編譯：haozhen
編輯：penny
Mercor 是一家由三位 21 歲的 Thiel Fellows 創辦的 AI 招聘初創公司，是科技行業增長最快的公司之一，去年 9 月 ARR 月增長率已經達到 50%，到目前，公司已經實現了 2 年內達到 7500 萬美元 ARR 的突破，主要收入來自包括 OpenAI 在內的 AI 實驗室。Mercor 近期完成 1 億美元 B 輪融資，估值達到 20 億美元。
Mercor 作為連線候選人和招聘公司的平臺，候選人上傳簡歷後 Mercor 會透過 AI 面試篩選合適人才，招聘公司描述需求後 Mercor 會自動推薦合適候選人，自動化了整個招聘流程，產品體驗非常好，招聘成功率高。
本次編譯整理了 20VC 對 Mercor 創始人兼 CTO Adarsh Hiremath 的訪談。Adarsh 認為資料標註和人才評估實際上是同一件事，釋放下一代智慧的瓶頸是專家級的人類資料，而非合成數據。未來將出現強大的領域專用模型，解鎖大量不同行業的應用場景。隨著 Coding Agent 的發展，應用構建將變得更簡單，只有具備網路效應的公司才能更好地生存。
目錄01 Mercor 是什麼？
• 創業與增長
• 產品特點
• 經營模式
• 融資
02 Mercor 是如何看待 AI 的？
• 人類資料標註 VS 合成數據
• AI Model & Agent
• 未來發展
01.
Mercor 是什麼？
創業與增長
• 創業起源
Mercor 的三個創始人分別是 Brendan Foody（CEO）、Adarsh Hiremath（CTO）和 Surya Midha（COO），三人在創業前就已經互相認識很久了。Adarsh 第一次見到 Surya 是在 10 歲的時候，兩個人非常合拍，因為他們是唯二想參加高中辯論的小學生，最終二人進入了同一所高中，並在高中遇見 Brendan。三個人成了辯論夥伴，並且參加了很多國家級的辯論比賽。
Adarsh 喜歡把辯論夥伴關係看作是自己的第一次創業，認為辯論和創業在很多方面很相似，比如選擇合適的夥伴、需要有巨大的責任感。
從左往右：Adarsh Hiremath、Brendan Foody、Surya Midha
三個人開始合作時並沒有什麼商業計劃，只是一起開了一個開發工作室，想快速學會如何開發軟體來幫助初創公司，最終招募了一些來自印度的優秀人才。但他們很快意識到，真正重要的其實是人，不是軟體。三位創始人是透過人工的方式找到了這些人，因此開始思考是否能把這個過程自動化，這是 Mercor 將面向候選人的功能自動化的開始。接著，他們意識到如果公司需要手動篩選候選人，這是無法實現規模化的，所以也必須自動化面向公司的功能。因此，Mercor 誕生。
面向候選人
面向招聘公司
Adarsh 認為招聘工作是公司裡最有聲望的職位，因為招聘人員掌握著公司人才的流入和流出，幾乎可以透過人才的流動了解一個公司的一切。所以公司的招聘職能是最被低估和忽視的部分，這也是建立 Mercor 的原因之一。同時，團隊認為應該以更少的人力達到更高的招聘效率，這個觀點與招聘的重要性是相輔相成的，因為只有在能找到合適人才的前提下，才能談及提高效率。要解決匹配問題，即找到合適的人才，是非常困難的，尤其是用無法規模化的人工流程。隨著時間的推移，Adarsh 越來越明顯地意識到，下一代 SaaS 將取代端到端的服務。這個認識在某種程度上也是建立 Mercor 的原因之一。
• 退學全職創業
Adarsh 在哈佛就讀期間，基本就已經儘可能避免上課。當時 Mercor 還沒有籌集到種子輪資金，只有一點點收入，創始人們也沒有 Thiel 獎學金，但 Adarsh 就想和最好的朋友們一起工作。
Adarsh 認為雖然可以試圖理性地分析是否應該退學或者創業，但很多時候是否退學是一個情感上的決定。Adarsh 最終在三個人在 Palo Alto 有了辦公室的時刻決定退學來全職創業。
• 996 工作
