Alfa AI 试图打破招聘流程的僵局。这家总部位于伦敦的 AI 招聘平台在 2026 年 7 月 1 日完成了 100 万英镑种子轮融资，试图将人才寻源与筛选环节彻底自动化。与其说它要优化招聘流程，不如说它瞄准了一个更根本的问题：当传统招聘网站和 ATS（申请人追踪系统）只解决了“简历存在哪里”的问题时，谁来替用人部门读完那些永远读不完的简历？
| 字段 | 内容 |
|---|---|
| 公司 | Alfa AI |
| 轮次 | 种子轮 |
| 金额 | 100 万英镑 |
| 投资方 | Sake Bosch（领投）、FirstDegree、Golden Egg Check、Black Green Capital |
| 总部 | 英国伦敦 |
| 创始人 | Alfie Whattam（CEO）、Ed Godshaw（CTO）、Dr. Linda Yu（首席研究官） |
| 官网 | https://welovealfa.com/ |
把“读过每一份简历的人”替换成模型
Alfa AI 的产品逻辑并不复杂。平台目前承担两类核心任务：寻源与筛选。寻源端，AI 需要跨越多个数据库与公开人才池，主动匹配职位需求；筛选端，模型要解读简历、评估匹配度，最终输出给用人经理的不是一堆文件夹，而是一个经过排序的短名单。这种双环节覆盖意味着 Alfa AI 并非在单一节点上做优化，而是试图重新编排招聘流程中信息流最密集、判断负担最重的连续片段。
在传统流程里，寻源和筛选通常分属不同角色甚至不同系统。寻源人员用 Boolean 搜索在 LinkedIn 或人才库中拉出长名单；筛选人员（或用人经理自己）逐一阅读几十上百份简历，标出“可能”、“也许”、“待定”。两段之间的断裂不仅是工具的断裂，也是信息结构的断裂：寻源时使用的搜索逻辑与筛选时依赖的判断逻辑很少被统一记录和回溯。这意味着，一个候选人为什么出现在短名单里，以及他最终为什么被淘汰，这两条因果链条往往无法对齐。Alfa AI 试图将二者压缩进同一个智能系统，让“找人”和“判断人”在同一层发生。
Alfie Whattam 在融资公告中称：“招聘仍然是公司最重要的决策之一，但流程依然过于手工、缓慢、昂贵且不一致。我们认为 AI 能彻底改变这一点。”联合创始人的行业履历为此提供了支撑。Alfie Whattam 此前担任富时 250 指数人力公司 Hays 的英国全国负责人，这意味着他对招聘行业运转机制的认知可能不仅来自“使用者”视角，更来自“服务提供者”视角——他理解用人部门为什么不满、猎头顾问为什么耗时、以及规模化的招聘服务为何难以保持一致质量。CTO Ed Godshaw 有 20 年全球软件创业经验，其履历暗示团队在工程架构和产品规模化方面可能具备成熟判断力。首席研究官 Dr. Linda Yu 的背景集中在大数据与分析领域，这指向 Alfa AI 在模型训练、数据工程和匹配算法层面可能拥有技术纵深。三位创始人的配置覆盖了行业 know-how、工程能力和数据科学，构成了一个相对完整的三角结构。这种结构在 HRTech 早期创业中并不常见——许多团队或是纯技术背景、缺乏行业经验，导致产品逻辑与真实招聘决策脱节；或是资深人力资源从业者主导、工程能力不足，导致产品停留在“自动化旧流程”而非“重构流程”。
一年内服务 Google 与 Revolut：首批客户验证了什么
根据公司官网信息，Alfa AI 在成立仅一年内已为客户支持了“数百次”招聘，客户列表包括 Revolut、Google 以及数家全球领先的人力资源服务商。产品至少在核心使用场景中通过了初轮实战测试。
“数百次”这一数量级在招聘平台早期阶段的意义值得审视。它不是几千次、几万次，但也不是几十次的概念验证。对于一个成立一年的初创公司而言，数百次成功招聘意味着产品已经跨越了“朋友的公司试用一下”阶段，进入了被真实客户持续使用的阶段。更重要的是客户组合的结构：Google 代表极端复杂的招聘场景——岗位多元（从软件工程师到供应链经理）、候选人池巨大、内部评估标准高度结构化；Revolut 代表高速增长期的科技公司——招聘量波动剧烈、岗位描述可能需要频繁迭代、对招聘速度容忍度极低；而“全球领先人力资源服务商”则代表另一个维度——这些客户的业务本身就是帮别的公司招聘，他们对工具效率的敏感度远高于普通企业用户。如果一家猎头公司愿意把部分寻源和筛选工作交予 Alfa AI，那意味着它至少在某些场景下认可模型输出不低于初级研究员。
