Mercor CEO兼联合创始人 Brendan Foody：如何在17个月内从100万美元做到5亿美元收入年化规模

摘要

• Mercor称，其收入年化规模在17个月内从100万美元增至5亿美元，比Cursor快1个月，且达到这一规模时增速仍在加快。 在Scale AI被收购前，Mercor的收入年化规模已达到9位数，此后又增长了4倍；如今产能成为瓶颈，因为Mercor每天都在拒绝项目，而“如果我们能满足产能需求，隔夜就能翻倍”。

• Foody认为，真正的护城河在于识别出能推动模型大部分改进的10–20%专家，而不只是提供更多劳动力。 Mercor平台上的平均时薪为95美元，而Scale和Surge约为30美元；其推荐网络覆盖Goldman、McKinsey、FAANG，以及医疗和法律人才。实验室起初可能会把工作分散给多家供应商，但Foody认为，最终性能会迫使它们集中到能够找到这些“10x贡献者”的合作伙伴身上。

• 只要人类还能完成模型无法完成的任务，合成数据就无法消除对人类数据的需求。 Foody预计10年后人类仍不可或缺，并称3年内实现全面超越人类的超级智能“完全错误”：模型可以拿下奥林匹克竞赛金牌，却仍无法替他起草邮件、安排会议或完成跨多个工具的工作流。

• 强化学习环境是一大机会，因为它能把真实人类工作流转化为可学习、可验证的任务。 Foody估计Mercor已占据这一新兴市场的50–60%，并称头部实验室高管认为它可能“吞并整个经济”：由人类定义工作应如何完成，再由模型学习执行重复性工作。

• Foody认为，学术基准并不能很好地代表企业真正购买的能力。 解决方案是用金融分析、咨询研究、软件开发等真实工作流设计评测，弥合“现实—模拟差距”：“如果模型是产品，那么评测就是PRD。”

• 对AI投资者而言，留存率和利润率比首份合同的惊人收入更重要，而切换成本决定补贴能否创造持久价值。 一家公司如果95%的试点都失败，无论增长多快都很弱；如果蒸馏能在12个月内让推理效率提升一个数量级，且粘性客户带来高LTV，那么阶段性较差的利润率也可以接受。补贴低切换成本产品的风险要大得多，因为补贴一结束，用户就可能离开。

• 尽管增长强劲且近期很可能融资，Mercor的资本策略仍刻意保持保守。 Foody表示，这家盈利公司并不需要现金，再多几亿美元也不会实质性改变投资方式，但一轮低稀释融资可以释放品类领导者信号；他也看重“堡垒式资产负债表”的价值。他尚未解决的问题是：资本效率究竟是审慎，还是Mercor应该拿1亿美元补贴供给和需求、进一步扩大优势。

精读

1. Mercor的劳动力论，始于一次异常务实的套利

• Foody最早的打法就已经带有平台色彩：5美元买一打Safeway甜甜圈，在学校里每个卖2美元，付给母亲20美元交通费，用更低价格压过质量更高的竞争者；两周后校长出面，他就把摊位搬到离校园20英尺的地方。

• 高中时，他注意到球鞋转售商即使符合创业公司云服务额度条件，仍在支付AWS账单。于是他为他们搭建网站并协助申请，赚到“数十万美元”——这让大学看起来像是通往一份薪资更低的FAANG或咨询工作的路径。

• Foody依然认为大学具有社会价值，但教育稀缺性很低：他在线听完了Stanford GSB的课程，而AI让信息更容易被整理和学习。讽刺的是，他母亲当初担心自己会“从甜甜圈走向毒品”，因此选择的天主教学校，反而让他认识了联合创始人。

• 这段经历也影响了他对“人力外包店”这一说法的否定。他表示，Mercor的角色是调动与研究人员直接合作的顶尖专业人士，而不是把可互换的劳动力藏在低价外包层之后。