Mercor 團隊的工作時間是 996（早上 9 點工作到晚上 9 點，一週工作 6 天），Adarsh 傾向於把 996 看作是選擇團隊成員帶來的副作用，而不是目標。Mercor 在選擇團隊成員的時候，非常謹慎地挑選了對 Mercor 使命有深切關注的人，帶來的副作用就是員工不想等到週一才開始推動公司前進，大家是喜歡彼此的陪伴，喜歡自己在做的事情。
在某種程度上，這並不是 Mercor 獨有的現象。歷史上，所有成功的公司都有過相當強烈的企業文化，這是初創企業的一個特點，以可持續的方式比別人更努力才能成功。這種動力是非常有感染力的，Mercor 團隊中的每個人都感到充滿能量。
• 高速增長
Mercor 實現了連續好幾個月 50% 的增長，Adarsh 認為這是對 Mercor 一次持續的壓力測試。很多事情會在增長的過程中不斷地出問題，包括工作流程、招聘人才等。最重要的是，團隊中的每個人都需要不斷超越自己，不斷重新定義自己能做的事情，承擔新的角色。
Mercor ARR
Adarsh 認為，在公司高速增長的時候，文化的擴張比軟體的擴張更難。創始人在最初的 20 人中創造的文化，在某些方面，可能是最強的文化，但需要確保這種文化在公司成長、做新事情和新成員加入時保持強大，是很具挑戰性的事情。但在某種程度上，這也是打造一個傳奇公司最重要的一部分。
考慮 Mercor 最終市場規模的時候，首先要考慮到有大概幾億的求職者，再考慮每個人會換多少工作。忽略掉 Mercor 為 AI Agent 創造的所有工作，集中在只為人類創造的工作上，Mercor 為每個人大概創造了幾十個職位。Mercor 已經創造了數千億個職位，構建了統一的勞動力市場，這意味著任何公司想為特定的職位或任務招聘員工，都可以透過 Mercor。而任何求職者想考慮某個公司提供的特定職位或任務，也可以透過 Mercor。 Mercor 能夠無縫地解決跨公司、跨崗位的匹配問題。
產品特點
• 重視產品體驗
Mercor 的整個招聘過程都是自動化的，從候選人聽說 Mercor 並透過職位列表進入 Mercor 平臺，Mercor 拉取候選人的簡歷、薪資預期，基於候選人的背景和職位要求進行個性化面試，直到候選人工作獲得報酬，整個過程都是自動化的。
Mercor 自動化申請
Adarsh 認為目前一些最成功的產品或公司收入非常有粘性是因為產品能為創造出“六星級”體驗，這也是 Mercor 收入快速增長的原因之一。
之前 Mercor 團隊認為，chat 是未來所有 UI 的核心，因此 Mercor 的初始版本就是圍繞 chat 介面構建的，那時只能透過 Mercor 的聊天機器人來僱傭人才，後來團隊認識到，雖然 chat 介面很重要，但也需要與其他方式結合使用，比如結合 LMS（學習管理系統，Learning Management System）等工具。團隊認為，未來網頁應用程式會消失，所有的網頁應用程式互動方式將僅僅透過 chat 來實現。使用者不需要點選按鈕來僱傭某人，而是直接告訴聊天機器人僱傭那個人。Adarsh 認為這種方式在將來可能會實現，但團隊當時的時機選擇稍微有些早了。
• 招聘成功率高
Adarsh 認為招聘是否成功完全取決於職位所需要的人才，是一個非常因職位而異的過程。不同的公司看重的東西不同，而根據看重的因素，Mercor 能調整人才預測。
Mercor 為公司提供各種各樣的人才，涵蓋從軟體工程師到律師、醫生、金融分析師、顧問等各類職位。Mercor 的一個重要特點在於並不是為某個特定職位量身定製，而是構建了能夠很好通用的技術。比如在 AI 面試官上，Mercor 面試官系統能夠立即處理候選人的背景資訊，然後提供定製化的面試，不管這個人想要申請的是什麼職位，都可以在不到 10 秒鐘的時間內啟動面試系統。Adarsh 認為讓一個 Agent 自動收集關於某個人的資訊，並準備一個超越人類級別的面試，是可以實現的，而且幾乎所有的職位都可以這麼做。
目前，客戶不斷擴大與 Mercor 的合作關係，淨留存率大大超過 100%。只要客戶繼續擴大合作，意味著 Mercor 在找到合適的人才方面做得很好。
• 藉助 AI 改善產品
