向：扩大现有基础设施的分发规模和招募高级商业化及产品领导人才。这个表述符合处于从产品验证期向规模化销售过渡阶段公司的典型资金分配逻辑——技术底子已经跑通、客户效果数据已经拿到，接下来要解决的是让更多潜在客户知道、试用并签约这个引擎。

但“扩大分发规模”这个目标在 B2B 软件销售语境下本身就是几件完全不同事情的简写。它可能意味着组建一支面向中型电商品牌的内部销售团队，也可能意味着铺设 Shopify 应用商店的 PLG 获客漏斗并优化付费转化率，还可能意味着向大型零售商派出高级销售进行企业级周期长达 6—12 个月的付费试点。Malachyte 并未公开其定价模式、客单价、付费结构或收入数据，所以外部无法判断公司优先选择的是一条怎样的商业化路径，也无法评估 1000 万美元在何种烧钱速率下对应多长时间的跑道。公开信息仅显示 Fun.com（即 HalloweenCostumes.com）、Brunt Workwear 和 Jordan Craig 三家已公布客户，以及一个“正在增长的品牌名单”。

创始人团队的背景为销售侧搭建提供了一定的信用背书，但“有卖点”和“卖得动”是两套不同能力。三位联合创始人的经验集中在 Spotify 的产品和技术体系内——解决的是巨型自有平台内部需求的工程化问题，而不是向成千上万个独立品牌推销 SaaS 订阅。招聘高级商业领导这件事本身，意味着 Malachyte 的创始团队意识到了这个缺口并正尝试通过外部引入来补足，但找到并融合一位能同时理解电商品牌痛点、企业销售节奏和机器学习产品技术边界的商业负责人，本身就是该阶段的重要风险变量。

在没有护城河的赛道里，速度是唯一的通行证

Malachyte 目前并未公开列出具体的竞争对手。但将“实时行为理解、无 Cookie、自适应推荐”这几个关键词放在当前电商 MarTech 版图上，会触碰到几张重叠的牌：Dynamic Yield 在被麦当劳收购后继续向零售和电商输出个性化引擎，其能力覆盖实时推荐、个性化触发和 A/B 测试，且已被 Mastercard 收购整合进其数据服务生态；Nosto 和 LimeSpot 是 Shopify 生态内置的长期玩家，擅长基于购买历史和标签的个性化，对中小品牌友好且入口成本低；微软 Clarity 和 Contentsquare 则从行为分析和热图提供洞察，虽非直接推荐引擎，却在争抢同一个预算归属——“理解和转化访客行为”。

Malachyte 的相对优势在于不依赖历史数据的冷启动能力和跨会话持久化的行为向量，这在首访占比高的品牌场景中有明显的技术差异点。但技术差异点在 B2B 软件市场并不自动等于进入壁垒。大型独立电商和连锁零售商通常会选择内部自建或以 RFP 方式对比多家方案；中小品牌对单价极度敏感，切换成本低；而已在 Shopify 生态内占据既有位置的成熟方案同样可以逐步升级其实时推理能力，尽管在架构上可能需要更多改造。

另一个不能忽视的现实是，建立在行为信号上的实时推断并非理论禁区。电商平台上用户每次点击、滚动、悬停和标签切换都可以成为训练信号，大型竞争对手如果决心投入，能够调动的行为数据量级和工程资源远大于一家种子期公司。Malachyte 真正的护城河并非单项技术，而是其创始人团队在 Spotify 时期积累的对复杂行为推荐系统的架构直觉，以及他们能否在对手反应过来之前，先把品牌客户数、会话处理量和行为数据飞轮推到一个难以追赶的规模。

效果数据能度量短期转化，但还不能回答行为耐久性问题

三家客户公开的测试结果——Fun.com 的 31% 访客人均收入提升、Brunt Workwear 的 80% 加入购物车点击率提升、Jordan Craig 新访客的 17% 每次访问收入提升——在短期内指向了 Malachyte 引擎相对于客户原有方案的增量。但这些数字背后有几个天然局限需要放在合理框架内审视。

第一，测试窗口短。公司描述为“三周测试”，这能够衡量新方案上线后的即时效果，但无法区分新颖效应和持久效果之间的差距。在推荐系统领域，新模型上线初期的表现往往优于稳定运行阶段，因为交互模式的探索为系统带来额外的信息增益，而随着行为分布趋于稳定，边际提升通常会收窄。

