从 AI 招聘到数据标注，Mercor 能否打造下一个 Scale AI？

Mercor 所处的赛道是 AI 中一个关键且尚未被充分满足的供需交叉点：下一代 AI 模型对高质量、垂直领域专家级 Human Data 的需求，以及相关人才稀缺所带来的供需不平衡。合成数据无法完全替代 Human Data，尤其是在特定领域知识和复杂判断方面。AI 模型的突破性进展高度依赖于垂直领域专家的“人类智能输入”。

Mercor 最初的定位是 AI 招聘平台。在此基础上，它发现了一个机会：作为 BPO（业务流程外包）服务商，为像 Scale AI 这样的大型数据标注公司提供“合同制人才（contract people）”。在这个过程中，Mercor 发现其高效匹配与供给专家的能力，在 Human Data 领域具有强烈的 PMF 。因此，Mercor 开始直接向 AI Labs 提供人力数据创建服务，从 Scale AI 的上游劳务供应商，转变为数据标注服务市场的直接竞争者 。

这一转型的 PMF 很快被验证，2025 年初 ARR 到达 7500 万美元。2025 年 2 月，在自身业务已达数千万美元收入、现金流充裕的背景下，Mercor 仍然吸引了资本的追逐，以仅稀释 5% 的极低代价，完成了由 Felicis Ventures、Benchmark、General Catalyst 等顶级机构加持的 1 亿美元 B 轮融资，估值攀升至 20 亿美元。

💡 目录 💡

01 投资逻辑

02 专家数据的市场机会

03 业务演进：从招聘平台到数据标注

04 Mercor 的核心客户与用户反馈

05 差异化竞争：Mercor 正填补 Scale 留下的空白

06 Mercor 的人才结构和非典型融资故事

01.

投资逻辑

Mercor 的商业模式已从最初单纯的 AI 招聘平台，演变为人力数据标注市场的直接竞争者，与 Scale AI 等行业巨头直接竞争，业务实质是交付数据标注结果 。

Mercor 发现并利用了现有市场领导者的一个“市场失灵”点。它凭借早期人才招聘的积累，为中小型、高难度的（通常低于 5 万美元预算）数据标注项目提供最佳的速度和灵活性，这是 Scale AI 的运营模式难以高效覆盖的市场空白区。

Mercor 的营销叙事仍会强调其招聘平台的能力，但它为 AI Labs 提供的切实价值在于能够为复杂的、需要快速迭代的任务迅速部署专家级的人力资源。但目前 Mercor 的数据质量仍落后于行业领导者。核心的投资问题在于：Mercor 所切入的市场是否有足够大的体量和利润空间，以及它能否在 Scale AI 调整战略以应对其威胁之前，弥补数据质量上的短板。

1.Human Data 需求爆发与长尾价值凸显

随着大模型深入微调与 RLHF 阶段，合成数据已无法完全替代，解锁并释放下一代智能的瓶颈，仍然在于专家级的 Human Data。

这催生了两大市场机会：

•长尾项目的高价值： 大型 AI 实验室对低于 5 万美元的小规模项目响应速度和质量要求日益提升，而传统大型标注商门槛高、迭代慢，为 Mercor 提供了切入空间。

•专业垂直任务的爆发： 医疗、法律、金融等专业领域，以及需要主观判断的复杂任务中，对资深人才标注的需求正快速增长。市场上高质量人类标注者稀缺，特别是专业领域人才，大型 AI 公司为此愿意支付高额溢价。

Mercor 瞄准传统数据外包模式效率低下、缺乏透明度，以及自建团队成本高昂等痛点，提供一个透明、高效且灵活的解决方案。

2.与 Scale AI 的差异化竞争

尽管它们的交付方式和目标项目不同，但两家公司最终都在争夺同一笔来自 AI Labs 的数据标注预算。Mercor 正在成为一个更轻量、灵活、面向长尾市场的 Scale AI 替代方案。

