附原视频：

原视频链接：https://www.youtube.com/watch?v=UsTWgkNDwm4

Adarsh Hiremath 和 Brendan Surya 最初并没有明确的商业目标，他们只是合作建立了一个开发工作室。他们招募了来自印度的优秀人才来协助开发工作。很快，他们意识到，比起软件本身，这些人才更为重要。于是，他们开始思考如何将这种人才招募过程自动化，这就是 Mercor 平台候选人端的雏形。

随后，他们发现手动销售难以扩大规模，于是又着手将平台的另一端（公司端）自动化。至此，Mercor 的双边市场模式正式诞生。

在决定是否从哈佛辍学时，Adarsh Hiremath 坦言，当时的情况并不明朗。他们还没有完成种子轮和 A 轮融资，也没有获得 Teal Fellowship 奖学金。尽管 Mercor 已经有了一些收入，但放弃学位仍然是一个艰难的决定。最终，Adarsh Hiremath 还是选择了与朋友们一起工作。

对于许多有创业想法的学生，Adarsh Hiremath 认为，是否辍学往往是一个感性的决定。在 Mercor 位于 Palo Alto 的办公室里，只有三个工位。当时，Adarsh Hiremath 问 Surya 是否应该辍学，Surya 的回答很简单：“这能有多难？” 就是在那一刻，Adarsh Hiremath 下定了决心。

当时，Mercor 还没有种子轮融资，只有少量收入，也没有 A 轮和 Teal Fellowship。只有三位创始人在 Palo Alto 的小办公室里，与他们在印度的团队一起工作。

随后，Mercor 搬到了纽约，并迅速完成了种子轮融资，筹集了超过 300 万美元，由 General Catalyst 领投。Adarsh Hiremath 回忆说，更令他感到惊喜的时刻，是他们把 Gusto 上的工资调整到每月 500 美元的时候。

Mercor 成长速度惊人，去年 11 月，公司 ARR 达到 5000 万美元，当时团队仅有 30 人。

关于 Mercor 盛传的“996”工作制，Adarsh 解释说，这并非公司目标，而是精心挑选团队成员的结果。Mercor 专注于招募那些对公司使命有强烈认同感的员工，这种认同感让他们自发地投入更多时间。

Adarsh 认为，成功的创业公司往往有高强度的工作文化。为了成功，团队需要在可持续的前提下，比其他人更努力，Mercor 团队成员因为感受到前进的动力而充满活力。

在人才招聘方面，Mercor 吸引了众多有抱负的年轻人才。公司在招聘中看重的是“关心愿景”——这种品质难以通过培训获得。

Mercor 曾保持了连续多月 50% 的月增长率，Adarsh 将这种高速增长比作对公司的持续压力测试。在此过程中，流程、人员配置等方面都会出现问题。公司每个人都需要不断成长，重新定义自己的能力边界，承担新的角色。

扩张文化比扩张软件更难，在快速扩张团队时，最初 20 人建立的文化往往是最强的。如何在新成员加入、公司发展新业务的过程中保持这种文化的强度，是打造一家卓越公司最具挑战性、也最重要的部分。

Mercor 认为，数据标注和人才评估实际上是同一件事。五年前，AI 发展需要标注大量图像，这本质上是一个众包问题，只需要找人来为图像中的停车标志画框，就能让模型更好地识别停车标志。

但如今，数据标注工作的性质发生了很大变化。现在的问题是，GPT-4 这类模型在特定领域表现并不好，所以需要专家来提升模型在特定领域的表现。Mercor 所做的就是人才评估，这非常适合当下的需求。

通过与许多实验室合作，Mercor 能够找到在特定领域表现出色的人才，并让他们与实验室合作。Mercor 致力于建立一个全球统一的劳动力市场，这需要大量优秀人才加入平台，并预测他们的工作表现，找出他们应该做什么，而这正是许多 AI 实验室目前面临的问题。

对于 AI 实验室，Mercor 提供的服务与为任何公司招聘人才一样。无论是初创公司首次招聘，还是传统公司的全职岗位，Mercor 都可以为大型 AI 实验室招聘人才，帮助他们进行模型训练后的工作。

衡量招聘成功与否的关键指标是客户留存率。只要客户持续扩大合作，就意味着 Mercor 找到了合适的人才。而客户留存率远超 100%。招聘失败的原因因职位而异，取决于具体的要求。不同公司看重的特质不同，Mercor 可以根据这些特质调整人才预测。