第二，对照方案未知。Brunt Workwear 和 Jordan Craig 在与 Malachyte 测试前部署的是哪家方案，或者是否根本没有运行任何推荐引擎，这些并未公开。如果对照方是零个性化状态的静态陈列，80% 的提升幅度虽然亮眼，但并不代表 Malachyte 在和另一个成熟推荐引擎的正面比较中能达到同样优势。Fun.com 的 31% 访客人均收入提升在绝对值上更温和，同样未披露对照方案细节。

第三，指标体系孤立化。人均访客收入、加入购物车点击率都是漏斗中部指标，需要与退换货率、复购率和顾客生命周期价值放在一起才能被完整解读。更高的推荐点击有可能伴随更高的退货率——因为推荐匹配度不足时用户收到实物后感到与预期不符——但 Malachyte 没有公开关于退货影响的数据。

第四，客户涵盖品类尚窄。公开的三个品牌分别覆盖万圣节服饰、工装和潮流服饰三个品类，它们在使用场景、购买决策周期和平均浏览行为上存在结构性差异，但目前信息还不足以判断 Malachyte 的模型在不同品类间的泛化能力是否经过了验证。

从编辑视角看，Malachyte 目前发布的试验数据证明了一套可行且可度量的短期效果。但它尚未证明的是：这种行为级适应性是否能转化为稳定的长期转化增益、在不同品类和客单价品牌间的迁移成本是多少，以及当品牌自身基数已经较高时，这套引擎还能挤出多大的增量空间。

把 Spotify 的推荐基因移植到电商土壤，适应症还没跑完

创始团队的 Spotify 经历构成了 Malachyte 叙事中最具辨识度的信用资产。三个创始人在为 8 亿用户和 10 亿级内容建立行为智能基础设施的过程中，解决过真实的大规模实时推理问题，这让他们在讨论低延迟、高负载和跨触点持续性问题时比多数种子期团队有更扎实的表达资格。

但电商行为理解与流媒体推荐之间的差异比表面看起来更深。Spotify 用户的行为目标通常是单一且明确的——听歌、播客或有声书——而电商访客的行为状态远更复杂。同一个人在同一个会话中可能同时在进行性价比比较、消遣性浏览和任务性扫购，可能在为家庭采购、为自己购物和为朋友挑礼物之间快速切换，可能完全不具备购买意图却表现出与高意图访客相同的表面行为模式。音频推荐中“喜欢这首歌就推荐相似风格的下一首”的相似性逻辑在电商场景中经常失效——一个正在看婴儿推车的用户可能下一秒就开始搜索降噪耳机，这两次行为之间不存在“相似”关系，但存在任务切换的情境。

从 Malachyte 的公开技术描述看，双头向量的设计兼顾了偏好和意图两个维度，理论上可以部分解决上述问题。但从架构能力到产品表现之间的鸿沟，需要用更大范围内的多品类品牌验证数据来填补。此外，公司没有披露模型是否以及如何在品牌间做迁移学习、不同品牌的行为数据是否在模型底层有所共享、以及新客户冷启动阶段如何在没有行为数据的条件下做出有意义的初始推断。这些细节会直接决定产品是否能真正兑现 7 天引导上线的承诺，还是这只适用于已有大量历史行为日志可供微调的大中型品牌。

RecodeX 极客视：Malachyte 的种子轮叙事搭建在一条清晰的技术线上：电商品牌的流量越来越贵，但站内体验还在用老办法接新客，而来自 Spotify 的团队已经把大规模实时行为理解做过一遍。从已公布的效果数据看，这套双头向量引擎在短期 A/B 测试中跑出了正面信号，但能否从三周测试走向稳定的规模化付费订阅，取决于团队现在还没给出答案的几个关键变量：定价模式、销售架构、长周期留存数据和对不同品类复杂度的适应能力。Bessemer 和 Gradient 在种子轮联投的举动更像在代理时代到来之前，先锁定一个最了解怎样实时理解用户行为的技术团队，至于把它变成一家庞大电商基础设施公司还是迟早收进某个更大平台的基础设施层，此刻并不需要急着回答。