摘要

Mercor 由 Felicis 领投，以 20亿美元估值融资 1亿美元，Benchmark 和 General Catalyst 跟投，稀释约 5%；Harry 曾称 11月 ARR 达 5000万美元，同时表示自己可能报错了这一数字，并说他听到的增长是“连续相当长一段时间每月环比增长 50%”。创始人并没有把融资放在首位：“我们原本没打算融资……只是它自己找上门来。”这笔钱是为长期劳动力聚合目标准备的资产负债表储备，不是立即支出的预算。
核心判断是：人类数据和人才评估已经变成同一个问题。 数据标注已从众包模式（为 Waymo 给路牌画框）转向寻找能在特定领域提升模型的专家——“搞清楚这个专家应该是谁，本质上 100% 是人才评估问题。”AI 实验室招聘后训练专家，正在推动 Mercor 最终建立统一全球劳动力市场。
针对合成数据多头（Harry 引述 Groq 的 Jonathan），Hiremath 认为，瓶颈更多在数据而非算力或算法，而且这不是零和游戏。 “评测按定义必须超出模型能力范围”，因此评测集必须由人类构建；SFT、RLHF 和 RL 环境也都需要专家型人类，而且“在非常、非常长的时间里”都会如此。低质量的人类数据无法推动模型进步；高质量人类数据归根结底仍是人才评估问题。
当软件成本趋近于零时，能够成功的企业将建立在网络效应之上。 “真正成功的企业……将建立在网络效应之上。没有网络效应的公司，甚至可以把全部代码库免费送出去，却依然活着。”SaaS 将改变形态：下一时代会端到端替代整个服务，而 Mercor 对招聘机构做的正是这件事。
公司没有销售团队，按个案收取可能超过 30% 的抽成，从拉取简历到 AI 面试（任何岗位均可在 10 秒内启动）再到付款，全程自动化。 定价逻辑不同于 Uber 司机 4.8 星和 4.9 星之间的细微差别：“排名前 0.1% 的人和处于第 80 百分位的人之间存在巨大差异。”因此“问题不在价格，而在质量”，抽成“往往只是第二顺位的问题”。
臭名昭著的 996（9点到21点、每周 6天）被定义为副作用，而非政策。 “我们之所以把这些数字说出来，唯一的原因就是不希望团队周日还在工作。”招聘看重的是唯一无法传授的东西——在乎；而最难的规模化经验是：“文化扩张比软件扩张更难。”

精读

1. 辩论搭档、开发外包店，以及“哥们，这能有多难”

Adarsh 10岁时认识联合创始人 Surya——“唯一想参加高中辩论赛的小学生”。他把这段辩论搭档关系称为“自己的第一家创业公司”：双方在彼此的成功中各占 50% 的权益，不断接受胜负反馈，也从中学到同一个教训：选择正确的合伙人，是你要做的最重要决定。
Mercor 起步时没有商业野心，只是一家招聘“来自印度、极其极其优秀的人才”的开发外包店。直到创始人意识到，人的重要性超过软件，于是先把候选人一侧自动化，再把公司一侧自动化，最终形成了这个市场。
退学决定是在没有种子轮、没有一笔可能存在的 Thiel Fellowship、只有“一点点收入”的情况下做出的，是个情绪驱动的决定。在帕洛阿尔托一间只有 3张桌子的办公室里，Surya 说：“哥们，这能有多难。”真正超现实的时刻并不是 General Catalyst 打来超过 300万美元的种子轮资金，而是他们把 Gusto 上的月薪改成了 500美元：“那一刻我觉得我们成了。”

2. 这一轮：1亿美元、20亿美元估值，意外融成

Benchmark 那一轮是通过直升机谈成的：Victor 问 Brendan 是否坐过直升机；“转眼之间 Brendan 就和 Peter Fenton 坐上了直升机”，公司“非常非常快”地选定了这家机构。约 6个月后，公司收入已达到 8位数，创始人埋头做业务、没有融资计划；下一轮融资之所以发生，是因为他们想和一位可能是 Sundeep Peechu 的投资人及 Felicis 成为合作伙伴。
新一轮融资规模为 1亿美元，估值 20亿美元，由 Felicis 领投，GC、Benchmark 及其他机构跟投。Harry 的说法是：“稀释 5%，资产负债表上拿到 1亿美元，这是非常漂亮的一轮。”Adarsh 则强调资金部署纪律：“人们融资后马上觉得自己必须把钱花出去，事情就会变得非常危险。”建立统一劳动力市场“需要很长时间”，资产负债表规模也应与之匹配。
公司治理保持精简：董事会就是 3位创始人加 Benchmark，仅此而已。至于他是否喜欢融资，答案是否定的：“我们真正非常享受的，是把业务向前推进。”

3. 核心判断：人类数据和人才评估已是同一个问题

5年前，人类数据意味着众包——“可能是 Waymo 想给一批图像做标注，于是你找来世界各地的人，给路牌画框。”如今则是：“GPT-4o 或其他模型在某个特定领域表现不好，所以我们需要专家把模型变得更好；而搞清楚这个专家应该是谁，100% 是人才评估问题。”
实验室业务不是一次偏离主线的小尝试，而是一个强制函数：统一劳动力市场需要“平台上有大量聪明人，并且能够预测工作表现”，而“这恰好就是很多 AI 实验室正在面对的问题”。实验室通过平台招聘专家，“本质上是帮助模型完成后训练”。
他唯一关注的指标是客户持续扩张：净留存率“大幅超过 100%”。

