Brendan Foody

Mercor CEO 正面回应黑客传闻：事件确实发生过——攻击者利用“一群编码代理”获取了系统访问权限——但营收停滞的说法不实。 Mercor 在过去60天新增净 ARR 3亿美元，第一时间聘请 Mandiant，并将安全列为公司第7项价值观。他表示，Twitter 上的叙事还包括“一个非常有影响力、投资了多家竞争对手的人”发帖，声称中国方面访问了数据，但这完全不实。

这些是实打实的收入，不是 GMV：客户购买的是任务（例如支付1000美元完成一项模型改进），毛利率为30-40%，而 Mercor 覆盖完整链条——专家招募、平台、AI 项目管理和质量检查。 这项业务“非常赚钱”，账上现金超过5亿美元，现金多于公司历史累计融资额；自2025年秋季、约4亿美元年化收入、100亿美元融资轮以来，业务规模已“接近增长4倍”。

核心投资判断是：未来12个月，OpenAI/Anthropic 上游的基础设施公司将跑赢下游的应用层公司。 原因在于“模型就是产品”，而应用层的防御性越来越难建立。2025年是让模型生成一次 PR 的一年；“2026年要解决的是，如何让模型端到端克隆 Slack”——这些能力将在12个月内进入模型。SaaS 能否存活的试金石是网络效应（Salesforce 的集成、Slack Connect、Carta）；没有网络效应的公司将面临极大困难。

未来5年内，平均企业在 token 上的支出将超过人力成本——Mercor 已经如此： “现在，我们为内部代理支付的 token 费用，已经超过员工人力成本。” Benioff 每年向 Anthropic 支出的3亿美元，仅相当于 Salesforce 开发人员薪酬的约3.8%，说明这一转变仍处于早期。每家《财富》500强公司都需要一个按工作流建立的评估“记录系统”；这会让 API 层商品化（零切换成本，每2个月出现一个新的前沿模型），而粘性将留在工作流中。

这位嘉宾认为，5年后 OpenAI/Anthropic 中至少有一家估值将超过10万亿美元。 这是他的态度转变：他过去怀疑实验室能否保持定价权，但“这些公司的收入爬坡速度”让他相信它们会成为全球最有价值的公司。然而，他同时预计，5年后大多数推理任务将运行在开源、微调或蒸馏模型上，而非前沿模型；按工作流进行评估往往是“价格性能的10倍杠杆”。Nvidia 可能因多芯片格局失去垄断，但即使只占“遥遥领先的全球最大市场”30-40%的份额，仍会是全球最有价值的公司。

训练代理是“历史上创造速度最快的职业类别”： Mercor 每天向其500万+人才网络支付300万美元，预计12个月内大致增长至3倍，甚至4倍。 在 Mercor 的 Apex 基准上，前沿模型目前得分约40%，而仅仅12个月前 o1 只有1%。

定价弹性方面： Harry 提到 Nebius 提价30%却对需求毫无影响；Mercor“有能力一夜之间将需求翻倍”，但受限于产能——不过嘉宾认为，定价必须在短期优化与竞争之间取得平衡，因为“高利润率会招来竞争”。

人才市场已经失衡： 一名候选人拿到了 Meta 超级智能团队每年2000万美元的现金报价，顶尖 AI 研究员的成本是“每年数千万美元的股票”，需求与供给之比达到10:1。 他认为欧洲已经因人才网络效应输掉了模型竞赛，应该接受这一现实——实验室只需“在法国招聘1万人，教模型法国法律”，主权论据就会被削弱。

🔗 原始收听与视频来源： Mercor CEO：为什么应用层公司没有护城河，以及招聘 AI 研究员的成本

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。

🔗 原始收听与视频来源： 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

Mercor 已融资1亿美元，营收年化运行率突破1亿美元，同时为顶级 AI 实验室招募了数千人。 公司成立于2023年，最初是综合型人才匹配平台，但人类数据正从众包低、中技能劳动力，转向筛选能够直接与能力前沿研究人员合作的高能力人才。

智能体评测是从亮眼基准测试到具备经济价值的自动化之间的瓶颈。 SWE-bench 拿高分，距离替代一名需要与产品团队协作、选择工具并运用品位的软件工程师还很远。Foody 预计，这将是一个持续数年的、按行业推进的建设过程，因为“评测位于上游”，决定了实验室和应用公司希望获得的能力。

Mercor 有两条会复利增长的循环：人才供给和客户绩效反馈。 其免费的职业工具解决了劳动力市场中典型的50:1供需失衡；结果数据则持续改善平台对谁会表现出色的预测。Foody 认为，不那么显眼的数据飞轮最终可能比市场网络效应更重要。

Foody 预计，知识工作岗位的替代将来得很快、过程很痛苦，也会成为政治问题。 客服和招聘已经是出现岗位替代报告的领域，尽管大部分替代尚未发生；体力劳动以及重视人际互动的岗位，自动化速度应会更慢。他给出的生存法则是保持多面性，因为数学以及很快就会到来的代码能力“会被非常迅速地解决”，而品位和创始人判断所能获得的反馈很稀疏。

强化微调可能只用数百到数千个样本，就能解锁企业级智能体。 与监督微调不同，强化微调只需规定期望结果，并奖励模型自行找到实现结果的方法。Foody 认为，基础模型已经具备所需的推理能力，缺的是企业特定的工具使用知识，以及“这个岗位上的优秀表现是什么”。

创建评测可能成为全球最常见的知识工作岗位，尽管劳动者正在帮助自动化自己。 经济逻辑将劳动力从反复执行任务这一项变动成本，转向一次性定义评测这一项固定成本。只要人类评测仍存在前沿，这项固定成本机会就会持续；如果模型变得超越人类，那么经济中的许多其他环节也可能不再需要人类。

🔗 原始收听与视频来源： 从岗位替代到 AI 训练师：Brendan Foody 谈 AI 时代的工作