AI 底層模型的 landscape 變化得非常快。Mercor 使用過多種模型，對 OpenAI 的模型非常滿意，在某種程度上一直在使用 OpenAI 的模型。
如果能在底層大模型的某個方面做出改善，會對業務和產品帶來提升。比如在 AI 面試官上，當模型有所改進時，Mercor 平臺上申請人的體驗也會顯著提升。Adarsh 表示 Mercor 一直以來關注的重點就是，隨著模型不斷變得更強大，Mercor 能否借勢不斷改善產品。
經營模式
• 銷售 & 定價
Mercor 目前沒有銷售團隊，除了創始人以外，沒有一個人專門從事銷售工作。現在簽約的客戶主要是透過客戶主動聯絡，有人透過 Mercor 僱傭過人才，聽到過關於 Mercor 的好評，然後聯絡到 Mercor，接下來再繼續合作。
Adarsh 認為客戶通常最關注的不是價格，而是質量。如果 Mercor 能可靠地以軟體的成本找到頂尖的 0.1% 或 1% 的人才，並讓客戶滿意，那麼收取多少費用通常就是客戶次要考慮的問題。
當用戶進入一輛 Uber 車時，4.8 星的司機和 4.9 星的司機之間其實沒有太大的區別，因為他們的工作差別不大。但在 Mercor 的場景中，頂尖的 0.1% 人才和 20% 的人才之間有巨大的差距。當 Mercor 能夠以軟體的成本找到數百倍的優秀人才時，客戶會覺得必須使用 Mercor。通常是在前幾個候選人開始與客戶合作的時候，客戶會意識到 Mercor 的價值。
費用是按個案情況來定的。對於某些客戶，Mercor 的費用可能超過 30%，而對於其他客戶，則可能更少。
• 始於印度，但最大市場是美國
Mercor 開始於印度使用者，因為 Mercor 創始人的父母是從印度移民到美國來的，Mercor 選擇從他們曾就讀的學校開始招聘活動。
促使 Mercor 開始於印度使用者的原因還在於，Mercor 曾透過 Facebook 廣告找到了團隊中最好的工程師之一。可當時的情況是 Adarsh 親自面試了他，他卻沒有透過面試，但他給 Adarsh 發了一條很長的訊息，告訴 Adarsh 自己在面試中到底出了什麼問題以及如何改正，所以 Adarsh 認為他是符合 Mercor 的標準的，由此 Mercor 更加關注到印度人在勞動力市場就業的問題。
目前透過 Mercor 找到工作的勞動力的最高佔比是來自美國，大約佔比 60%。客戶也主要是美國的客戶。
• 與頂尖 AI 實驗室的合作
根據 TechCrunch 的報道，Mercor 已與包括 OpenAI 在內的全球五大 AI 實驗室合作，許多大型 AI 實驗室也是透過 Mercor 平臺來招聘的。
對於與 Mercor 合作的很多實驗室來說，Mercor 能夠識別出哪些人在特定領域內是傑出的，並讓這些人跟實驗室合作，這實際上也是 Mercor 長期目標的推動力。Mercor 想要建立一個全球統一的勞動市場，需要大量聰明的人加入，需要能夠預測他們的工作表現，並找出他們應該做什麼。
融資
• 種子輪
2023 年，Mercor 完成了 360 萬美元的種子輪融資，由美國知名風投 General Catalyst 領投。
種子輪的時候，三位創始人大概只有 19 歲。他們在融資之前將辦公室搬去了紐約。對 Adarsh 來說，相比於種子輪的資金到賬，更令他不敢相信的時刻是他們在 Gusto（注：美國一所薪酬計算公司） 上把自己的薪水調整到每月 500 美元。之後 Mercor 完成了種子輪融資，融資進展非常快。
• A 輪
2024 年 9 月，Mercor 完成了 3200 萬美元 A 輪融資，由 Benchmark 領投，估值高達 2.5 億美元。此次融資還有不少重量級的個人投資者參與，包括“矽谷投資教父” Peter Thiel、Twitter 聯合創始人 Jack Dorsey、OpenAI 的兩位董事、Quora 的 CEO Adam D'Angelo，以及前美國財政部長 Larry Summers 等。Benchmark 的新合夥人 Victor Lazarte 成為 Mercor 董事會成員。
