4个人+20个AI，这家深圳母婴公司做到了2500万美元

2026年，哈库拉玛塔达（深圳）科技有限公司的核心团队只有4个人。

公司在亚马逊婴儿睡眠服饰细分类目做到了全美第一，两年半的时间，营收从0到2500万美元。

通常意义上，要撑起这个体量的运营，一个中等规模的亚马逊卖家需要配齐运营、选品、广告、客服、供应链至少五个岗，十人出头是起步。

但哈库拉玛塔达不是。每个工作日早上8:45，哈库拉玛塔达第一批AI准时推送行动建议卡。这一天，20多个定时AI陆续启动上岗。6个常驻机器人在后台持续运行，其中4个全天稳定在岗。背后是60多个专项技能模块、20多道安全闸，还有一个积累了221条踩坑记录的错误库。

哈库拉玛塔达CEO孙翔把这套体系叫做“AI Native”，他给的解释很具体：“不是在旧流程上叠加一个工具，而是用AI把整个业务从头贯穿一遍。”

01、先听，再说

大多数亚马逊卖家用AI做的事，是写。写商品页、写广告文案、写邮件，替品牌开口说话。孙翔的团队从一开始就把这个逻辑反过来。

他们用AI来听。

这个判断不是从理论推导来的，是被数据打脸打出来的。

创业初期，孙翔自己凭印象报关键词，觉得哪些词能出单就投哪些。团队把这些词跟数据库一对，大半都张冠李戴，要么搜索量极低，要么完全不是目标用户在用的表达。

从那以后，团队定了一条死规矩，库里有数据，不许凭记忆报词。今天，这个数据库里已经积累了6万多个真实搜索词，AI逐条分类，专门找用户在搜、页面上却没写的那些缺口。

更大的颠覆来自评论。他们用AI扫完了自家产品在亚马逊上的4711条真实评论，从中提炼出18条用户原话，然后发现了一件让孙翔意外的事，卖得最好的真正理由，不是他们一直重点宣传的“静音魔术贴”，而是“双向拉链”。这个词在评论数据里出现了41到80次，排名前二。

孙翔在亚马逊全球开店峰会上演讲时回忆这件事，用的词是“下钻”，就是顺着评论一直往下挖，才发现魔术贴和双向拉链解决的是同一个问题，让妈妈换尿布更顺手。

“美国市场的妈妈更喜欢双向拉链，更有安全感，她感觉这个东西更牢固。”这个文化偏好在评论里反复出现，但在这之前，哈库拉玛塔达从来没有把它放在主推位置。

发现之后，他们把睡袋从单向改成了双向拉链。改完之后，“半夜换尿布不方便”“怕宝宝着凉”这类差评明显少了。随着评论数据的持续积累，他们又顺着反馈把TOG保暖分级做得更细，不同气候、不同季节对应不同厚度，尺码也根据“买大了/买小了"的反馈反复调整了好几轮。

现在哈库拉玛塔达的主力睡袋，已经迭代到了第七版，售价从最初十几美元涨到了36美元。孙翔说：“第七版是这些一条条真实反馈一点点摞出来的结果，不是设计师一次性想出来的。”

亚马逊评论之外，他们的AI还常驻Reddit，持续抓取美国妈妈论坛里的原始讨论，超过3500条记录被用来交叉验证选品方向。

选新品也走同一条路，先在Reddit找真实需求，再回亚马逊用搜索量和销量数据做验证。孙翔的总结只有六个字：“潜下去，才听得见。”

02、把AI当员工管

听到的数据要变成每天的运营动作，靠的不是人盯着数据去想，而是一套有层级的AI体系去承接。

就像罗马不是一天建成的，这套体系也不是一次性就搭建好的。

哈库拉玛塔达真正开始搭这套系统是在2026年3月。在这之前，他们和大多数团队一样，用AI辅助写写文案、查查资料。真正启动到现在，大概四个月。没有推倒重来，但一直在长。

孙翔这样描述这个过程：“先是因为看评论看不过来，才有了第一个‘听’评论的Agent；能听了之后才发现光听不够，得有人把声音拆解成画像；有了画像和数据之后，才发现需要一个业务大脑去统一调度、避免各个Agent各干各的。每一步都是被上一步逼出来的，不是提前规划好的。”

这套系统没有CTO，也没有技术架构师。60多个技能模块、20多道安全闸，全是孙翔自己一点一点教出来的。他根据业务里实际碰到的问题，逐条讲给AI听，让它学，再把可复用的部分固化成模块。

这套体系的核心是一个叫“业务大脑”的角色。它知道公司每个人的名字和能力，知道所有供应链的状态，知道当前的战略方针，也知道每个Agent每天在干什么。所有Agent的输出，都要先经过它过一遍：这个建议符不符合公司现阶段的实际处境？这条结论能不能倒查回原始数据出处？