但“数百次”也留下了关键的开放性疑问：这些招聘分布在多少个客户身上？每个客户的使用深度如何——是某个部门在试用，还是已经嵌入多条业务线的日常流程？复购与续约情况未披露。这些指标将决定 Alfa AI 在第一阶段建立的，究竟是“被认可的工具”还是“开始依赖的基础设施”。
James Caan 的顾问角色：不只是一张名片
种子轮完成的同时，Alfa AI 宣布任命 James Caan CBE 担任战略顾问。Caan 的职业生涯始于创立 Alexander Mann Solutions——如今全球最大的人才获取与劳动力解决方案公司之一。此后数十年，他创立、规模化并投资了大量招聘、人事与 HRTech 企业，并通过私人投资办公室 Hamilton Bradshaw 持续活跃于早期投资领域。
仅从公开信息来看，Caan 的角色可能至少包含三个层次。第一层是行业背书：Alexander Mann Solutions 在全球招聘服务领域的分量，可能意味着 Alfa AI 在企业级客户面前获得了一张高可信度的入场券。第二层是渠道与网络：Caan 在 LinkedIn 上拥有超过 320 万关注者，其在招聘、人事领域的商业人脉可能直接转化为 Alfa AI 的企业客户导流，也可能帮助公司在国际扩张时快速建立本地合作网络。第三层，也是更深一层，是产品方向判断的外部校正：Caan 对招聘行业的理解建立在数十年的一线商业运作之上，他对于“什么样的 AI 产品是企业愿意付费的”可能有一种来自市场需求方的直觉，这能帮助年轻的创始团队在功能优先级和技术投入路径上避开一些典型的坑。
他在公告中表示：“招聘行业正在经历史上最重要的转型之一。AI 有可能从根本上改善组织识别、评估和接触人才的方式。What impressed me about Alfa AI is that the platform solves genuine challenges faced by employers and recruiters today. It is not AI for the sake of AI; it is technology that delivers meaningful commercial value by improving hiring efficiency, reducing costs and helping organisations make better recruitment decisions.”
这段话的价值不在于它对 Alfa AI 的赞美，而在于它透露出 Caan 选择标的的判断标准：他厌恶“为了 AI 而 AI”的产品，重视“可落地的商业价值”。这意味着 Alfa AI 在与他合作的过程中，产品演进方向可能需要持续锚定在可量化的效率提升和成本降低上，而非追逐技术的酷炫感。
Sake Bosch 领投与 100 万英镑的用途分解
本轮领投方是 Sake Bosch，跟投方包括 FirstDegree、Golden Egg Check 和 Black Green Capital。对于一家 2025 年成立的公司而言，这组投资方组合暗示了几个可能特征：Sake Bosch 作为领投方，其投资风格、产业背景与历史 portfolio 可能指向对早期 AI 应用的偏好；FirstDegree 与 Golden Egg Check 的参与，则可能意味着项目在欧洲早期投资圈已形成一定的跟投吸引力。
