在线零售已经变得极其擅长把成千上万件商品推到消费者面前，却又出奇地不擅长帮他们选定其中一件。关键词搜索、筛选器和客服队列把一次购买拆成了互不相干的片段：顾客在搜索框里猜词，在商品页之间来回比较，遇到问题再跳去另一个窗口等待回复。Loops 的创始叙事就始于这样一次断裂——公司通稿称，联合创始人 İlker Selim Zorluoğlu 在巴厘岛想给两岁的女儿买件礼物，给零售商发消息后等了几个小时，最终没有下单。
这个被放弃的订单指向一个比客服响应慢更大的问题。公司通稿称，消费者已经开始用自然语言告诉 AI 自己想要什么，而多数电商系统仍运行在关键词搜索、筛选器和独立客服队列之上。Loops 试图把搜索、商品发现、购物助手、客户运营、商品信息丰富和虚拟试穿压缩进同一个系统，而不是让零售商在后台拼接多套 AI 产品。
2026 年 10 月 12 日，Loops 宣布完成 350 万美元种子轮融资。投资方包括 a16z speedrun、NTT Docomo、Connecticut Innovations、Alumni Ventures 和 Monday Capital。公司通稿称，这笔资金将用于产品开发、扩大客户部署能力和国际业务增长。
| 字段 | 内容 |
|---|---|
| 公司 | Loops |
| 轮次 | 种子轮 |
| 金额 | 350 万美元 |
| 投资方 | a16z speedrun、NTT Docomo、Connecticut Innovations、Alumni Ventures、Monday Capital |
| 总部 | 美国旧金山；公司通稿称总部位于美国，在土耳其和中东及北非地区有运营 |
| 创始人 | Ari Nazir（联合创始人）、İlker Selim Zorluoğlu（联合创始人、总裁）、Yusuf Bahadir（CTO） |
| 官网 | https://loopsai.com/ |
把六条 AI 工作流压进同一个商品知识层
Loops 的产品逻辑不是从模型能力出发，而是从零售商的目录数据出发。公司通稿称，其平台包含四类可采购产品：AI Search & Shopping Assistants，即全天候 AI 购物助手，引导顾客从发现到结账；Marketplace Assistants，在线上市场提供自动化、品牌内客户支持与回答；Product Enrichment，自动结构化并补全商品目录缺失属性与描述；Virtual Try-On，提供交互式尺码与可视化试穿，旨在建立买家信心并减少退货。
这些模块共享同一套商品知识、业务语境和客户旅程。公司通稿称，更好的目录数据改善搜索，搜索为助手提供语境，客户对话则揭示商品信息薄弱之处。这意味着商品信息丰富不只是后台的数据清洗工具，而是前端搜索和助手质量的约束条件。一个零售商如果目录属性残缺，自然语言搜索就很难给出可信答案；反过来，购物对话中反复出现的问题可以暴露哪些商品描述需要补全。这种相互依赖是 Loops 与单点 AI 工具的关键差异，但它也意味着平台效果高度依赖商品数据的初始质量。
从已披露的产品架构看，Loops 的进入路径是搜索优先。公司通稿称，购物者可以用自然语言描述商品，而不是主要依赖关键词、筛选器或内部目录结构；购物助手随后回答问题、给出推荐，并跨连接渠道延续客户对话。这与通用聊天机器人不同之处在于，助手所依据的不是外部知识，而是零售商自己的库存和商品属性。但来源材料未披露 Loops 如何处理目录数据缺失、多语言商品信息冲突或实时库存同步，这些恰是电商搜索在真实部署中最容易出错的环节。
70 多家客户与一个观察性转化数字
公司通稿称，Loops 拥有超过 70 家客户和试点，已处理数百万次购物者体验，64% 的试点转化为付费客户。已披露客户包括土耳其连锁超市 A101 和时尚零售商 Mavi。A101 使用 Loops 帮助顾客浏览商品目录并在购买过程中获得协助；Mavi 使用 Loops 的 AI 搜索和购物助手，让顾客按风格、场合、合身度和尺码等描述需求，并从零售商目录中获得推荐。
最常被引用的效果数据来自 A101。公司通稿称，在 Loops 发布的对比中，使用其平台的会话观察到的购买转化率比对照分组高出约 83%。但公司同时注明，该结果是观察性的，而非基于随机测试。这一点必须被严格限定：观察性对比无法排除选择偏差——例如主动使用 AI 助手的顾客本身购买意愿更强，或者被引导进入该会话的用户群体与对照组在流量来源、设备或时段上存在系统性差异。因此，83% 不能解读为 Loops 带来的因果效应，只能说明在其所选取的会话样本中出现了这一差异。
