一家美国中小零售商要从中国工厂采购一批节日饰品,传统路径通常是:通过中间商询价、等待数周确认样品、凑够最低起订量、自行安排质检和跨境物流。整个过程消耗的不只是时间,还有在销售趋势明朗之前就被库存锁死的现金流。Everful 试图把这条链条压缩成一个软件界面。2026年11月,这家总部位于旧金山和新加坡的公司宣布完成4850万美元A轮融资,由 Vertex Ventures Southeast Asia & India 和 January Capital 领投,现有投资方 Square Peg 与 Lightspeed 参投。

据 TechCrunch 报道,Everful 由前阿里巴巴高管 Sisi Song 与连续创业者 Kevin Han 于2024年共同创立,Han 此前创办的 Orbeus 已被 Amazon 收购。公司最初是一家珠宝批发商,后来转型为覆盖多品类、直接对接工厂的采购平台。这轮融资的落点,是把一个已经跑出规模的跨境采购生意,进一步推向“AI 代理替代采购团队”的方向。

字段 内容
公司 Everful
轮次 A轮
金额 4850万美元
投资方 Vertex Ventures Southeast Asia & India、January Capital 领投;Square Peg、Lightspeed 参投
总部 旧金山和新加坡
创始人 Sisi Song、Kevin Han
官网 https://www.everfulwholesale.com/

从珠宝批发商到“采购责任承担者”,转型只用了两年半

Everful 的起点并不性感。据 TechCrunch 报道,这家公司最初是一家珠宝批发商,后来才演变为覆盖珠宝、服装、家居用品、宠物用品等品类的工厂直采平台。公司通稿称,Everful 发布不到两年半,目前每月向60多个国家的零售商和品牌发运超过500万件商品,合作工厂超过30,000家,在线批发目录包含超过2000万件产品。TechCrunch 的报道同样给出了这些数字,并注明来自联合创始人 Sisi Song 的披露。

这些运营数字需要放在一个关键限定下理解:它们来自公司单方面披露,本次采集材料中没有独立第三方对发货量、工厂数量或目录规模进行核验。对于一家成立仅两年多的公司而言,30,000家工厂合作伙伴意味着平均每个工作日要新增数十家供应商关系,这一扩张速度本身就是一个值得观察的变量。

Song 在 TechCrunch 的报道中解释了她看到的机会:她在 Bessemer Venture Partners 担任风险投资人期间,主要关注跨境采购领域,注意到快速变化的消费趋势与传统批发采购模式之间的差距不断扩大。零售商和品牌往往依赖中间商,面临较高的最低订购量要求,采购周期漫长,在销售趋势明朗之前库存就占用了资金。Everful 的目标是用 AI 平台简化直接向工厂采购的流程。

Han 则把公司的差异化概括为一句话:“我们负责所有事情。我们处理采购、订单整合、质量控制和物流。这是那些交易平台不提供的服务。”这句话的实质是:Everful 试图把平台型公司不愿承担的履约责任,变成自己的产品定义。

从珠宝批发商切入多品类采购,意味着 Everful 的供应商网络并非从零搭建。公司通稿称其合作工厂超过30,000家,但未披露其中有多少来自早期珠宝业务、多少是平台化后新增。这一结构可能影响品类扩张的速度:若早期供应商集中在珠宝和配饰,服装、家居用品等品类需要重新建立质检标准和履约经验;若供应商网络已经跨品类,则平台复制能力更强。两种路径对应的扩张成本不同,但本次来源未提供供应商的品类分布,因此无法判断哪一种更接近实际情况。

“世界模型”是产品内核,但可验证的技术细节仍然有限

公司通稿将 Everful 的技术核心描述为“供需世界模型”:一张映射客户需求、工厂产能以及产品在两者之间流转方式的图谱。据公司通稿援引 Han 的表述,AI 代理利用这一模型识别热门产品、寻找并审核工厂、管理订单沟通和物流;每一笔订单、每一次检查和交付都会反哺模型,使系统随着交易量增长而变得更“聪明”。

