Whatnot 已收購 Shaped，這是一家專注於即時推薦與搜尋機器學習系統的新創公司；在這個直播購物平台試圖讓一個商品、拍賣與買家意圖都可能逐分鐘變化的市場中，更好地做好商品發現。這筆交易由 TechCrunch 報導，GeekWire 也有相關報導，將 Shaped 的團隊與技術納入一家表示個人化正隨著類別擴張與買家活動規模化而變得越來越關鍵的公司。

這項收購之所以重要，是因為為標準電商打造的推薦系統，無法直接套用到直播電商。對 Whatnot 而言，上架商品不只是數量多，還具有短暫性。賣家開播、拍賣開啟又結束、庫存也可能很快消失。這使得排序與搜尋問題比靜態型錄更困難，尤其當 Whatnot 持續擴展到最初定義其市場的收藏品類別以外時更是如此。

根據 TechCrunch，Shaped 創辦人兼執行長 Tullie Murrell 以及近十幾名工程師與 AI 研究人員將加入 Whatnot。Murrell 預計將領導新成立的 應用 AI 研究 團隊，讓公司擁有一個更明確、專注於推薦、發現與相關 AI 系統的內部單位。

Whatnot 為何此時收購推薦基礎設施

Whatnot 對這筆交易的說法很直接：改善直播環境中的發現與個人化。TechCrunch 報導，該公司將此視為更廣泛 AI 投資的一部分，目標是在庫存、拍賣與需求即時變動時，幫助購物者找到相關商品。

這個時點也與 Whatnot 最近的擴張相呼應。TechCrunch 指出，公司去年推出了超過 35 個新類別，而在 2026 年上半年又新增了 45 個以上的類別。文中舉例包括藝術、高爾夫與黑膠唱片。當市場擴大時，發現能力不足的成本也會上升。熟悉在哪裡找交易卡的買家，到了相鄰類別可能就會迷失；而新類別往往需要更強的排序與推薦支援，才能把好奇心轉化為購買。

TechCrunch 也報導，Whatnot 最近披露賣家已超過 10 億筆訂單，且公司在過去一年新增了 2,000 萬名買家。根據該報導，公司去年以超過 110 億美元估值，完成了一輪 2.25 億美元的 F 輪融資。這些數字顯示，這是一個足夠大的平台，即使只是把買家與即時庫存的配對做些小幅改善，也可能對參與度與銷售效率帶來顯著影響。

在這個脈絡下，收購 Shaped 看起來與其說是一次人才收購，不如說是一次基礎設施決策。推薦延遲、排序新鮮度與搜尋品質，在直播市場中會變成產品的根本，而不是後台優化工作。

What Shaped brings to the deal

TechCrunch 表示，Shaped 打造了 AI 驅動的推薦與搜尋系統。這家新創公司的方法是將既有客戶資料與大型語言模型及較傳統的機器學習相結合，以個人化發現體驗。TechCrunch 指出，在收購前，Shaped 的客戶包括 Outdoorsy 與 QVC。

這份客戶名單很重要，因為它顯示 Shaped 不只是嘗試面向消費者的 AI 功能，而是在打造面向商業用途的推薦基礎設施；在那些重視相關性、速度與可衡量成果的場景中，這些能力至關重要。TechCrunch 與 GeekWire 都沒有提供這筆交易的財務條款，且在目前的來源材料中，也沒有公開細節說明 Whatnot 是主要為了模型、serving stack、訓練方法，還是團隊專長而收購 Shaped。不過，這項公告的結構顯示，技術與人員都同樣重要。

Murrell 領導 Applied AI Research 的新角色尤其值得注意。在許多公司中，推薦系統都被放在資料科學或成長工程之下。成立一個應用 AI 研究團隊，意味著 Whatnot 希望讓研究級方法與實際購物工作流程之間有更緊密的連結。對建構者而言，這通常代表的是檢索、排序、回饋迴圈、評估框架與降低延遲的工作，而不是吸睛的聊天機器人功能。

技術上的挑戰是直播電商，而不是一般搜尋

Whatnot 的資料與 AI 副總裁 Emmanuel Fuentes 告訴 TechCrunch，公司花了六年，將推薦延遲從大約一天縮短到幾分鐘。他表示，整合 Shaped 的技術應該能讓推薦更接近即時。

這正是本故事的核心技術訊號。許多消費型平台可以忍受過時的推薦數小時甚至更久，但直播購物不行。被推薦的商品可能已售出、創作者的直播可能已結束，或是隨著節目進行，買家意圖已經改變。在這種環境下，推薦品質不只取決於模型相關性，還取決於新鮮的事件處理與快速決策。

TechCrunch 報導，Whatnot 每週處理超過 50 萬小時的直播影片與數百萬次即時互動，並利用這些資料改善推薦。這個數字來自公司本身，因此應視為供應商宣稱的營運規模，而非獨立驗證的指標。即便如此，它仍有助於解釋為何 Whatnot 將推薦速度視為策略問題。如果這些互動量屬實，平台就擁有大量行為資料流，可供檢索與排序系統使用，但前提是基礎設施跟得上。