• 利基市场是真实存在的：Mercor 服务了一个被忽视但正在迅速增长的市场区间：预算有限、任务复杂、对速度敏感的 AI Labs 及中小企业客户。这部分客户目前没有好用的解决方案，Scale 的工业化流程覆盖不到（体系是为大合同优化的），而自建团队成本过高，Mercor 正填补这块空白。Mercor 的核心优势是其速度，这在 AI 模型的实验阶段极具价值。

• 核心权衡在于质量：这种速度和灵活性是以较低的数据质量为代价的（客户 Google 评分 6-7/10，Scale 为 8-9/10）。Mercor 认为对于特定的细分市场，速度比顶尖质量更重要。如果它能随着时间推移逐步弥补质量上的差距，人才池扩大，它未来将有能力向 Scale 当前主导的高端市场扩张。

3. 团队与执行力

创始团队平均年龄不到 21 岁，却展现出远超同龄人的产品敏锐度与执行能力。从哈佛宿舍创业到实现千万美金收入，再到迅速拿下顶级 AI 客户，验证了其对痛点的洞察力与落地能力。团队在产品设计、技术架构、商业运营等方面展现出复合型能力。速度及执行力是 Mercor 最大的 moat，相比大型供应商，Mercor 在人才匹配与项目上线速度上更具优势。

4. PMF 验证

Mercor 在短短两年内实现了从宿舍创业到 2025 年 2 月 ARR 达到 7500 万美元、估值 20 亿美元的快速增长，并获得了 General Catalyst、Benchmark、Peter Thiel、Jack Dorsey 等顶级投资机构和个人投资者的青睐，充分验证了其产品市场契合度（PMF）。AI Labs 对 Human Data 需求刚起步，合成数据尚无法完全替代专家标注，目前尚无对手能在“快速接单+小规模”这两方面与 Mercor 竞争。

主要风险

1.人才商品化与数据标注的价格战

我们认为，高质量人才在多平台间流动寻求收入最大化，将不可避免地导致服务价格与质量面临压力。如果 Mercor 未能建立足够强大的粘性，其人才池的护城河可能受到侵蚀。

策略：Mercor 需建立合理的激励机制和收入最大化体验，以建立平台护城河。类似 Uber 的成功经验，通过标准化任务和严格质量控制，实现良性规模化。

2. 高佣金与“去中介化”风险

Mercor 在招聘模块高达 30% 的佣金率，长期来看可能面临客户对其可持续性的质疑，尤其是在客户与人才建立长期合作关系后，存在绕过平台直接合作的“去中介化”风险。

策略： Mercor 需要持续提升其 AI 平台在人才匹配、管理效率和质量保障方面的不可替代性，让客户认为平台价值远超佣金成本。同时，可探索更多元的收费模式或增值服务。

3. 数据标注质量短板

目前 Mercor 的数据标注质量（Google 客户评分为 6-7/10）仍低于行业领导者 Scale AI 和 Surge AI（8-9/10），这可能限制其承接最顶尖、最敏感任务的能力。

策略： Mercor 已与 Scale AI 建立合作并开放绩效与质控系统，这为其提供了质量对齐机会。结合其快速的招人和迭代速度，Mercor 有潜力迅速弥补这一差距。公司需持续投入在 QA 流程优化和“golden labeler”基准对齐上，达到行业一流水平。

4. AI Agents 替代初级工程师的潜在威胁

长期来看，AI Agents 可能取代部分初级工程师任务，压缩自由职业者招聘市场。

策略： Mercor 的战略重心是高质量、高难度、边缘案例的“Human Data”，这些任务目前 AI Agents 难以胜任，需要专家级人工判断。

02.

专家数据的市场机会

数据标注业务的核心正从提供海量的数据，转移至供给高质量、专家驱动的数据。市场分化为两个部分：低端任务将被模型自身或合成数据所侵蚀，而高端、复杂任务是一个具备高利润和壁垒的市场。未来的领导者将是那些能够高效组织、管理并交付专家级（Expert-level）数据服务的公司，而非仅仅是劳动密集型的数据工厂。