2. 前沿数据已从众包转向稀缺专业能力

• 早期语言模型可以使用那些只会写“勉强符合语法的句子”的人的工作。如今的问题需要Goldman和McKinsey分析师、FAANG工程师、医生和律师，他们不仅能产出最高复杂度的数据，还能帮助研究人员理解这些数据。

• 这里的因果链条很关键：研究人员可以独立判断本科生的数学错误，却未必理解一名工作第5年的Goldman associate所做的工作。因此，专家既提供训练材料，也提供解读评测结果、逐步推高模型性能所需的判断力。

• 贡献质量呈幂律分布。在一个100人的项目中，Foody称排名前10–20%的人往往贡献了大部分改进；Mercor的优势在于推荐网络和匹配基础设施，能把这些“10x贡献者”放到最擅长的工作上。

• Foody反驳了竞争对手缺乏高质量算法的说法：Mercor使用模型评估工作，基于所提供的数据训练以衡量能力增益，并作为研究伙伴参与项目。他更尖锐的区分在于文化——Mercor平均每小时支付95美元，而Scale和Surge约为30美元，因为“真正出色、且被你善待到极致的人”会带来质量和推荐。

3. Mercor的5亿美元收入年化规模如今受供给约束

• Foody披露的核心数字是：Mercor在17个月内将收入年化规模从100万美元提升至5亿美元，达到“史上最快的收入增长”，比Cursor快1个月。公司曾有一段时间月均环比增长54%，而且在5亿美元规模时的增速比此前任何阶段都快。

• Scale AI被收购确实成为加速器，但不是发令枪：当时Mercor的收入年化规模已经达到9位数，并与前沿实验室建立了深度合作，此后又增长了4倍。Foody对Scale的判断很有层次——分销和销售能力很强，但失去了对产品和质量规模化的聚焦。他也单独强调，善待贡献者是质量的核心。

• 客户集中度类似NVIDIA，但Foody不愿披露最大客户的确切收入占比。他的辩护是：集中度不如能否为最重要的买家创造巨大价值重要，而NVIDIA已经证明，服务少数极其优质的客户，依然可以支撑一家数万亿美元级的企业。

• 在一些情况下，实验室会分散采购，以防单一供应商形成主导。Foody表示，当多元化导致数据和模型性能下降时，这种做法可能逆转：由于顶尖人才网络、质量系统和匹配基础设施都需要前置固定投入，分散的市场最终会走向集中。

4. 工作流越难，人类需求越大

• Foody将可服务市场定义为人类比模型做得更好的所有事情。合成评测和数据增强可以提高专家互动的效率，但推动前沿能力仍需要一个“人类参照点”，用来衡量模型尚不具备的能力。

• 他最好的例子始于100个人用一个单工具、耗时数小时的任务难住模型。随着模型进步，只有20个人还能继续贡献；加入Drive、Calendar、Gmail和Slack，再把任务轨迹延长至10小时或100小时，整个群体就又能找到模型的失败点。

• 这也是Foody预计10年后人类训练者仍不可或缺的原因。模型可能拿下奥林匹克竞赛金牌，在推理上超过博士，却仍无法替他起草邮件或安排会议；因此，他称3年内实现“在一切事情上都比人类更强”的超级智能“完全错误”。

• Mercor做的传统RLHF较少，但Foody估计其在强化学习环境市场中的份额达到50–60%。头部实验室的高管和CEO认为，这些环境可能“吞并整个经济”：由人类为反复出现的研究或运营工作编码出框架，再由模型学习执行。

5. 有用的评测必须像买家真正需要的工作

• Foody同意，Humanity’s Last Exam、博士级推理和奥林匹克数学，都是衡量经济效用的糟糕指标。企业关心的是，模型能否像Goldman一样搭建金融模型，制作咨询研究演示文稿，或像软件工程师一样开发Web应用。

• 必须完成的转变是弥合“现实—模拟差距”。以Harry的投资研究为例，评测可以考察模型如何在线搜索、交叉核对PitchBook信息、测试产品并使用工具，评分标准则类似教授批改论文时采用的量表。

