FUN.com是一个很适合观察AI电商推荐的样本。
这家公司不是缺流量的小店，而是一个年业务规模超过3亿美元的垂直电商。Malachyte官网披露，它的系统自2025年8月在FUN.com上线后，推荐收入同比增长142.5%，每访问者收入增长31%，56%的订单受到intelligence layer影响。
先把限定条件说清楚：这些数字来自Malachyte官网客户案例，未经第三方审计，也不能自动排除促销、季节性、站点改版等外部变量。但它们仍然值得被认真看待。因为电商AI过去最常见的问题不是“模型不够酷”，而是“很难证明它到底帮商家多赚了多少钱”。
Malachyte把故事讲得很窄：它不说自己是万能购物助理，也不说要替代电商运营团队。它只盯住一个地方：当用户进入站点后，下一屏应该看到什么商品。
这件事看起来像推荐系统老问题，但Malachyte真正想挑战的是推荐系统的旧工作方式。
传统电商个性化通常依赖三类东西：历史购买、登录画像和人群标签。系统先把用户归类，再给不同人群配置推荐策略。问题在于，绝大多数访问并不那么完整。用户可能没登录，可能第一次来，可能这次的购买意图跟过去完全不同。
一个去年买过万圣节服装的人，今天可能是在给孩子找生日礼物；一个刚从搜索引擎进来的访客，可能还没有任何历史数据，却已经用点击、停留、搜索词和滚动路径暴露了当下意图。
如果推荐系统仍然等隔夜批处理，或者只看过去买过什么，它就错过了交易发生前最有价值的一小段时间。
Malachyte的切入点，是把“用户是谁”改成“用户此刻想完成什么”。
它的技术页把流程拆成三步：先捕捉每一次click、search、hover、scroll和add-to-cart；再用Vector AI生成一个持续更新的行为画像；最后用visual transformer technology把商品目录映射到这个画像上，实时调整排序和推荐。
官网用了一个很好理解的类比：LLM会预测下一个最可能的词，Malachyte的Vector AI则预测下一个最可能的行为。
这句话的价值不在技术炫耀，而在产品定义。它把推荐系统从“根据静态画像分发商品”，改成了“根据实时行为预测下一步”。对商家来说，AI不再只是后台优化工具，而是直接介入商品发现、搜索结果、upsell位和推荐模块的交易层。
TechCrunch在2026年8月6日报道，Malachyte完成1000万美元种子轮融资，由Bessemer Venture Partners和Gradient Ventures共同领投，Harpoon Ventures参与。报道还提到，三位创始人Sidd Motwani、Ian Anderson和Shivaditya Sinha曾在Spotify参与行为智能和推荐基础设施相关工作，其Vector AI思路曾支撑Spotify大约90%的推荐，面向8亿用户。
这也是Malachyte故事里最容易被误读的地方。
它不是简单把“Spotify同款推荐”搬到电商。音乐推荐的目标是让用户多听、少跳出；电商推荐的目标则更残酷：有没有更高RPV？有没有更多加购？有没有更多订单被推荐位影响？有没有足够明确的增量收入归因？
所以Malachyte真正的商业化难点，不是讲清楚自己用了什么AI，而是让零售商相信这套AI能进入收入看板。
官网披露的客户结果也基本围绕这个逻辑组织。除了FUN.com，Brunt Workwear在2025年Q4试点中RPV增长6.5%，upsell click-through增长80%，基于1.5亿美元baseline预测年化增量收入975万美元；Jordan Craig的新访客RPV增长17%。这些仍然是官网口径，未经第三方审计，但它们显示出Malachyte在销售时押注的不是“更懂用户”的抽象价值，而是“更高会话价值”的预算语言。
这对AI产品创业者很关键。
很多AI产品在商业化时会卡在一个尴尬位置：用户承认它有用，但企业不知道该从哪里付钱。它提升了效率，但效率没有落到预算科目；它改善了体验，但体验没有落到可追踪指标；它看起来聪明，但聪明没有变成采购理由。
Malachyte的路径相反。它选择了一个天然靠指标说话的位置：电商站内商品排序。这里有推荐收入、RPV、加购率、点击率、订单影响、A/B测试和归因窗口。只要系统真的有效，价值可以被比较快地呈现出来。
换句话说，它不是先卖AI能力，再寻找商业结果；它先选了一个结果密度很高的场景，再把AI嵌进去。
这也是“垂直AI产品”最值得学习的地方。创业公司不一定要做最大的通用能力，但要找到一个足够高频、反馈足够快、结果足够可计量的流程。点击、搜索、hover、scroll、add-to-cart这些行为本来就存在，Malachyte只是把它们重新组织成实时学习闭环。
当每一次互动都能成为下一次排序的输入，产品就有了复利结构：更多互动带来更快学习，更快学习带来更相关结果，更相关结果带来更高转化，更高转化又带来更多数据。这也是它官网图里反复强调的compounding intelligence。
当然，风险也很明显。
第一，官网指标不能等同于独立验证。电商推荐结果容易受到流量来源、促销节奏、季节性品类和站点其他改造影响。读这些数字时，最好把它们视为商业化线索，而不是已被审计的财务结论。
第二，Malachyte面对的不是空白市场。Shopify、Adobe Commerce、Salesforce Commerce Cloud、Algolia、Bloomreach等玩家都在搜索、推荐和个性化层投入AI。Malachyte必须证明实时意图向量带来的增量，足以抵消集成成本和平台替换风险。
第三，这类产品很可能更适合中大型零售商。要让实时个性化真正发挥作用，商家需要足够大的流量、足够丰富的商品目录、足够明确的事件数据和归因能力。对小商家来说，接入成本可能高于收益。
但正因为这些限制，Malachyte才是一个值得写的AI商业化案例。
它没有把AI包装成一个无所不能的新入口，而是把AI塞进了一个已经存在、已经有预算、已经有指标的交易节点。它卖的不是“用户画像更智能”，而是“当下意图能不能更快变成订单”。
对AI创业者来说，这个案例的启发可以压缩成一句话：不要只问模型能理解什么，要问理解发生在哪个瞬间最值钱。
在电商里，那个瞬间可能就是用户刚刚搜索、刚刚停留、刚刚把鼠标移到某件商品上的几秒钟。