64% 的试点转化率同样需要放在口径下理解。公司通稿未披露试点总数、试点时长、付费金额或客户留存情况。超过 70 家客户和试点中，付费客户与试点客户的比例、客户规模分布、是否包含一次性项目收入，均未披露。对于一个以企业级 AI 平台为定位的公司，这些口径决定了收入质量，也决定了“客户”一词的实际含义。
从伊斯坦布尔到旧金山的资本路径
本轮投资方组合呈现出明显的跨境与产业色彩。a16z speedrun 是 Andreessen Horowitz 的早期加速项目，Fareed Mosavat 作为其投资合伙人在公司通稿中表示，AI 正在改变公司与客户之间的界面，但持久的平台将是那些能在真实业务中可靠运行的系统。NTT Docomo 的参与则带来日本运营商背景，Connecticut Innovations 是美国州级创新投资机构，Alumni Ventures 和 Monday Capital 属于早期风投。
这笔 350 万美元的种子轮需要放在 Loops 的运营地理中理解。公司通稿称其总部位于美国旧金山，在土耳其和中东及北非地区有运营。已披露的两个标杆客户 A101 和 Mavi 均为土耳其公司。这意味着 Loops 的客户验证主要发生在其运营腹地，而本轮融资的资本方则更多来自美国。公司通稿未披露旧金山总部与土耳其团队之间的职能划分、研发人员分布或收入确认主体。
值得注意的是，2025 年 12 月，Business Wire 曾发布一则题为“a16z Speedrun Invests in Loops AI”的通稿。该背景资料称，Loops AI 获得 a16z Speedrun 投资，并称公司服务于超过 50 个品牌，覆盖土耳其、中东和北非及欧洲。这与本次 2026 年 10 月披露的 70 多家客户和试点形成时间上的递进，但两份材料在客户名单、业绩指标和公司描述上并不完全一致。背景资料中提到的 20 倍互动提升、70% 以上每访客销售增长、40% 总销售增长以及 99% 以上意图识别准确率，均未出现在本次种子轮通稿中。由于该背景资料早于本次事件，且部分指标口径与本次披露不同，这些数字不应被视作本轮融资的验证事实。
“AI 操作系统”的定位与单点工具的现实竞争
Loops 把自身定位为“商业的 AI 操作系统”，而不是又一个 AI 功能供应商。公司通稿援引总裁兼联合创始人 İlker Selim Zorluoğlu 的话称，零售商不需要五个各只理解客户一个侧面的 AI 产品，而需要一个理解目录、业务和购物者意图的系统。这一表述是公司战略主张，不是市场事实。
但 Loops 进入的每一个模块都已经存在独立竞争者。电商搜索领域有 Algolia、Constructor 等长期玩家，它们同样在把语义搜索和个性化引入零售目录；客服自动化有 Intercom、Zendesk 以及一批生成式 AI 客服创业公司；商品信息丰富有专门的数据标注和 PIM 工具；虚拟试穿则有基于生成式 AI 的独立服务商。Loops 的差异化不在于任何一个单点功能，而在于它声称能把这些功能建立在同一商品知识层上，从而避免零售商集成多套系统。
这一主张的验证路径是清晰的：如果客户确实因为统一系统而替换掉多个单点工具，Loops 的合同价值和留存率应当高于单一功能供应商。但来源材料未披露任何客户从多工具迁移到 Loops 的具体案例，也未披露合同金额、续约率或客户在哪些模块上实际付费。公司通稿称其为企业级、有风险投资支持的公司，但“企业级”的具体含义——部署方式、数据隔离、权限控制、服务等级协议——均未披露。
小语言模型是路线图，不是当前产品
公司通稿称，Loops 正在开发专门的小语言模型能力，用于领域知识和部署要求更适合聚焦模型的场景。这是一个值得注意的技术方向，但来源材料没有提供任何关于模型规模、训练数据、推理成本或部署方式的具体信息。小语言模型在电商场景中的潜在优势是延迟更低、成本更可控、领域知识更集中；但劣势同样明显——通用能力更弱，需要更高质量的领域数据来训练和微调。
从已披露信息看，Loops 当前的产品能力并不依赖自研小语言模型。其自然语言搜索、购物助手和商品信息丰富可以构建在现有大语言模型之上，通过检索增强生成和目录数据接入实现。小语言模型更可能是一个面向未来的成本优化和部署策略，而非当前收入的来源。公司通稿将其与金融服务、能源等下一阶段市场并列提及，进一步说明这属于路线图而非已交付能力。