这三条铁律贯穿整套体系，由AI先进行粗筛，人来精读；每条结论必须带原文出处；回头找不到原文的，直接删。

这三条铁律的背后，是一次具体的“被骗”经历。

221条踩坑记录里，孙翔觉得最典型的一条是这样的：有个负责内容的Agent，为了证明某张图该换、某句文案该改，讲得有理有据，还“引用”了评论区某位用户说过的话。

但一查原始评论，根本没有这句话，是它自己脑补出来、拿来给自己的判断当证据用的。孙翔说：“AI犯错不可怕，可怕的是它一本正经地编证据、还编得让你觉得挺有道理。”

这条被直接写进了踩坑库：任何Agent的结论，只要引用了“用户说过”“数据显示”这类说法，必须能倒查回原始出处，查不到就打回重做。

这也是“找茬Agent”存在的原因，它不生产内容，只负责把前面所有结论按统一标准重审，专揪自相矛盾的地方。每个Agent做完事都要过这一关，才算有效输出。

每一个执行动作，在14-42天后会被系统自动拉回来复盘算账，看当初的判断最终有没有在数据上兑现。这套自动回溯机制的意义在于，不靠人去记“上次做了什么决定”，而是让系统对自己的历史负责。

孙翔把这整套体系的核心思想总结成一句话：“不是用AI做更多我‘觉得’好看的图，是让AI告诉我用户到底想看什么；不是用AI多写几条listing、多埋几个词，而是把‘一切从用户出发’这件事，从一句喊在墙上的口号，变成一套全公司每天正在运转的系统。”

03、做那件“算不过账”的事

一套AI体系能不能跑顺，取决于它背后有没有一个清晰的目标，比如要优化什么，要规避什么，边界在哪里。

哈库拉玛塔达的这个目标，比单纯的商业效率复杂一些。

孙翔切入母婴赛道的起点是他妹妹的孩子。孩子皮肤敏感，有机棉买了，天丝也试了，最后发现只有天丝管用。因为有机棉一出汗，就把那片发痒的皮肤捂得更难受，天丝刚好破了这个局。

他顺着这条线去看美国市场，发现每5个美国孩子里就有约1个面临皮肤过敏的问题，但市面上没有一个品牌把这件事当作立身的核心。他的判断是：“在这个细分领域里还没有一个有领导力的品牌真正能解决这个问题。”

供应链的答案，来自一个意外的路口。

疫情过后，大批做医用防护服的工厂产能过剩、急需转型。孙翔第一次找上门，对方挺意外，因为防护服工厂和婴儿服装完全是两个品类，他们一开始觉得找错人了，也不确定自己的产线能不能做这么软、这么贴身的东西。

说服他们的不是价格，孙翔的切入点是一笔账：“他们车间里那套医疗级洁净标准是空气浮游菌控制在每立方米500个以内，恰恰是婴儿服装行业最缺、也最难自己从零建的资质。他们不需要推倒重建产线，只是把手里现成的高标准用到一个新品类上，等于在疫情红利消退、订单发愁的时候，白捡了一条新的增量业务。这笔账一算，他们就愿意试了。“

把最贴肤的成衣工序搬进防护服洁净车间之后，孙翔又把面料原料从纱线开始追溯到四川一处生态种植园，逐道工序重定印染参数，建立了一套专门针对婴儿服装的生产体系。

行业普遍退货率30%，他们做到了8%。97%天丝含量的面料，在这个行业里一直被认为难做、贵。在孙翔看来，贵不在原料本身，而在没人愿意把这条链从头到尾串一遍。

然后，一条NICU护士在评论区的留言出现了，“我在重症监护室工作，我们一直在帮这些宝宝找一件能穿得上的衣服。”

孙翔意识到，早产儿在美国标准婴儿服装货架上根本找不到对应的尺码。早产儿护理领域通常按月龄区分服装，0-3个月、3-6个月、6-18个月，但更小的那批宝宝，一出生就住进NICU的那批，没有人为他们做衣服。每年约37.7万名早产婴儿，出生后的最初几个月，货架是空的。

孙翔决定做这条产品线，新生儿、早产儿、NICU急诊室儿童，三个原本不存在于任何货架上的尺码。同样的生产工序，尺码那么小，规模做不大，利润几乎不存在。他自己承认这条线“从投资回报率来讲，可能一直是亏钱的”，但他们还是做了，因为“我们觉得要做这件事”。

“为1%的需求付出100%的努力。”孙翔把这句话当作一条经营原则，也当作对AI体系的一个注脚。

当AI系统把规模化的效率问题接管之后，人去做的事是AI给不了答案的那些：在发现一个微小需求时，决定要不要为它付出不成比例的代价。AI能帮你把海量的用户声音听全，但那条NICU护士的留言值不值得变成一条产品线，这个问题，AI不做决定。

孙翔在演讲里说过一句话：“但无论Agent有多牛，AI不会爱。会爱的，还得是我们。”

2026年，哈库拉玛塔达正在把这套打法从北美带向欧洲、日本和澳洲。4个人的核心团队，AI的使用规模还在往外延伸。

哈库拉玛塔达的公司名字来自《狮子王》里的一句斯瓦希里语：Hakuna Matata，别担心，一切都好。