Unite.ai 的报道补充了更多技术层面的描述:工厂通过 Everful 自身检查积累的质量数据被持续评分,订单、检查和交付数据不断反馈给模型;平台使用大语言模型和计算机视觉处理多语言供应数据。这些描述勾勒出一个数据飞轮的逻辑:交易越多,质检数据越厚,模型对供应商的判断越准,理论上越能降低后续交易的匹配和品控成本。

但“世界模型”在这里是一个公司自定义的产品语言,而非可独立验证的技术指标。本次采集材料未披露模型的具体性能数据、质检通过率、供应商评分分布,也没有说明 AI 代理在多大程度上真正替代了人工决策。Han 在公司通稿中强调“我们构建的不是把工作留给客户的工具,而是交付结果的代理”,这一表述更像产品哲学,而非可量化的能力边界。

从已披露的信息看,Everful 的技术叙事与商业模式的耦合点是明确的:如果 AI 代理确实能承担采购团队的大部分协调工作,公司就能以较低边际成本服务大量没有专门采购团队的中小零售商。但这一推理链的关键环节——AI 代理的实际自动化程度、人工介入比例、模型决策的准确率——在本次来源中均未披露。因此,目前能确认的是公司构建了一套以数据反馈为核心的系统,而非这套系统已经达到某个可验证的效率水平。

公司通稿将技术可行性建立在两个前提上:大语言模型和计算机视觉能够处理多语言供应数据,以及工厂已经数字化、备有现货并能小批量生产。这两个前提指向的是供给侧成熟度,而非 Everful 自身模型的能力证明。也就是说,即使技术环境已经具备,Everful 仍需要证明自己的数据采集、质检反馈和代理决策能够在多品类、多国订单中稳定运行。本次来源没有披露模型在真实订单中的错误率、人工复核比例或供应商评分更新的频率,因此“世界模型”目前更接近对技术趋势的利用,而非已经闭环的自动化系统。

收入模式未披露,单件经济模型无法从现有数据推导

Everful 从交易中获取收入,但具体收费模式未披露。这是一个需要明确指出的信息缺口,而不是可以用推算填补的空白。

公司通稿称,Everful 有望在年底实现1亿美元年化收入,TechCrunch 的报道也引述 Song 的表述称公司有望在年底达到这一目标,Unite.ai 则将其表述为2026年底。需要强调的是,这是预测目标,并非已实现的收入。将这一目标与每月超过500万件的发货量并列,容易让人产生单件收入贡献的联想,但本次来源没有说明发货量与收入确认口径是否一致,也没有披露退货、退款、平台补贴或履约成本对净收入的影响。因此,任何基于“500万件”与“1亿美元”直接相除得出的单件收入数字,都缺乏来源支持,不应作为事实写入。

同样未披露的还有本轮估值、历史融资轮次细节、资金到账节奏和董事会席位变化。对于一笔4850万美元的A轮融资,这些信息的缺失使得外部难以判断本轮定价在行业中的相对位置,也无法评估新老投资方之间的股权结构变化。

据 Unite.ai 报道,公司批发网站宣传订单没有最低数量要求,且商品在交付前会经过人工检查。如果这些网站宣传属实,则意味着 Everful 在承诺低起订量的同时,还要承担逐单人工检查的成本。这两项承诺叠加在一起,对履约成本结构的压力是显而易见的。但“人工检查”的覆盖率、检查标准和成本占比均未披露,因此无法判断这一环节对毛利率的实际影响。

公司通稿同时提到客户可以批发采购、选择代发货或定制产品,且平台提供低起订量。这三种模式通常对应不同的收入确认方式:批发可能按订单金额收取服务费,代发货可能按件计费,定制则可能包含额外设计或打样费用。但 Everful 未披露各模式在收入中的占比,也未说明低起订量是否由平台补贴或通过订单整合实现。因此,即使年底1亿美元年化收入目标达成,外部仍无法判断收入质量、客户集中度或不同模式对现金流的占用差异。