这一技术路线的风险在于，如果 Loops 的客户价值主要来自工作流整合而非模型本身，那么自研小语言模型可能分散资源；如果模型能力是长期壁垒，那么 350 万美元种子轮能否支撑模型训练和领域数据积累，是一个未被回答的问题。来源材料未披露 Loops 的团队规模、工程资源或模型研发投入。
资金用途与一个尚未被证明的扩张逻辑
公司通稿称，本轮资金将用于产品开发、扩大客户部署能力和国际业务增长。350 万美元的种子轮规模决定了这三项用途都只能在有限范围内推进。对于一个声称要成为“AI 操作系统”的公司，这笔资金更可能用于巩固现有客户、完善产品模块和启动新市场探索，而非大规模市场推广。
国际业务增长的方向同样值得审视。Loops 的客户验证集中在土耳其，而公司通稿称其总部位于美国旧金山。从土耳其市场向美国市场扩张，需要面对不同的零售生态、更复杂的采购流程和更激烈的竞争。公司通稿未披露其在美国是否有付费客户，也未披露国际业务增长的具体目标市场。金融服务和能源被列为下一个重点领域，但这两个行业与电商在数据合规、销售周期和集成复杂度上差异显著，从商业零售跨越到金融和能源的路径并不直接。
投资方 a16z speedrun 的参与提供了加速器层面的背书，但种子轮投资本身不构成对产品市场契合度的独立验证。Fareed Mosavat 在公司通稿中的表态——试点的转化和早期客户扩张表明品牌想要一个能覆盖更多旅程的平台——是投资方判断，而非客户续约数据。真正能检验 Loops 主张的，是未来能否披露付费客户的模块采用广度、合同金额增长和净收入留存。
待验证的假设：统一系统是否真的比功能拼盘更便宜
Loops 的核心假设是，零售商购买一个统一系统的总成本低于购买多个单点工具并自行集成。这一假设在逻辑上成立：如果五个 AI 产品各自维护一套商品数据、客户身份和对话历史，集成成本会随工具数量增加而上升。但统一系统也有其代价——客户可能只需要其中一两个模块，却要为整个平台买单；或者平台在某些模块上的能力弱于专门工具，导致客户仍然需要并行采购。
来源材料没有提供任何关于定价、合同结构或客户模块采用率的信息。64% 的试点转化率无法回答这些客户购买了几个模块、支付了多少费用、是否在续约时扩大了使用范围。对于一个以“系统”而非“功能”为卖点的公司，最关键的验证指标不是有多少客户试用，而是有多少客户真正把多个模块纳入日常运营。
另一个待验证假设是商品信息丰富能否形成数据飞轮。公司通稿称，客户对话揭示商品信息薄弱之处，从而改善目录数据。这意味着 Loops 的价值会随使用时间增长。但这一飞轮的前提是客户愿意让 Loops 持续修改其商品数据，并且这些修改能带来可衡量的搜索或转化改善。如果商品信息丰富只是人工审核的自动化包装，飞轮效应就难以成立。来源材料未披露 Loops 的商品信息丰富技术是纯模型生成还是包含人工审核环节，也未披露客户对自动生成商品描述的接受度。
从已披露的 A101 和 Mavi 案例看，Loops 在土耳其零售市场获得了可用的早期验证。但这两个案例的公开信息仅限于使用场景和一项观察性转化对比，缺乏收入规模、部署周期和客户评价的独立信息。公司通稿中的产品截图展示了 Mavi 购物助手进行穿搭推荐和尺码建议的界面，这些是产品演示层面的证据，不能等同于客户业务成果。
Loops 的故事在叙事层面是完整的：一个失败的购买经历引出对电商 AI 碎片化的批评，一个周末原型发展成 70 多家客户和试点的公司，一笔种子轮融资把 a16z speedrun 和 NTT Docomo 拉到同一张资本表上。但从叙事到验证之间，还隔着客户口径、收入质量、模块采用深度和跨市场扩张能力四个未披露的环节。350 万美元买到的是一段更长的验证时间，而不是一个已经被证明的 AI 操作系统。
RecodeX 极客视：Loops 的真正赌注不是 AI 搜索或购物助手，而是零售商是否愿意为一个统一的商品知识层付费，而不是继续在五个单点工具之间做集成。83% 的转化提升是观察性的，64% 的试点转化率缺少口径，70 多家客户和试点无法区分收入质量。在土耳其市场获得的早期牵引力，能否跨过旧金山总部的叙事距离，变成美国零售商的合同，才是这笔 350 万美元种子轮之后最值得跟踪的问题。
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。