• 另外，Foody批评企业没有定义成功标准，就“凭感觉在AI上花钱”。评测为每次部署建立事实基准：“如果模型是产品，那么评测就是PRD”（If the model is the product, then the eval is the PRD）。

6. 留存、利润率和切换成本决定AI收入能否持久

• Foody对应用公司首先看留存率，并通过与客户交谈来验证。如果95%的试点都失败，首批合同的签约速度就没有多少意义；无与伦比的留存率和真正喜欢产品的客户，才说明产品找到了真实市场契合，即使当下试点预算的进入门槛很低。

• 利润率依然是基本面，但必须结合背景看。Mercor的毛利率和净利率都为正，但Foody接受模型服务上的激进经济策略——如果蒸馏能在12个月内让推理效率提升一个数量级，而当前补贴换来的是高粘性、高LTV的客户关系，那么这种策略就有意义。

• 他的红线是低切换成本的竞争品类：如果客户在折扣消失后就迁移，数亿美元甚至数十亿美元的补贴也不会创造持久价值。Foody在代码领域看到了这种张力：Cursor在内部使用中领先，Claude Code紧随其后，而即使出现针对特定代码库的模型和数据飞轮，切换仍然出人意料地容易。

• Foody预计5年后工程师会更多，而不是更少。如果AI让工程师的效率提升10倍，他认为企业会开发多得多的软件，推出更多功能和迭代，使工程成为更具放大效应、价值更高的角色。

• 对于10年期视角下更广泛的AI资本开支，Foody并不太担心，但承认其中存在局部狂热。代码和基础模型吸引了大量炒作，但他也看到了真实价值：Mercor的工程师已经从Cursor、Claude Code和Cognition中获得“不可思议”的效用。

7. 估值跟随可能性，但Foody仍选择持久性

• Mercor与投资人Victor接触时，收入年化规模为150万美元；拿到term sheet时刚刚超过200万美元，对应估值2.5亿美元——超过收入的100倍。后来另一份term sheet给出的收入约为2000万美元，估值倍数仍约为100倍；如今Mercor的规模已经是Series B时的25倍。

• Harry指出，100亿美元的估值只相当于当前5亿美元收入年化规模的20倍。Foody表示，公司很可能融资，主要是为了以低稀释释放信号，但由于公司已经盈利，既不需要资本，也不会因为多出几亿美元而实质性改变投资方式。他还单独提到了“堡垒式资产负债表”的好处。

• 他也倾向于继续保持非上市状态。Jack Dorsey建议尽可能长时间保持私有，因为季度披露可能侵蚀长期导向；3年的视角可能显得泡沫化，而非凡的企业在10年视角下可能反而显得便宜。

• Foody当前仍在争论的问题，是要不要放弃资本效率，拿1亿美元补贴平台供给或客户项目。Harry认为，只有在存在可信的竞争压力、且公司有能力压低价格打败竞争对手时才值得这么做；Foody的默认选择仍是基本面，尽管需求已经足以让公司“隔夜翻倍”。

• 他的经营理念也经历了类似变化：“996”描述的是早期团队极度投入的状态，而不是强制工时。如今Mercor更看重产出而非坐班时间，同时用使命感和快速增值的股权来招募“传教士，而不是雇佣兵”，因为市场上Zuck可以提供1亿美元现金。

• 在模型问题上，Foody已经从只做专用模型转向“两个都要，而且都要很多”，o3的泛化能力和GPT-5的能力改变了他的看法。他认为，今天最大的模型公司大概率已经出现，但并不确定，也承认初创公司仍可能取得突破。他还称Gemini Flash的小型模型非常出色，却在评测中被低估。

• 定制化仍是机会，因为API“切换成本低、定价权不强”，按他的直白说法，“不是一门好生意”（is not a good business）。他依然预计基础模型会成为规模巨大的生意，同时企业会越来越多地围绕自身工具、知识库和流程进行定制。