资本的使用方向被明确描述为四个维度：加速产品开发、面向全球扩张、深化 AI 能力、增强客户成功体系。100 万英镑对于一家要做全球扩张的 SaaS 公司来说并不充裕，因此资金的实际分配逻辑可能比字面意义更值得关注。“产品开发”很可能指向把当前已通过客户验证的核心功能进一步工程化——提升系统稳定性、缩短响应延迟、增强与各类 ATS 和 HRIS 的集成能力，而非从零开发新模块。“全球扩张”在 100 万英镑的预算约束下，更可能是以英国为中心，优先进入文化相近、市场需求相似的英语国家市场（如爱尔兰、荷兰、北欧），而非全面铺开。“深化 AI 能力”暗示模型层还有大量的后续工作，这可能包括对特定行业（如金融科技、科技公司）的模型微调、对多语言场景的支持、以及对更复杂的候选人多维度评估信号（如软技能、文化适配度）的初始探索。“增强客户成功体系”则可能是这四者中最容易被低估但实际最关键的——招聘工具的粘性不来自于功能多，而来自于它是否被一线招聘人员和用人经理真正纳入日常行为流。客户成功体系的建设，意味着需要有人去理解用户的决策逻辑、处理使用中的摩擦、并将用户反馈转化为产品迭代方向。在早期阶段，这可能意味着创始团队中需要有人把大量时间花在客户现场。
与 ATS 的定位差：不是替代，是补充层的构建
AI 招聘的赛道已经相当拥挤。全球范围内，既有 Greenhouse、Lever 这类 ATS 玩家，也有 SeekOut、HireEZ 这类专注 AI 寻源的供应商，还有像 Paradox 这样从对话 AI 切入的公司。Alfa AI 选择的差异点在于“寻源+筛选一体化”，不试图成为又一个 ATS，也不仅做一个简历搜索引擎。
这种定位的深层逻辑可能在于对招聘软件市场的结构性认知。ATS 是一个已经被巨头和多家成熟厂商深耕的品类，其替换成本极高——一旦企业选定 ATS，人事数据、流程配置、内部培训全部围绕该系统建立，迁移的摩擦成本往往大于对新工具的好奇。Alfa AI 选择不做 ATS，意味着它避开了与 Greenhouse、Lever 等成熟产品的正面系统争夺战。相反，它将自己定位为一个可以接入现有 ATS 生态的智能层：企业保留原有 ATS 作为记录系统和流程管道，但在“从海量候选人中筛选出值得被放进 ATS 的人”这一上游环节，以及“在 ATS 内已有大量候选人时进行二次智能筛选”这一中游环节，由 Alfa AI 介入。这种定位的优点在于降低了采纳门槛——企业不需要替换现有系统，Alfa AI 就有机会进入其技术栈。缺点在于，它需要证明自己的筛选质量显著优于 ATS 自带的筛选功能，否则客户没有动力单独采购一款叠加工具。
数据飞轮的待解难题：谁教会模型“什么是好”
技术层面，Alfa AI 仅以“先进人工智能”来描述模型能力，未公开具体技术栈、模型架构或训练数据来源。招聘场景中模型面临的核心挑战不在于语言理解本身——现代大语言模型对职位描述与简历的语义解析已经相对成熟——而在于对“匹配”的多维判断。
在招聘链条中，一个候选人“合适与否”的最终判断，通常由用人经理在面试后、甚至入职后一段时间才能做出。而在筛选阶段，模型能获得的反馈信号主要是“谁被约了面试”、“谁被发了 offer”、“谁最终入职”。但大量关键的负反馈信号——例如“看起来很匹配但面试时发现无法与团队有效协作”、“简历漂亮但在技术深度上与岗位要求有本质差距”——往往留在面试官的笔记里、邮件正文里或用人经理的脑中，从未被结构化回传至系统。如果筛选模型只能学习“约面试”这种浅层正反馈，而无法获取“为什么没通过终面”的详细负反馈，数据飞轮可能启动缓慢，甚至可能出现模型自我强化偏差——反复推荐某种类型简历的人，因为那种类型与历史约面数据最相似，而历史上之所以约面多，恰恰是因为模型最初就只推荐了那种类型的人。
这一挑战对于 Alfa AI 这种同时覆盖寻源和筛选的平台可能尤甚。因为寻源阶段的模型输出质量，直接影响筛选阶段的候选池质量；如果寻源端因缺乏负反馈而逐渐窄化，整个系统可能变成一种“信息茧房”的加速器。公司方面尚未就反馈数据的捕获机制、模型更新周期和冷启动策略公开讨论，这可能是下一阶段技术路线中最核心的待验证假设之一。
客户结构隐含的扩张路径与风险
从目前公开的客户列表来看，Alfa AI 的客户呈现“大型科技公司+人力资源服务商”双线并行的特征。这种客户结构可能反映出公司早期获取增长的两条不同逻辑，其各自的机会与风险可能也截然不同。