这是宏观趋势，Scale AI 的运营模式在客观上为 Mercor 这类敏捷型挑战者创造了一个利基市场：

1. AI 能力的“最后一公里”难题

模型的持续进步，其瓶颈已不再是数据量，而是数据的质量、多样性与复杂性。为了解决模型泛化能力、处理边缘案例和进行复杂逻辑推理，AI 系统需要由人类专家（而非普通工人）生产的、超越现有模型认知边界的数据。这是价值密度最高的环节。

2. 对人类专家的持久需求

• Human Eval 需求持续性：来自 Google 等一线客户的判断，未来 5-10 年，对高质量人工评估的需求将持续增长。即使合成数据可行，仍需人类专家对模型进行评估，确保其性能不随迭代而退化。

• 专业及复杂任务： 简单任务的人工需求将减少，但专业领域（如医疗、法律、金融）和需深度逻辑推理的任务，仍将长期依赖人类专家。Mercor 的客户 Google 判断大模型在未来 2 年内难以生成同等质量的专业领域数据。

3. “高质量溢价”形成的人才壁垒

• 人才稀缺性： 市场对高质量标注者的需求远超供给，尤其是在英语母语市场和特定专业领域（如拥有博士学位的专家）。

• 支付意愿： 顶级科技公司（Hyperscalers）已展现出强烈的支付意愿，愿意为获取顶尖人才（如高价聘请美国研究生进行复杂推理任务标注）支付高额溢价。

4. Scale AI 的运营惯性，催生了“长尾市场”的机会

• Scale AI 的局限性：运营模式和成本结构使其难以适配预算低于 5 万美元的小型项目，并且其交付和迭代速度较慢。

• AI 实验室的敏捷需求：前沿模型的探索阶段，需要大量快速、小规模的迭代。AI 实验室对低于 5 万美元的小规模项目，在响应速度和交付质量上的要求日益提升。

• Mercor 的市场切入点：这一“小预算、高难度、快周期”的市场空白，恰好为 Mercor 提供了独特的切入空间。它能以更快的速度和更灵活的方式承接这些项目。

市场规模测算

总市场（TAM）

根据 Grand View Research 数据，2023 年全球数据标注市场约 37 亿美元。预计到 2030 年达 171 亿美元，CAGR 约 23.5%。其中，约 20%-30% 属于高复杂度、人类专家参与型标注。

LLM 驱动下的高价值子市场（SAM）

LLM 发展催生了对 RLHF、专家评估等新需求。据我们估算，2024 年全球约有 5-7 亿美元专门投入此类高质量人类数据项目。预计该子市场将以 50-80% CAGR 增长至数十亿美元。

需求侧：OpenAI、Anthropic、Google DeepMind、Meta 等十余家领先 AI 实验室，每年在人类评估和模型对齐环节的预算普遍在 $5M–$20M 区间，仅前 10 家合计即超 $100M–$200M。随着企业客户（如医疗、金融、法律等）开始微调自有模型，这一需求正在迅速扩散。

供给侧：Scale AI、Surge AI、Mercor 等标注服务商中，仅 Mercor 的 2025 年 ARR 即达 $75M，且主要来自该类任务；Scale AI 亦有估计 $50M+ 的 RLHF 相关收入，表明该细分市场实际支出已达 $200M–$300M+，并仍在加速增长。

Mercor 可获取市场（SOM）潜力

公司目前年 ARR 约 7500 万美元（2025 年 2 月），对应高端 Human Data 子市场 10-15% 的份额（2024 年口径）。若维持 >50% 年增速，未来两年收入可达 2.5-3 亿美元，对应细分市场 20-30% 的份额。

03.

业务演进：

从招聘平台到数据标注

业务模式

Mercor 最初的定位是 AI 招聘平台。在此基础上，它发现了一个机会：作为 BPO（业务流程外包）服务商，为像 Scale AI 这样的大型数据标注公司提供“合同制人才（contract people）”。在这个过程中，Mercor 发现其高效匹配与供给专家的能力，在 Human Data 领域具有强烈的市场需求（PMF）。因此，Mercor 开始直接向 AI Labs 提供人力数据创建服务，从 Scale AI 的上游劳务供应商，转变为数据标注服务市场的直接竞争者 。