Mercor 一開始並沒有打算融資，資金的到來有點像是自然而然發生的。在與 Benchmark 的合作上，Victor 說服 Brendan 進行了初步交流，之後 Benchmark 的合夥人之一 Peter Fenton 邀請 Brendan 一起乘坐直升機。後續 Brendan 又和 Victor 以及 Benchmark 團隊談了幾次。
• B 輪
2025 年 2 月，Mercor 完成了 1 億美元的 B 輪融資，由 Felicis 領投，估值達到 20 億美元。
B 輪融資大約是在 A 輪融資的六個月後。當時 Mercor 也並不專注於融資，自身業務收入已經達到了數千萬美元，團隊的想法是繼續專注於工作，但希望和 Felicis 合作，所以選擇了融資。在稀釋比例上，稀釋了 5% 的股權就獲得了 1 億的資金。
雖然融資順利，但 Mercor 的三個創始人最享受的是推動業務發展。融資時，團隊並沒有完全意識到增長會如此迅速。團隊知道會有增長，並且對增長充滿信心，但增長速度還是超出了預期。
Adarsh 認為，當人們籌集到資金後，如果認為必須立刻花掉這些資金是很危險的。Mercor 的目標不是馬上花掉這 1 億美金，Mercor 目標是建立一個統一的勞動市場，這需要很長時間，所以 Mercor 只是想確保有足夠的資金儲備，以應對長期的發展。
02.
Mercor
是如何看待
AI 的？
人類資料標註 VS 合成數據
市場上有投資人認為 Mercor 主要是在為基礎模型做資料標註，但 Adarsh 認為資料標註和人才評估實際上已經變成了同一件事。五年前，提到資料標註時，基本上就是一個眾包的問題。假設 Waymo 想要一些影像標註，那就會讓全世界的人來畫框，標出停車標誌，以便讓模型更好地分類停車標誌。但今天，資料標註的工作性質發生了很大變化。GPT-4 或其他模型在某個特定領域可能並不好用，因此，實際上需要一個領域的專家來讓模型在該領域更好。找出誰是這個領域的專家，實際上是 100% 的人才評估問題，這正是 Mercor 的完美應用。
Adarsh 認為未來很多資料都會是人類資料標註，而非合成數據。以 Eval 為例，Eval 必須由人類資料建立，因為為了判斷模型在特定任務中的表現好壞，必須有一個人類建立的測試集在該任務上有超越模型的表現，人類在這個過程中扮演重要角色。此外，像 SFT、RLHF、RL 等訓練下一代模型的方式都需要專家級的人類資料標註來幫助模型提高。
很多人，包括 Groq 的 CEO Jonathan，都認為合成數據的質量更高，因為合成數據避免了網際網路上低質量資料的干擾，因此使用高質量的合成數據，而不是低質量的人類資料，模型效能會呈指數級提高。但 Adarsh 認為這個觀點是錯的。合成數據和人類資料並不是零和博弈的關係，即使在人類資料對下一代模型至關重要的世界中，也並不意味著合成數據就不重要。但在很多情況下，解鎖和釋放下一代智慧的瓶頸仍然是專家級的人類資料。低質量的人類資料肯定不會讓模型變得更好，而高質量的人類資料卻可以做到。這正是一個人才評估問題。提高資料質量的關鍵是找到合適的人，而這正是非常難做到的。
Humans vs Synthetic Data
Adarsh 認為資料比計算或演算法更成為限制模型改進的瓶頸，但計算和演算法也是難題的一部分。計算、資料和演算法都會在推動 AI 進步、解鎖下一代智慧的過程中發揮作用。但我們所進入的時代，確實需要專家級人類資料讓模型在特定的應用場景中變得更好。這種情況會持續很長一段時間，因為目前還有很多工是模型無法完成的。
AI Model & Agent
• Foundation Model
在下一代模型上，整個市場正在轉向強化學習，Mercor 團隊已經在 o1、o3 和 DeepSeek 的模型中看到了這種趨勢。Adarsh 認為未來會出現在特定領域中非常強大的模型，這些模型能夠進行極為出色的推理，這將解鎖大量不同行業和領域的使用場景。