Mercor 擅长各种类型人才的招聘，包括软件工程师、律师、医生、金融分析师和顾问。Mercor 平台的技术具有很好的通用性。例如，AI 面试官可以预处理候选人的背景，然后自动进行定制化面试，整个过程可以在 10 秒内完成。

目前，Mercor 使用多种模型，目前在他们的场景里测下来最好用的是 OpenAI 的 GPT 系列模型。现在大模型的领域正在发生变化，技术主流方向逐渐转向强化学习，但 Mercor 的产品具备良好的模型兼容性，能够轻松地适配高速进化的不同模型。

Adarsh 认为，未来将会有许多针对不同用例的垂直模型，许多应用层公司已经开始针对特定用例使用不同模型。他还预测，AI 领域的发展会类和云计算一样，只有少数几家公司能够构建基础模型，OpenAI 就是其中之一。

未来，大部分用于模型训练的数据仍将是人类标注的数据，模型的评估必须超出模型的能力范围，为了评估模型在特定任务上的表现，需要由人类创建比模型更擅长该任务的评估集。在 SFT、RLHF 等模型训练方法中，都需要专家级人才来指导模型改进。

数据是模型改进的瓶颈，虽然合成数据也很重要，但高质量的人类数据才能推动模型进步。找到合适的人才，是提高数据质量的关键，而这非常困难。

计算、数据和算法都是推动 AI 进步的重要因素。未来很长一段时间内，都需要专家级人才来提升模型在特定用例上的表现。目前存在大量模型无法完成的任务，所以未来劳动力市场将趋向专业化和精细化。即使模型能够完成越来越多的任务，但总会有一些特定领域的工作需要人类专家来完成。

Mercor 是一家没有销售团队的公司，主要依靠客户的口口相传。

当潜在客户通过其他人了解到 Mercor 的优势并主动联系时，Mercor 会跟进。这种方式更像是一种带宽管理，而不是有策略的销售行为。

客户通常会在最初的几位候选人开始工作后，被 Mercor 的服务所打动。让客户惊艳的时刻在于，Mercor 能以软件的成本找到优秀的人才，为客户带来数百倍的回报。

Mercor 平台实现了招聘流程的全自动化。从候选人了解 Mercor、通过职位列表进入平台、上传简历、填写薪资预期，到根据候选人背景和职位要求进行个性化面试，再到候选人获得报酬，整个过程都无需人工干预。

候选人的质量至关重要。Uber 的司机评级并不能明显区分服务质量，因为他们的工作单元不是指数级的。但 Mercor 平台上，顶尖 0.1% 的人才和 80% 水平的人才之间存在巨大差异。对客户而言，质量远比价格重要。Mercor 能以软件的成本找到这些顶尖人才，并让客户满意。

Mercor 的收费模式因客户而异，有些客户的收费比例可能超过 30%，有些则较低。

Mercor 最初专注于印度市场，是因为创始团队有印度背景，并且通过 Facebook 广告招聘到了一位优秀的印度工程师，这位工程师虽然初次面试没有通过，但他详细分析了自己面试中的错误并提出了改进方案，这让团队决定录用他。但目前，Mercor 平台上通过他们找到工作的员工中，数量最多的来自美国。Mercor 的客户也主要来自美国。

AI 正在重塑编程领域。GitHub 数据显示，目前已有 41% 的代码由 AI 编写，未来五年这一比例还将大幅提高。

但这并不意味着年轻人不需要学习编程。相反，编程将变得更加重要，只是抽象的层级发生了变化。如果说从汇编语言到 Python 是一次巨大的飞跃，那么从 Python 到自然语言的转变，或许也同样重要。未来，编程的定义将被改写。程序员的核心能力将不再是编写代码的细节，而是能够用自然语言，去调度和协调大量 AI Agent，从而实现远超今天的目标。

Mercor 的大部分成员都在使用 Cursor，它简化了许多耗时的工作。

以测试为例，Cursor 可以通过几个提示词，快速生成全面的测试套件，这是以前无法想象的。同理，Cursor 也能快速完成代码库不同部分之间的重构，保持代码风格一致性。

AI coding 的能力提升，会让软件开发变得越来越商品化，构建应用的速度将大幅提升。当软件成本趋近于零时，那些建立在网络效应基础上的企业，如 Meta、Airbnb 这类拥有强大网络效应的公司，即使开源整个代码库，依然能够生存并蓬勃发展。