与阿里巴巴和 Faire 的竞争,本质是“责任边界”的差异

B2B 采购市场的竞争格局中,阿里巴巴连接国际买家与制造商,Faire 让零售商直接从品牌方采购库存。据 TechCrunch 报道,Everful 联合创始人认为其关键差异化在于承担采购流程责任,而非仅仅促成交易。Han 的表述更直接:“我们处理采购、订单整合、质量控制和物流。这是那些交易平台不提供的服务。”

这一差异化定位的真实含义是:阿里巴巴和 Faire 的核心是信息撮合与交易匹配,履约责任主要由买卖双方自行承担;Everful 则试图把履约责任内化为平台能力。这种模式在理论上降低了中小零售商的使用门槛,但也意味着 Everful 必须承担更重的运营成本和更高的服务质量风险。一个订单从中国工厂到美国零售商的货架,中间涉及的所有环节——供应商审核、订单整合、质检、跨境物流——任何一环出问题,责任都会回溯到 Everful 自身。

从竞争维度看,Everful 与阿里巴巴、Faire 在服务范围上的具体差异——比如收费方式、供应商准入门槛、售后责任划分——在本次来源中并未展开。公司通稿和 TechCrunch 的报道都止步于“承担责任”这一概念层面。因此,目前能确认的是 Everful 选择了一条比平台型公司更重的运营路径,但这条路径的成本效率和客户留存表现,尚待后续数据验证。

TechCrunch 提到,其他平台也提供质量检验、物流和 AI 采购等服务,Everful 的目标是把这些能力整合成更流畅的采购体验。这意味着竞争差异不在于单项服务是否存在,而在于整合后的责任归属和流程连续性。Everful 声称自己核实合作工厂,但未披露审核通过率、复检频率或剔除供应商的标准。若审核标准低于行业通行水平,承担更多责任反而可能放大品控风险;若审核更严格,则可能限制供应商网络的扩张速度。这一权衡是 Everful 区别于阿里巴巴和 Faire 的关键,但本次来源没有提供可比较的审核数据。

关税与最低限度豁免暂停,是风险也是模式分化的催化剂

Everful 从中国工厂采购,美中贸易紧张和关税政策直接影响其业务。据 TechCrunch 报道,Song 表示联合创始人从公司成立第一天起就在考虑地缘政治问题,并利用她在阿里巴巴和 Bessemer Venture Partners 的经验制定策略。她特别提到特朗普政府暂停最低限度豁免——此前价值不超过800美元的合格货物可以免税进入美国——作为贸易政策变化的一个例子。

Song 的判断是,这类政策变化可能有利于“海外采购加本地零售销售”的模式。她在 TechCrunch 的报道中说:“我们在赋能本地零售商和品牌。长期来看,跨境商业将是跨境 B2B 采购加上本地销售。”

这一判断的逻辑是:当小额包裹免税通道收窄,依赖直邮小包的模式承压,而提前通过 B2B 渠道批量采购、在本地完成销售的零售商反而可能获得相对优势。但这一推演的前提是 Everful 的客户确实以本地零售为主,且其采购模式能够适应关税成本上升后的价格结构调整。本次来源未披露 Everful 美国市场的收入占比、客户结构或关税对利润率的具体影响,因此这一判断目前仍属于创始人对政策走向的解读,而非已被验证的商业结果。

Song 提到的策略依据包括她在阿里巴巴和 Bessemer Venture Partners 的经验,但本次来源没有说明这些经验如何转化为具体的供应链布局,例如是否分散采购来源、是否调整美国市场的库存策略,或是否为客户提供关税成本测算工具。最低限度豁免暂停影响的是小额直邮模式,而 Everful 的批量采购加本地销售路径可能相对受益,但前提是客户愿意提前承担库存风险。对于现金流紧张的中小零售商,这一前提并不总是成立。因此,政策变化对 Everful 的实际影响,可能取决于其客户结构中直邮与批量采购的比例,而这一比例未披露。

