Tezi 失败拆解：900 万美元的自主招聘 Agent，为什么结局是团队并入而不是产品增长 (2026)

一句话总结

Tezi 在 2024 年用 900 万美元种子轮和 15–20 家设计客户，把「从找人到约面试」的自主招聘 Agent 推到市场；到 2026 年 4 月 12 日服务关闭，Headway 随后宣布收购的是 Tezi 团队，不是继续独立经营的招聘产品。1 2 3

增长判断

Tezi 的激活承诺很强：招聘经理把职位需求交给 Max，系统筛选简历、发起联系、安排面试，用户第一次就能看到「少做几步行政工作」的价值。TechCrunch 当时报道，产品刚进入 alpha，只有 15–20 家设计客户；收入、付费客户数、留存、招聘结果和续约率均未披露。1

我的判断是：Tezi 把「自动完成招聘流程」当成了产品卖点，却没有公开证明客户愿意把关键决策长期交给它。招聘不是一条可以无限自动化的流水线，职位描述、候选人筛选、偏差审查、候选人沟通和面试安排，每一步都可能需要人来承担后果。Tezi 的创始人在早期报道中也承认，当时仍需要人参与，而且候选人池的质量取决于招聘经理的提示和职位描述。1

增长因果链

端到端自动化降低了招聘行政工作的首次体验成本，900 万美元融资和设计客户让团队获得了验证时间；但高风险招聘场景要求人工审查、偏差控制和结果追责，人工介入越多，所谓「自主 Agent」的差异化越弱，产品又必须与成熟 ATS、招聘 CRM 和人工招聘服务竞争。公开资料没有填上从 alpha 客户到重复招聘、从重复招聘到续约收入的中间环节，服务最终关闭，团队转入 Headway。这个因果链是待验证的经营诊断，不是 Tezi 官方公布的单一关停原因。

Part G | 增长系统

AARRR 账本

环节	已知事实	未披露数据	可证伪判断
Acquisition，获客	Tezi 在 2024 年 7 月宣布 900 万美元种子轮，由 8VC 和 Audacious Ventures 领投；发布时正与 15–20 家设计客户合作。1 4	CAC、自然获客占比、销售周期、从试用到签约的转化率未披露	设计客户只能证明有人愿意帮忙试用。若 90 天内完成第二个职位的客户少于 50%，获客带来的只是一次性实验，不是可复制销售。该阈值是验证建议，不是 Tezi 历史数据。
Activation，激活	产品承诺覆盖简历筛选、候选人联系、面试安排；官网当前仍把 Max 描述为可主动完成 sourcing、screening 和 scheduling。1 5	首个职位完成时间、合格候选人命中率、面试安排成功率、人工接管率未披露	真正的激活应是「一个职位得到合格候选人并成功约到一次面试」，而不是注册或上传职位。若首次有效职位率低于 60%，自动化只是演示层价值。阈值为建议。
Retention，留存	TechCrunch 只确认产品处于 alpha，并计划扩大 beta；没有公开 D7、D30 或客户重复使用结果。1	活跃招聘账户、每账户职位数、第二次招聘间隔、D30/D90、客户流失率未披露	对招聘工具而言，最小留存单位不是登录，而是同一客户再次开启职位。若 D30 重复开职位率低于 40%，产品更像项目试点，尚未成为招聘基础设施。阈值为建议。
Revenue，收入	公开报道确认融资，不确认收入。Tezi 的公开页面没有价格、套餐、合同或客户名单。1 5	ARR、付费客户数、客单价、毛利、续约率、按职位或按招聘结果收费的比例未披露	如果设计客户中没有至少 3 家在 90 天后付费续约或扩张，产品就没有证明「自动化」足以形成预算科目。阈值为建议。
Referral，传播	创始团队曾在 Thumbtack 等公司积累招聘与产品经验，融资也得到行业天使支持，但公开资料没有证明客户推荐带来的新增合同。1	推荐率、客户转介绍占比、候选人侧传播和招聘结果口碑未披露	B2B 招聘产品的传播价值，最终要落到新客户签约或更低 CAC。若推荐线索不能转化为第二家同类客户，创始人声誉只是早期分发，不是产品网络。

本 Part 结论： Tezi 公开证明了融资、产品愿景和早期试点，却没有公开证明首次有效招聘、重复职位、付费续约这三个下游数字；它的漏斗停在「有人愿意试」之前，没到「客户持续买」。

Part O | 市场机会

机会到底卖给谁

Tezi 的直接买方不是求职者，而是招聘经理、人才获取团队和需要连续招聘的企业。它试图替这些买方减少三类成本：从候选人池中找人，逐一联系候选人，以及在多个日历之间安排面试。TechCrunch 对产品的描述也集中在这条流程，而不是员工入职、绩效或培训。1