Adarsh 认为，SaaS的未来形态将发生根本性变革，新一代 SaaS 不再仅仅是提供软件工具，而是致力于全面重塑传统的服务流程。在这一趋势下，无论是像 Mercor 这样的招聘机构，还是其他高度依赖人工且重复性高的服务行业，都将面临 AI 驱动的 SaaS 解决方案带来的颠覆性变革。这些新型 SaaS 平台通过智能算法和数据分析，能够大幅提升效率，降低成本，并提供更加个性化的服务体验。

Mercor 正是这一变革浪潮中的典型代表。作为一家创新型招聘科技公司，Mercor 平台成功构建了强大的双重网络效应，使其在竞争激烈的人才市场中脱颖而出。

作为一个连接企业与人才的劳动力市场平台，它与 Uber 或 Airbnb 等成功的双边市场模式有着相似之处。每当有新公司选择通过 Mercor 进行招聘，或有新的求职者加入平台，都会进一步增强其网络效应。企业能够接触到更多优质候选人，而求职者则有更多就业机会，这种良性循环不断扩大了平台的价值和影响力。

Mercor 还拥有独特的数据飞轮效应，这是其核心竞争优势所在。平台能够全方位收集并精确分析哪些人在特定岗位上表现卓越，以及他们成功的具体因素——包括技能组合、工作经历、性格特质和行为模式等多维度数据。

随着数据量的增加，Mercor 的算法不断学习和优化，其匹配准确度也持续提升。借助这些全面的端到端人才数据，Mercor 能够超越传统招聘方式的局限，精准匹配最适合某个职位的候选人，即使这些候选人自己尚未意识到这种契合度。这种数据驱动的方法不仅提高了招聘效率，还显著降低了人才流失率，为企业和求职者创造了双赢局面。

Mercor 团队曾经坚信聊天界面将成为所有用户界面的未来，因此他们的产品最初版本完全围绕聊天机器人构建。用户几乎只能通过与聊天机器人交互来完成招聘流程，没有提供其他操作方式。

这一决策背后的愿景是宏大的：团队认为传统的网络应用程序概念将逐渐消亡，所有用户交互都将通过聊天完成。比如招聘某人时，用户不是点击按钮，而是直接告诉聊天机器人执行这一操作。

然而实践证明，这种单一的交互方式过于激进。虽然聊天界面确实有其优势，但将其作为唯一的交互方式并不符合多数用户的习惯和需求。

现在，Mercor 团队已经调整了产品策略，将聊天功能与传统界面元素结合起来，在适当的场景中使用聊天，或者以其他方式利用大型语言模型的能力。

这一经验表明，即使是有前景的技术创新，也需要与用户习惯和实际需求相平衡。团队认识到，虽然纯 ChatUI 的未来可能终将到来，但当时的决策确实操之过急了。

Mercor 融资过程中有个有趣现象：每次融资都不是刻意为之，而是机会自然而至。

最初与 Benchmark 的合作源于一次偶然介绍。当时团队正埋头工作，Victor 却说服了 Brendan 与他交流。在会面后，Victor 问Brendan是否坐过直升机，随后 Brendan 就与 Benchmark 的 Peter Fenton 共乘直升机。

团队很快认定Benchmark正是他们理想的合作伙伴。六个多月后，公司迎来下一轮融资。尽管当时并不缺钱，公司已建立起收入可观的业务模式，年收入达到八位数，但他们被 Sandeep、Felices 团队的实力所吸引，决定接受投资。

值得注意的是，Adarsh 并不特别喜欢融资过程。他表示：“我们真正喜欢的是推动公司向前发展。这才是创始人真正在意的事情。”公司董事会结构精简，仅包括 Brendan、Suri、Adarsh 以及Benchmark 代表。

公司增长速度超出预期，特别是在当年第一季度结束时，成绩令团队振奋。最新一轮融资由 Felicia 领投，GC、Benchmark 等参投，融资金额达 1 亿美元，估值 20 亿美元。这轮融资仅稀释了 5% 股权，却为公司带来了充足资金。

对于如何使用这笔资金，Adarsh 持谨慎态度：“如果因为融了钱就必须马上花掉，这是非常危险的。”他认为劳动力聚合和建立统一劳动力市场是长期目标，这笔资金将确保公司资产负债表与这一长期愿景相匹配。