服务 Google、Revolut 这类直客，Alfa AI 验证的是产品能否处理复杂、高标准的招聘场景。这类客户对筛选精度的要求极高，如果模型能持续让 Google 的招聘团队满意，可能形成极强的标杆效应，吸引其他科技公司跟进。但风险在于，大型企业在招聘流程的某些环节可能具有高度定制化需求：例如某些部门可能有特殊的筛选维度、某些岗位需要在模型排序之外叠加人工自定义规则。如果 Alfa AI 为了满足大客户需求而在产品中堆叠大量定制功能，可能在早期就背负上技术债务，导致产品偏离标准化的 SaaS 路线，影响后续规模化效率。
服务人力资源服务商是另一条路径。这类客户本质上是在“用工具生产服务”，他们为 Alfa AI 付费的动机更直接——如果 AI 能提高猎头顾问的人效，节省的时间可以直接转化为更多客户订单。这条路径的商业验证逻辑可能更快周期也更短，但同样存在风险：人力资源服务商通常对成本极度敏感，如果 Alfa AI 的筛选效率提升是可量化的，他们可能会持续压价；而如果 Alfa AI 的模型质量相较其内部筛选流程没有显著提升，这部分客户可能快速流失，转而测试新的 AI 工具。
两条客户线可能并行成长，但也可能在未来某个节点形成张力：大客户想要的是质量与深度，人力资源服务商想要的是效率与成本。两条线的产品需求、定价模型与客户成功策略可能并不天然兼容。Alfa AI 在资金有限的早期阶段如何平衡这两类客户，是下一阶段运营中的一个可能关键点。
100 万英镑的压强测试：实验的边界条件
种子轮融来的 100 万英镑，对于一家要同时推进产品开发、全球扩张、AI 研发与客户成功四个方向的公司而言，本质上是一道加压的实验条件。它迫使团队必须在一系列问题中做出清晰排序：是先将产品在现有客户群中打磨到极致、再推向新市场？还是在现有产品还处于快速迭代阶段时，就开始铺设跨国的初步客户接触点？是优先让模型在几个高频岗位类别（如软件工程师、数据分析师）中达到较高精度，还是追求覆盖面更广但每个领域精度中等？
这些选择的答案无法从当前公开信息中得出，但它们构成了 Alfa AI 这项实验的内在维度。如果公司在下一轮融资前能清晰呈现出某一类客户中明确可量化的效率指标——例如“使用 Alfa AI 后，筛选到面试的平均时间缩短了 X%”，“入职后六个月留存率提升了 Y%”——那将意味着平台不仅在功能层面运转，也在结果层面产生了可测量的商业价值。如果这类指标未能在一段时间内浮现，市场可能会对 AI 招聘平台的长期价值命题形成更审慎的态度。
Alfa AI 的长期走向取决于它能否从一个“被大客户验证过的工具”进化为“招聘决策过程中难以绕开的基础设施”。客户数量的独立增长与可量化的效率指标将是下一轮验证的关键。招聘是一个始终存在的巨大市场，但也布满失败产品的坟场。Alfa AI 以“寻源+筛选”双环节切入，选择了一条更重工程但也更具系统替代价值的路径。它将有限的 100 万英镑押注在一个假设上：当寻源和筛选在同一个智能系统中连续运转时，招聘决策的质量和效率可以同时发生阶跃式改善。而这个假设的验证，需要的不仅是客户的 logo 列表，更需要那些从未被写进任何系统、只存在于用人经理沉默判断里的隐性信息，逐步被产品以某种方式捕获、结构化、并反哺至模型。
RecodeX 极客视：招聘或许是最后一个高度数字化却长期无法摆脱重人工判断的万亿级流程。Alfa AI 试图在寻源与筛选的交叉点上，建立一个足以重构决策链条的 AI 层，而非在已有 ATS 系统的缝隙中做功能补充。问题在于，这个位置的壁垒不取决于模型是否理解职位描述，而取决于它能否持续捕获那些散落在面试官脑海里、从未被写进任何系统的隐性信号。当 James Caan 的行业人脉与创始人的一线经验退居幕后，真正决定胜负的，是产品能否在长周期的雇佣结果反馈中，比人类更快学会“谁值得被看见”。而这场实验最关键的变量，或许不是算法的精度，而是那 100 万英镑能否在烧完之前，找到让招聘经理心甘情愿交出判断权的信任锚点。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。