Adarsh 認為未來會進入多種模型服務不同用例的世界。目前已經有很多應用層公司都在利用這些專業化的模型來解決自己的問題。對 Mercor 來說，重點領域是招聘，Mercor 在招聘上的能力已經遠遠超過了傳統的專家招聘經理。對於其他公司來說，可能是特定領域的財務分析。所以，在這些不同的應用場景中，每個公司都需要根據自己的需求提升模型的表現。最後會有少數幾家公司能夠構建基礎模型，供其他公司基於基礎模型進行發展，比如 OpenAI。不會有 20 家公司能夠打造基礎模型，並且像 OpenAI 那樣被廣泛應用。
• Coding
現在有一個觀點是，很多年輕的優秀人才被告知不應該再學習計算機科學，因為計算機科學正變得越來越自動化，現在 41% 的程式碼是由 AI 編寫的，五年後，這個比例會大幅增加。而 Adarsh 的看法是，程式設計在今天比以往任何時候都更重要，程式設計只是將以不同的形式發生，從組合語言到 Python 的躍遷可能比從 Python 到自然語言的躍遷還要大。未來定義程式設計的方式將會非常不同，或許今天計算機科學中只擁有一般技能的人，將可以指揮成千上萬的超級Coding Agent，做到曾經認為不可能的事情。用英語程式設計將會變得非常重要。
Adarsh 現在在程式設計的時候會使用很多 AI 工具，比如 Cursor。Mercor 團隊的很多成員都在用 Cursor，Cursor 讓原本需要大量時間才能完成的工作變得非常簡單和優雅。比如在測試上，藉助幾個 prompt，可以為應用程式生成比任何人想象的都要徹底的測試套件，這在以前是做不到的。又比如，如果使用者想把程式碼庫中的某個部分的風格帶到另一個部分，也可以在 Cursor 中輕鬆完成。Adarsh 認為隨著 Coding Agent 變得越來越強大，軟體將很快變得商品化（softwares commoditize）。
軟體商品化意味著人們將能夠比歷史上任何時候都更快速地構建應用程式。也意味著，在軟體成本接近零的世界裡，只有那些能夠成功建立在網路效應上的公司才能生存，即使那些公司將整個程式碼庫免費贈送出去，也能夠生存下來，比如 Meta 和 Airbnb。
• AGI
Adarsh 認為，當實現 AGI 或者思考 AGI 時，會涉及到更多有經濟價值的工作。當越來越多的具有經濟價值工作的自動化程度提高時，research 在某種程度上也會被自動化，這也屬於 AGI 的範疇。
未來發展
• 未來的勞動力市場
如果一兩百年後，模型能夠完成所有工作，人類不再需要工作，那社會將變得截然不同，所有人類都會過上全民基本收入的生活（注：全民基本收入是指沒有條件、資格限制，不做資格審查，每個國民或成員皆可定期領取一定金額的金錢，由政府或團體組織發放給全體成員，以滿足基本生活條件），每天玩電子遊戲，或者做些其他事情。
但在那之前，會有許多工是模型無法完成的，可能是有特定經濟價值的任務，比如顧問的工作或者某類工程學任務，甚至更為小眾的工作，比如讓模型在某個特定愛好上變得更好。人類將需要填補這些空白，尤其是在“長尾”領域。很多人對人類和 AI 之間的關係有一種單向的理解，即人類做不到的事情交給 AI 去完成，但更現實的情況是對於特定的應用場景，AI 可能能幫助人類完成 60%、70% 或 80% 的工作，但剩下的 40%、30%、20% 還是需要人類來完成，找到能夠完成這些剩餘部分的人類將變得越來越困難，也因此更為寶貴。
未來的勞動市場會朝著專業化和複雜化發展，這意味著未來 50 年看到的工作將會更加專業化，而且通常需要具備更高水平專業知識的人才。
• 網路效應的重要性
如前文所說，隨著 Coding Agent 的強大，軟體會漸漸商品化（commoditize），只有有網路效應的公司才能更好地生存。
今天 Mercor 的網路效應可以分為兩個類別。第一類是像 Uber 或 Airbnb 這樣勞動市場上的網路效應，每增加一個透過 Mercor 招聘的公司或 Mercor 上的候選人，就會增強市場力量，因為會有更多優秀的人才和公司可供選擇。第二類是有關工作預測的資料飛輪，Mercor 能夠看到哪些人在工作中表現得很好，並且知道他們表現好的具體原因，並利用這些端到端的資料，幫助 Mercor 找出最適合某個職位的人，即使他們自己都未必知道這一點。
排版：楊樂樂
延伸閱讀