这类机会有一个容易被忽略的限制：客户买的不是「少点几下鼠标」，而是更快找到合适的人，同时不承担新的合规、偏见、误筛和候选人体验风险。只要招聘经理仍要逐份复核结果，Tezi 的节省就要和复核时间、集成成本、模型调用和候选人数据成本一起计算。

TAM / SAM / SOM 代理模型

公开资料没有提供 Tezi 的目标客户总数、平均合同额或可服务市场口径。下面只做经营压力测试，不是行业统计，也不是 Tezi 的历史收入；所有数字为 C 级估算。

层级	代理假设	年度收入空间	置信度
TAM	50,000 家有连续招聘需求的企业，每家每年为 AI 招聘工作流支付 24,000 美元	12 亿美元	C：客户数量与客单价均未被 Tezi 公开数据验证
SAM	其中 5,000 家已有 ATS、愿意接入外部自动化、每年招聘频率足以覆盖 24,000 美元	1.2 亿美元	C：筛选比例和支付意愿是假设
SOM	先拿下 30 家年度续约客户，每家年合同 36,000 美元	108 万美元 ARR	C：这是生存阈值，不是历史结果

这个模型的用途不是证明市场足够大，而是把产品问题改写成采购问题：Tezi 是否能让一个客户每年少花至少 36,000 美元的招聘运营成本，或者多招到足够有价值的人，从而愿意稳定支付 36,000 美元？如果答案只能靠「模型很聪明」来解释，市场故事还没有落地。

本 Part 结论： 招聘自动化的市场机会真实存在，但买方要为可验证的招聘结果和风险控制付费；「有很多企业需要招聘」不能替代一份可续约合同。

Part S | 战略定位

它选择了什么位置

Tezi 不是传统 ATS，也不是只给招聘经理建议的 Copilot。它把 Max 定位成一名自主招聘 Agent，试图接管从 sourcing、screening 到 scheduling 的连续动作。TechCrunch 报道称，团队当时使用来自数据提供商的 2.5 亿份资料，并结合 OpenAI 和 Anthropic 模型进行调优。1

这让 Tezi 的价值主张很清楚：客户不必再购买多个招聘工具、手工转移候选人，也不必把行政工作交给一名初级招聘人员。官网当前的表述仍然强调 Max 可以持续工作，并以更低成本提供不受时间限制的招聘容量。5

结构性弱点

第一，自动化承诺和责任边界冲突。 招聘经理可以授权 Agent 搜索和联系，但很难把「谁被排除、谁被误判、谁收到不合适的职位邮件」的责任一并交出去。Tezi 在早期报道中承认，人仍需参与；创始人还指出，结果会受到招聘经理的职位描述和提示质量影响。1

第二，数据资产并不等于招聘结果。 2.5 亿份资料扩大了搜索空间，却没有公开说明资料的新鲜度、授权范围、职位覆盖、候选人回复率和最终录用率。更多候选人只能提高供给，不能自动提高匹配精度。

第三，底层能力容易被平台吸收。 Tezi 使用外部大模型和数据提供商，自己的控制点主要是流程编排、提示设计、候选人排序和招聘经理界面。若 ATS、招聘 CRM 或大模型厂商把这些步骤内置，Tezi 就必须靠招聘结果数据、客户工作流和审计能力建立独立位置。

2026 年 3 月 31 日，Headway 公布收购 Tezi 团队，并明确计划把团队并入工程和产品组织；公告没有说收购 Tezi 产品、资产或独立业务，也没有披露交易价格。2 6 这把「团队被认可」和「产品被验证」分成了两件事。

本 Part 结论： Tezi 选择了最容易讲清楚、也最难兑现的位置：让 AI 自己做完招聘；一旦客户必须为每个关键判断保留人工责任，产品的自主性就变成演示亮点，而不是可防守的控制点。

Part C | 竞品分析

替代方案	用户得到什么	主要控制点	Tezi 的相对短板
Tezi Max	从候选人搜索、初筛、联系到约面试的一体化 Agent；早期仍需要人参与。1 5	自动化流程和 Agent 编排	公开数据没有证明准确率、招聘结果、重复使用和续约；服务关闭日期由独立行业页报道，官网没有提供独立停服公告。3
Ashby	ATS、CRM、sourcing、scheduling 和 analytics 统一在一个招聘系统里，也提供叠加在既有工具上的招聘分析。7	招聘记录、流程和分析数据	自动化不必承诺完全替代招聘经理，买方更容易把它接进现有流程。
Greenhouse	从 sourcing 到 onboarding 的端到端平台，强调结构化招聘、AI 工具和保留人工判断，并提供多种集成。8	招聘流程、候选人门户、结构化决策和集成	Tezi 若只卖自主筛选，难以匹配成熟平台的流程、审计和组织协作能力。
Gem	把 ATS、CRM、AI sourcing、申请审查、欺诈识别、scheduling 和 analytics 组合在一起，可叠加到既有招聘工具。9	候选人关系、来源、审查和招聘数据	Tezi 的端到端 Agent 更有故事性，但 Gem 的模块化能力更容易先买一部分再扩展。
内部招聘团队与人工服务	由招聘人员承担候选人判断、沟通、协调和最终责任	人的判断、关系和组织知识	成本更高、规模受限，但在高风险职位上不需要把责任转给不可解释的模型。