4. 数据才是瓶颈——以及对合成数据的反驳

当被问到，相比算力或算法，数据是否更限制模型进步时，他给出了明确回答：“数据是瓶颈——这么说是准确的。”Harry 随后提出了一个可能归属于 Groq 的 Jonathan 的观点：合成数据质量更高，因为其中没有 Reddit 这类“互联网的残渣”。
反驳是：这不是零和游戏，合成数据当然重要；但“评测按定义必须超出模型能力范围”。要评判一个模型，就需要人类创建一个在该任务上强于模型的评测集。SFT、RLHF 和 RL 环境同样如此。至于“低质量人类数据”这个说法，本身已经承认了这一点：“高质量人类数据会推动模型进步——而这再次回到了人才评估问题。”
专家型人类还会重要多久？“非常、非常长的时间。”他对人类与 AI 关系的设想不是单向交接：AI 可能帮你完成 60–80%，人类完成剩下的部分——“而找到这个人会越来越难，也越来越有价值。”Harry 追问，接近完美时难道不需要更少的人？劳动力市场给出的答案是：工作会转向“更专业、更复杂的方向”。

5. 机器：没有销售团队、30%+ 抽成，以及质量经济学

除了创始人，Mercor 没有一个销售人员。增长来自通过平台完成招聘的客户转介绍；当前约束“更多是带宽问题，而不是任何战术性或协调性的销售动作”。真正让客户惊叹的不是演示或价格，而是“最初几名候选人开始和他们一起工作的时候”。
候选人的整个流程都是自动化的：抓取简历和薪资预期，为工程师、律师、医生等任何岗位生成个性化 AI 面试，并在“10秒以内”启动，直到完成付款。抽成按客户逐案确定，部分客户超过 30%；之所以能够接受，是因为 Uber 的对比：4.8 星和 4.9 星司机差别很小，但“排名前 0.1% 的人和处于第 80 百分位的人之间存在巨大差异……问题不在价格，而在质量”。
这段印度起源带有私人色彩：他和 Surya 的父母都从印度移民而来，因此最初从各自的学校招聘。公司的创始故事本身就是一次招聘低效的缩影：他合作过的最佳工程师来自一则 Facebook 广告，没通过人工面试，却随后发来“一条非常非常长的信息，详细解释他究竟哪里答错了”，最后还是被录用了。如今，平台上工人的最大来源国是美国，客户也主要在美国。

6. 996 是副作用：文化才是难点

关于 996 文化：“我们之所以把这些数字说出来，唯一的原因就是不希望团队周日还在工作。”他认为，996 是对那些专注使命、不愿等到周一才推动公司前进的人进行筛选后的“副作用，而不是目标”；他也不认为远程办公能够有效复制这种状态：“那种动力、那种强度，只有在同一个房间里才能感受到。”
招聘标准是：“很多事情都可以教给人……但有一件事几乎无法教会，那就是在乎。”其中隐含的规模化教训是：“文化扩张比软件扩张更难。”最初 20个人形成的文化，“从某些方面看，可能是公司有史以来最强的文化”；而保持这种文化，是“打造一家传奇公司最重要的部分”。
Harry 表示自己听说增长达到 50% MoM；Adarsh 称这种增速是“对业务持续不断的压力测试”——问题会不断出现，而“公司里的每个人都必须持续超越自己”。

7. 零成本软件、用英语编程，以及 1000亿个工作岗位

Cursor 改变了他的构建方式：“你基本上只要打个响指，它就能完成。”这意味着软件会非常快地商品化。“在软件成本趋近于零的世界里，能够成功的企业将建立在网络效应之上。没有网络效应的公司，甚至可以把全部代码库免费送出去，却依然活着。”Mercor 的网络效应有两个：市场流动性，以及工作表现数据飞轮，能够找出最适合某个岗位的人，“即使他们自己都不知道这一点”。
对于“不必学计算机科学”的建议，他的看法是：在新的抽象层上，编程反而更重要——“从汇编语言到 Python 的跨越，甚至可能比从 Python 到自然语言的跨越更大。”未来的程序员“可能只是按今天的标准具备平均水平的人……但能够调度数千个超人级编码代理”。过去 12个月里，他改变了一个判断：SaaS 的下一个时代“将端到端替代整个服务”。他最糟糕的产品判断，是把全部筹码押在聊天界面上——“我们的时机可能稍微错了一点。”
在模型方面，市场正转向强化学习——“你已经能从 o1、o3 和 DeepSeek models 上看到这一点”——应用层会出现大量专业模型，但基础模型公司“只会有两家左右”，云计算的类比“基本成立”。Mercor 使用多种模型，并且“对 OpenAI 尤其满意”；随着模型变强，“整个产品也会变得更好”。
2035年的数学题是倒推出来的：几十亿求职者，每人几十份工作（扣除 Mercor 为 AI agents 创造的所有岗位）→ 创造 1000亿个工作岗位，并建立一个统一劳动力市场，解决“所有岗位、所有公司之间”的匹配问题。他的反常识结论是：“招聘者是任何公司里声望最高的职位……只要观察人才的流入和流出，就能了解一家公司的全部关键信息。”

在艰难市场打造硬科技：Kyle Vogt谈Cruise、Twitch与The Bot Company Latent Program Networks 能解决抽象推理吗？[Clement Bonnet]