核心业务线：

目前，Mercor 主要运营两大业务线，两者共享其底层的 AI 人才匹配技术和专家网络：

1. AI 招聘与人才派遣：传统业务，Mercor 为科技公司提供 AI 招聘服务，帮助它们寻找和雇佣全职或合同制工程师。例如，Epsilon Labs 通过 Mercor 招聘海外 MLOps 合同工程师，Mercor 从中收取基于薪资的佣金（如 30%）。

2. Human Data Services：这是公司当前的核心增长引擎，也是与 Scale AI 等巨头直接竞争的领域。Mercor 为 AI labs（如全球五大 AI labs）提供用于模型微调、评估和 RLHF 的专家级 human data 标注服务。

Mercor 通过三条线构建了端到端的专家数据（Human Data）交付系统：

1. 精英人才库（The Asset）：Mercor 的核心资产是一个拥有超过 30 万名专家的经过深度索引和筛选的人才网络。不同于传统外包商隐藏标注者背景，Mercor 向客户完全透明化展示候选人档案（教育背景、工作经验、技能评估等）。

2. 灵活的工作流整合（The Workflow）： Mercor 的产品形态极具弹性，有效降低了客户的采纳阻力。

• 轻量接入： 客户可继续使用其自有标注平台，Mercor 仅作为高质量人才的“即插即用”供应商。

• 完整方案： 对于没有现成工具的客户，Mercor 提供自有平台，快速搭建从数据管道到质量控制的完整工作流程。

3. 结构化的质量与激励（The Framework）： Mercor 摒弃了传统按任务计件的模式（其天然导向牺牲质量），而是价值定价，推行“按小时付费”模式。对于顶尖 AI 实验室而言，研发迭代速度和数据质量的价值远高于单纯的人力成本节约。按时计费直接激励了高质量的投入与灵活的调整，完美契合了前沿模型探索阶段的需求。

Mercor 还承担了将标注者分类为独立承包商（Independent Contractors）所带来的全部法律与合规风险。这为客户移除了一个关键的运营障碍，使其可以无顾虑地快速启动和扩展团队。

候选人视角

Explore 提供的岗位中，除极少数为全职薪资员工职位外，绝大多数为合同工形式。平台为候选人提供了丰富的 AI 面试选项与体验，并配有详细反馈。在某些特定项目中，还设置相应的定制化面试流程。

公司视角

公司在使用 Mercor 时，可以方便地浏览候选人资料，包括简历、面试记录和在线信息，快速锁定最匹配的人选；平台也支持一键预约面试，或直接向候选人发出合同，实现当天上岗；所有支付也可通过 Mercor 平台一次性完成，确保合规的全球付款流程。

技术架构

Mercor 的技术路线基于洞察：知识型工作的顶尖人才（Top 1%）创造的价值遵循幂律分布，其技术架构的核心是构建一个能精准识别并预测这些“关键少数”的洞察引擎。

分层 AI 架构： Mercor 采用“通用基础模型 + 垂直领域模型”的混合架构。底层利用 GPT4 等大型模型处理简历解析等通用任务，上层的垂直领域模型包括：

1. 核心 IP：基于超过 10 万份客户反馈的真实岗位绩效数据，通过强化学习（RLHF），训练出“岗位胜任力预测模型”。

2. 领域知识注入： 模型接入特定行业知识库（如医疗 UMLS、制造业 ISO 标准），具备行业拓展性。

3. 超越简历的信号网络：分析候选人动态的、非结构化的“文本信号网络”，如 GitHub 代码质量、技术博客的深度、面试中的决策逻辑来构建与岗位绩效的强关联。评估“实际上能做什么”以及“思维方式是怎样的”。

商业模式

Mercor 的商业模式建立在其两大核心业务之上：“AI 招聘平台”和“人力数据服务”。其 AI 招聘能力为其人力数据服务提供了稳定且高质量的人才供给，形成了独特的协同效应 。客户（尤其是 Google 这类顶级 AI Labs）购买的是由其交付的最终结果，其价值体现在质量、速度与安全性上，而非流程本身。