这个矩阵不比较各家的市场份额，因为本轮来源没有提供一致口径。真正要比的是四个控制点：谁保存招聘记录，谁定义筛选标准，谁处理例外，谁为错误结果负责。

本 Part 结论： Tezi 的敌人不是另一家更像它的 Agent，而是已经拥有客户数据、流程入口和责任链的招聘系统；自主性只有在这些控制点之外创造可量化结果，才足以成为购买理由。

Part P | 产品设计

用户流程

Tezi 的核心路径可以还原为：

输入职位需求 → 搜索候选人 → 生成联系 → 初步筛选与排序 → 安排面试 → 招聘经理复核

这条路径的第一处优点是价值集中。招聘经理不用先学会一套复杂的筛选语法，就能把自然语言职位描述交给系统。第二处优点是动作连续：如果筛选、邮件和日历都在同一条任务链里，单个自动化动作的价值会叠加。

问题也集中在同一条链上。

输入质量决定上限。 TechCrunch 报道指出，候选人池取决于招聘经理的提示和职位描述。职位描述含糊，Agent 可能只是更快地扩大错误搜索。1
筛选结果需要可解释。 招聘经理必须知道候选人为什么被选中、为什么被排除，以及模型是否把学校、履历格式或历史招聘偏好当成了隐性代理变量。Tezi 当时表示会尽量避免从历史招聘模式学习，但没有公开偏差审计结果。4
约到面试不等于完成招聘。 约面试只是中间事件，后面还有候选人出席、面试评价、复试、录用和入职。若产品只优化到日历邀请，客户仍然要手工完成最重要的决策。
完全自动化会放大错误。 一次无关邮件可能损害雇主品牌，一次错误排除可能直接损失候选人。高风险场景需要暂停、撤销、人工批准和完整审计，而不是只有一个「自动运行」开关。

产品应该追踪的指标

有效职位率： 新职位在 7 天内产出一批经招聘经理确认的合格候选人。
人工接管率： 每个职位中被人改写、撤回或重新排序的候选人比例。
筛选到面试转化： 被 Agent 推荐的候选人中，实际进入面试的比例。
误筛反转率： 被系统排除、后来被招聘经理恢复的候选人比例。
第二职位率： 同一客户在 30 天内再次开启职位的比例。
招聘结果率： 推荐候选人进入录用和入职的比例；如果无法取得该数据，就不能把筛选速度当作产品成功。

本 Part 结论： Tezi 的产品流程把「候选人被找到」和「企业成功招到人」连得太快；只有把人工接管、误筛反转和最终录用纳入产品，Agent 才是在减少招聘成本，而不是把成本推迟到流程末端。

Part E | 商业模式

单位经济的硬约束

Tezi 的公开资料没有价格、合同额、收入、模型调用量或客户续约数据。唯一明确的资金规模是 900 万美元种子轮；这笔钱可以买研发和试点时间，但不能当成客户已经验证了付费。1 4

可用下面的式子检查这门生意：

单个客户月贡献毛利 = 订阅或招聘结果收入 - 大模型调用成本 - 候选人数据许可费 - 联系与日历服务成本 - 人工复核成本 - 集成与支持成本

Tezi 的成本结构很可能随职位数增加而上升，但不能据此写成历史事实。公开资料只确认它使用了来自数据提供商的 2.5 亿份资料，并使用 OpenAI、Anthropic 模型；数据许可和模型调用的具体价格、上限与毛利均未披露。1

更危险的是「按招聘结果收费」的诱惑。如果按录用收费，收入更贴近买方价值，但招聘周期更长、归因更难，且客户可能把候选人质量、面试官判断和入职结果全部归给产品；如果按席位或职位收费，收入更稳定，却要证明客户真的持续使用。最现实的早期模型可能是基础平台费加职位用量费，并把人工复核、数据来源和高级审计单独定价，但 Tezi 没有公开说明采用了哪种方式。

为什么融资没有解决问题

Tezi 的融资发生在产品仍处于 alpha、设计客户只有 15–20 家的阶段。融资给了团队验证自主招聘的跑道，却没有回答三个商业问题：客户是否重复开职位，推荐结果是否改善招聘结果，单位毛利是否能覆盖数据与模型成本。1