這也解釋了為何 Shaped 的專長很重要。即時推薦不只是模型問題。它需要串流資料管線、低延遲服務、回饋擷取，以及能反映庫存變動與 session 行為的評估方法。當可用供給持續更新時，搜尋也面臨類似限制。

Evidence, claims, and what remains unverified

這則報導中最扎實的事實來源來自 TechCrunch，內容包括收購、人才變動、Whatnot 的類別擴張，以及 Fuentes 的評論等具體細節。GeekWire 的報導則根據可取得的 cluster evidence，確認了這起事件本身，並補充 Shaped 曾獲 Madrona 支持，但此處的來源材料並未提供完整文章全文。

故事中的幾項重要說法來自 Whatnot 本身，因此應據此看待。包括推薦延遲從約一天縮短到幾分鐘、Shaped 將使系統更接近即時，以及 Whatnot 每週處理超過 50 萬小時直播影片與數百萬次互動等說法。這些數字在所提供的來源證據中都未經獨立驗證。

同樣地，TechCrunch 引述的成長指標——賣家訂單突破 10 億筆、過去一年新增 2,000 萬名買家，以及在 2.25 億美元 F 輪融資後估值超過 110 億美元——都是被當作公司披露或過往募資背景來報導，而非第三方審計結果。

目前尚不清楚的是，Shaped 技術堆疊中有多少會直接整合進 Whatnot 現有系統，多少又會由新團隊在內部重建。也沒有公開的產品上線時程、財務條件，或公開 benchmark 資料顯示 Shaped 先前如何幫助 QVC 或 Outdoorsy 等客戶提升轉換率、留存率或搜尋品質。

對 AI 開發者與企業買家的意義

對 AI 開發者來說，最主要的啟示是：即使生成式 AI 佔據新聞頭條，推薦與搜尋仍然是高價值的 AI 類別。Whatnot 收購 Shaped 不是為了推出一個新奇助手，而是投資於能改變買家在一場 session 中如何發現庫存的營運型 AI。這提醒我們，在排序、檢索與個人化中的應用機器學習，仍是實現可衡量產品影響最清楚的途徑之一。

對正在打造 AI 代理或面向消費者的發現工具的產品團隊而言，這個故事強調了一個實用教訓：AI 的實用性往往不取決於模型多麼精巧，而更取決於回應時間與情境新鮮度。在直播市場中，資料過時但模型略勝一籌的系統，可能會輸給訊號更新更快的系統。

對企業 AI 買家，尤其是零售、媒體電商與市場平台領域而言，Whatnot 的動作再次證明，現成的搜尋與推薦工具在供給波動大、購買窗口短的環境裡可能會表現不佳。正在評估商務用企業 AI 堆疊的公司，未來可能會越來越偏好以串流事件與快速排序更新為核心設計的系統，而不是夜間批次最佳化。

這筆交易也增加了對 eBay 與 Poshmark 等平台的競爭壓力，TechCrunch 將它們視為把更多 AI 整合進產品的轉售公司例子。如果 Whatnot 能實質改善直播期間的發現體驗，就可能加強其在較新類別中的用戶留存，而那些類別的行為模式尚不成熟，既有業者也可能仍仰賴較傳統的市場導覽。

下一步值得觀察什麼

第一，觀察產品層級的證據，看看 Shaped 是否正在改變 Whatnot 內部的買家體驗。這可能包括直播中的推薦更新、更具適應性的搜尋、更好的類別發現，或是能對 session 行為幾乎即時反應的功能。

第二，留意新成立的應用 AI 研究團隊在未來徵才訊息、工程部落格或會議演講中的描述。如果 Whatnot 開始更公開談論排序基礎設施、檢索系統，或與直播影片相關的多模態模型，就表示其技術路線已超越單純的推薦調校。

第三，觀察 Whatnot 是否能把更好的個人化擴展到原本優勢以外的領域。公司快速擴張的類別，使得在那些用戶購買意圖較弱或對平台較不熟悉的領域中，發現品質變得格外重要。

最後，留意競爭對手的訊號。如果 eBay、Poshmark 或 QVC 開始強調即時推薦升級，或更由 AI 驅動的商務發現功能，那就代表 Whatnot 的這一步是更廣泛直播與轉售電商重新校準的一部分。

Creati.ai 觀點

這次收購最重要的，不是「AI」這個詞，而是「即時」這個片語。Whatnot 的業務依賴於將變動的需求與稍縱即逝的供給匹配起來，因此推薦基礎設施是產品核心。Shaped 讓公司有機會藉由技術與專門人才，把這個循環收得更緊。

對整體市場而言，這是對當前對對話式介面的迷戀，一個很有用的對照。在商務領域，最有價值的 AI 工作之一仍然發生在幕後的排序、搜尋與個人化。若 Whatnot 能證明更低延遲的推薦能改善其不斷擴張的目錄中的發現體驗，這筆交易就可能成為一個參考案例，說明應用 AI 如何創造可防禦的市場優勢。