人才争夺：双方都在争夺印度/北美远程自由职业者、编程竞赛选手等高质量人才。Mercor 通过提供更高的时薪吸引人才，而 Scale AI 则提供更灵活的时间和多样的项目机会。

实验室的选择倾向：AI Labs 的选择取决于其项目的具体需求

1. 选择 Mercor 的场景：项目预算较小（低于 5 万美元），需要极高的迭代速度和灵活性；任务难度高，需要特定的、经过筛选的专家参与；可以接受“足够好”而非“业界顶尖”的交付质量，以换取开发速度。

2. 选择 Scale AI 的场景：项目预算充足，需要大规模、标准化的数据生产；对数据质量、QA 流程和合规性有极其严格的要求；项目周期较长，对单次迭代速度的要求不高。

Mercor 的模式更侧重于“人才驱动的敏捷交付”。核心卖点是速度、灵活性和人才透明度。它本质上是将高端人才作为一种可灵活调度的即插即用服务，来解决客户小规模、快周期的研发需求。

Scale AI 则专注于“流程驱动的工业化生产”。它销售的是标准化的交付质量、可预测的规模化产出和端到端的合规保障。客户购买的是一个可靠的、无需操心的“黑盒”，适用于大规模的数据生产任务。

这也是一个动态演进的市场，Mercor 可能凭借其在高端人才服务上的优势，逐步蚕食部分需要更高灵活性的大型项目。Scale AI 也可能通过技术迭代提升其处理小规模任务的效率。

04.

Mercor 的

核心客户与用户反馈

核心客户与两大用例

Mercor 的客户根据需求不同，主要通过两种方式使用其平台：

用例一：Human Data Labeling（核心增长业务）

客户群体：头部 AI Labs（OpenAI 等，也包括竞争对手 Scale AI）。主要需求是为 GenAI 模型的微调和 RLHF 阶段提供专家级的人力评估和复杂数据标注。Mercor 为这些实验室快速提供，部分也负责管理专家级合同工团队，按小时计费，参与模型回归测试、输出高质量评估和处理边缘案例的复杂标注任务。

用例二：AI 招聘与人才派遣

客户群体：中小 AI 初创。比如 Epsilon Labs 通过 Mercor 招募海外 MLOps 合同工程师，负责管道搭建、训练监控与辅助。Axion Ray 利用 Mercor AI 面试系统节省简历筛选时间，尝试匹配工程师，但由于候选人专业度与需求不符，转而选择传统渠道。

Scale AI 的一个高管评价 Mercor AI 视频面试提升初筛效率和一致性，交付速度快于行业平均。但局限在于高难任务仍需人工复核，无法完全保证质量；而且存在部分候选人通过筛选后产出低质数据，导致平台需封禁并重新筛选。Scale 目前开放绩效与质控系统数据，帮助 Mercor 优化人才池质量，Mercor 根据 Scale 的数据不断改进，从而能在标注质量持续追赶。

Google 作为多家数据标注服务商的大客户，提供了最客观的横向对比。Google 的 Machine Learning 团队说他们会先以 “golden labeler” 测试多家供应商，质量合格后批量分发任务，Mercor 当前占比较小，虽成长迅速，但绝对标注量远低于 Scale AI、Surge AI，Scale/Surge AI 常年保持 8–9 分，Mercor 目前约 6–7 分，仍需多轮对齐。但在交付速度上，Mercor 是最快的。而在专业化评估上，Google 的 ML 团队认为，在医疗等需要深度垂直知识的领域，Mercor 仍需扩充其专业人才池，才能和 Turing、CertAI 等相对垂类专业化的平台竞争。

用户视角

我们也在 reddit 上看了用户的反馈。很多自由职业者反馈 Mercor 薪资吸引力强（本科约$50/小时，硕博 $100–200/小时），100% 远程；而且目前的 AI 面试、行为筛选与技术评估结合，确实提高匹配效率。

Mercor 争议也很大，说 Mercor 在邀请用户写 Reddit 体验，虽然不限定好坏，也引发了一些对“真实工作性质”的质疑。也有部分用户反映“僧多粥少”，任务量不稳定，存在“上线后很难快速获取项目”的现象 。

05.