资金用途聚焦美欧市场与 AI 投资,但执行细节待观察

关于本轮资金的用途,公司通稿称,资金将用于深化其在美国(公司最大市场)和欧洲的业务,并扩展其商业世界模型、AI 代理和履约基础设施。据 TechCrunch 报道,公司计划拓展美国和欧洲市场,尤其是英国、法国和意大利,并投资 AI 以自动化产品定制和其他采购流程;同时计划在现有 Shopify 集成基础上,深化与电商平台的集成,朝着成为全球采购端到端基础设施平台的目标迈进。

公司披露的用途集中在市场拓展和 AI 投资,未披露日常运营资金安排。从业务结构看,美国作为最大市场,叠加欧洲三个重点国家的扩张,意味着 Everful 需要在多个市场同时建立本地化能力——包括客户获取、售后响应和合规处理。这些投入的回报周期和单位经济模型,本次来源均未提供。

据 TechCrunch 报道,Everful 全球约有70名全职员工,其中45人从事研发,公司还成立了 AI 运营团队以连接工程和业务职能。70人的团队支撑每月超过500万件商品的发货量,这一比例本身说明公司高度依赖自动化和外部供应商网络。但45人的研发团队能否支撑“世界模型”的持续迭代,以及 AI 运营团队的实际运作方式,目前没有更多细节。

公司通稿称美国是其最大市场,TechCrunch 则提到公司计划拓展英国、法国和意大利。将美国作为最大市场与欧洲三国扩张并列,可能意味着 Everful 需要在不同监管和消费习惯下复制其供应商审核与履约流程。欧洲市场的产品合规要求、退货规则和物流成本与美国存在差异,这些差异可能要求平台在质检标准、售后响应和本地化运营上增加投入。公司未披露欧洲业务当前规模或预期投入,因此无法判断这一扩张是延续现有模式,还是需要针对欧洲市场重新调整履约体系。

验证边界与可复核指标

本次采集材料中,Everful 的核心运营数据——每月超过500万件发货量、超过30,000家合作工厂、超过2000万件在线目录、年底1亿美元年化收入目标——均来自公司通稿或创始人通过 TechCrunch 的披露,尚无独立第三方核验。公司通稿与 TechCrunch 报道在这些数字上口径一致,但一致性本身不构成独立验证。

以下关键指标在本次来源中未披露:具体收费模式与收入确认口径、本轮估值与历史融资细节、美国市场收入占比、人工检查覆盖率与质检成本、AI 代理的自动化程度与人工介入比例、不同品类的供应商质量分布。这些缺失项直接影响对 Everful 商业模式的完整判断,需要在后续的公司披露或独立报道中持续追踪。

从已披露的事实看,Everful 的增长逻辑可以拆解为:以低起订量和端到端履约降低中小零售商的使用门槛,以交易数据反哺 AI 模型提升匹配和品控效率,再以美欧市场扩张放大规模。这一逻辑的成立依赖于两个尚未被验证的假设:其一,AI 代理确实能在大规模交易中维持供应商质量和交付可靠性;其二,承担履约责任带来的成本增长,能够被交易规模扩大和模型效率提升所覆盖。这两个假设的验证路径,将决定4850万美元A轮融资最终买到的是基础设施,还是仅仅是一段更快的增长曲线。

后续可复核的指标包括:不同品类的供应商数量与发货量分布、美国市场收入占比、欧洲扩张后的客户获取成本、人工检查覆盖率与质检成本占比、AI 代理处理订单时的人工介入比例,以及批发、代发货和定制三种模式的收入结构。这些指标能够帮助判断 Everful 的增长是否来自低毛利履约规模的简单放大,还是来自模型效率提升带来的边际成本下降。在本次来源中,这些指标均未披露。

RecodeX 极客视:Everful 的故事真正值得关注的不是“AI 采购”这个标签,而是一家公司主动把平台型同行不愿承担的履约责任揽到自己身上,再用交易数据喂养模型来消化这种责任带来的成本。这个选择如果成立,它定义的将不是又一个采购工具,而是跨境 B2B 中“责任”本身的价值。但成立的前提——模型效率能否跑赢履约成本——目前仍藏在公司未披露的质检数据和收入口径背后。

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。