本 Part 结论： Tezi 的商业模式缺口不是「还没找到更贵的套餐」，而是没有公开证明自动化结果能让客户持续付费，并且每新增一个职位不会同步增加更快的人工、数据和模型成本。

Part L | 洞察提炼

1. Agent 的自主程度不是客户价值的同义词

客户不会因为系统调用了更多工具就自动多付钱。招聘经理真正购买的是更短的招聘周期、更高的合格候选人比例和更少的错误风险。自主程度只有在这些结果上留下可审计的改善，才是产品价值。

2. 高风险工作流的人工确认不是缺陷

Tezi 的早期产品仍需要人参与，这不一定是失败；失败的可能是把人工确认包装成暂时过渡，而没有把它设计成责任链的一部分。1 在招聘、医疗、金融等场景，暂停、解释、撤回和审计本身就是可卖的功能。

3. 试点数量不能代替重复行为

15–20 家设计客户足以发现流程问题，却不足以证明市场规模。真正有信息量的不是有多少家公司愿意试，而是其中多少家在第二个职位、第二个团队和第二个季度仍然使用，并愿意按相同或更高价格续约。Tezi 没有公开这些数字。

4. 团队被收购不等于产品成功退出

Headway 的公告和相关报道都把交易描述为收购 Tezi 团队，并计划把团队并入工程和产品组织；购买价格未披露，也没有说 Tezi 招聘产品继续作为独立业务经营。2 6 对创始团队而言，这可能是一次有价值的下一站；对产品投资判断而言，它不能替代独立收入、留存和用户结果证据。

本 Part 结论： Tezi 最值得复用的教训不是「不要做招聘 Agent」，而是先把 Agent 的责任边界、结果指标和重复采购写进产品，再把自主性当作实现方式，而不是商业模式。

Part D | 决策分析

四种决策

决策	适用条件	下一步
继续独立经营	未来 90 天内，至少 5 家客户重复开启职位，3 家续约或扩张；有效职位率超过 60%，误筛反转率低于 10%。以上是建议阈值，不是 Tezi 历史数据。	把销售对象从「自主招聘」改为可审计的招聘结果，提供人工批准、撤回、偏差报告和结果回传。
转型为受控 Agent	客户愿意使用自动搜索、联系和排程，但在筛选与推荐环节保留人工审批；人工接管率高，却没有明显降低客户价值。	把每个动作拆成可回滚步骤，按职位和工作流收费，优先嵌入 ATS 与 CRM。
转型为招聘基础设施	招聘数据、审计和流程编排比自动决策更受客户购买；客户不要求产品独立替代招聘团队。	提供评测、数据质量、候选人来源、模型回归和合规记录，成为现有招聘系统的 AI 层。
停止独立产品	没有付费续约，或者模型与数据成本加人工复核持续高于合同收入；团队能力在其他垂直工作流有更强买方。	关闭服务前提供数据导出、授权撤销、账户删除和客户迁移，不把团队并入写成产品成功证明。

三个可证伪预测

重复职位预测： 如果 AI 招聘 Agent 的 D30 重复开职位率低于 40%，但单个职位的首次筛选速度很快，它更像一次性项目工具，而不是日常招聘基础设施。验证时应按客户和职位去重，不能用登录量代替。
人工边界预测： 如果超过 25% 的推荐候选人需要招聘经理改写、恢复或重新排序，产品就不应再用「完全自主」作为核心承诺；应把人工审查和审计能力写进套餐。这个阈值为验证建议。
结果闭环预测： 如果推荐候选人的面试到录用转化率没有显著高于客户原有流程，哪怕 Agent 能把筛选时间缩短一半，客户也很难为独立产品长期付费。验证必须同时记录时间节省、误筛反转、录用率和续约率。

Tezi 的公开结局支持一个克制但足够具体的判断：它把招聘工作流自动化讲清楚了，却没有公开证明客户会为更好的招聘结果持续付款。2026 年 3 月 31 日，Headway 宣布收购的是 Tezi 团队；独立服务在 4 月 12 日关闭的日期由行业报道给出，但 Tezi 官网没有提供一份独立停服公告。2 3 5

对下一家招聘 Agent，最先要问的不是「它能不能自己发邮件」，而是四个更难的问题：客户是否在第二个职位继续用，招聘经理是否能解释每次排除，结果是否比旧流程更好，新增一个客户后毛利是否仍为正。如果这四个答案都没有数字，所谓自主，只是还没有经过责任和预算检验的产品叙事。

Tezi 失败拆解：900 万美元的自主招聘 Agent，为什么结局是团队并入而不是产品增长