差异化竞争：Mercor 正填补 Scale 留下的空白

数据标注市场中， Scale AI 拥有绝对优势。Mercor 采取了差异化打法，瞄准 Scale AI 覆盖不到的小预算、高难度项目。

中大型项目

Scale AI

1. 市场定位：凭借高质量与大规模交付能力，锁定主要的云厂商和 AI 实验室，是市场标准制定者。其子公司 Remotasks、Outlier 等众包平台则管理的全球自由职业者网络（超过 10 万人）。

2. 优势：规模大、灵活性强，能处理多样化、复杂的项目（如音频、浏览器轨迹），得益于庞大的贡献者网络和工程能力，其技术平台、质量控制流程和全球化的人才网络是核心资产。但其运营模式和成本结构不适配预算低于 $50k 的小型项目，形成了市场机会。

3. 最新进展：1/ 此前服务于多个领域（如自动驾驶、地图、电子商务），近两年重心转向 GenAI；2/ Scale ai 也在发力高质量与 diversity，在一些垂类领域已经效果不错了。

4. 团队与融资：Scale AI 累计融资 16 亿美元，最新一轮为 2024 年 5 月的 10 亿美元 F 轮，估值达 138 亿美元。2025 年 3 月，有报道称其寻求通过要约收购以高达 250 亿美元的估值融资。

Surge AI

1.市场定位：被 Scale AI 视为 number one competitor，规模上仅次于 Scale AI。服务 Anthropic、Google、OpenAI 等，提供 RLHF 和人类数据平台。目前，市场份额、整体质量、招人和迭代速度均尚可。其众包平台 DataAnnotation.tech、Taskup.ai 和 Gethybrid.io 支持灵活、高质量的通用任务交付。

2. 优势：Surge AI 相对 Scale AI 规模小得多，但也能提供类似的全方位、灵活服务，能够处理不同规模项目（适合中小型和大型项目，在价格敏感项目中具有竞争力）并在 Gen AI 领域表现出色。

3. 团队与融资：前大厂团队数据团队创立，仅 2020 年 7 月 1 日完成一轮 2500 万美元 A 轮融资。

•创始人兼 CEO：Edwin Chen，前 Google、Facebook、Twitter 机器学习和内容审核团队负责人，MIT 数学与语言学背景。

• 工程团队负责人：Andrew Mauboussin，前 Twitter 机器学习工程师，哈佛计算机科学背景，负责实时人类计算 API 和 30+ 语言的国际化数据收集。

• 产品与增长负责人：Bradley，前 Facebook 数据运营负责人，达特茅斯毕业，领导产品开发和增长战略。

Vertical 专业任务

这些公司是 Mercor 在高质量细分市场的对手。它们已通过深耕特定领域建立优势：Surge （RLHF）， Labelbox （CV 工具）， Turing （经认证的专家人才）。这证明垂直化是有效的防御策略。Mercor 需要证明其选择的“高难度通用任务”是一个同样稳固的细分市场。

Turing

1.市场定位：是 OpenAI 和其他 LLM 生产商的 coding 领域的主要 vendor。最初也是软件开发者市场平台，匹配企业和开发者，后因 OpenAI 等客户需求转向数据标注和 AI 训练。2023 年，软件工程市场因裁员放缓，但数据标注和基础模型支持需求激增，Turing 目前并未完全放弃招聘业务，但加大在 AI 数据标注领域的投入，在 code 相关数据标注和软件工程领域有优势，客户包括 anthropoic、google、nvidia、openai 等顶尖 AI 实验室和科技公司。

2. 优势：1/ 提供顶级人才、数据和工具以训练前沿模型，帮助 AI 实验室提高模型性能，据用户访谈擅长招聘在特定垂直领域专家型人才；2/ 据 Scale AI 访谈，只做 code 且 code 领域做得非常好，解决方案垂直且深入（尽管无法完全垄断）；3/ 平台有 300 万开发者的庞大数据库，主要来自印度等发展中国家，但非真正“人才网络”。

3. 最新进展：Turing 计划扩展到 reasoning、数学和 STEM 领域，因这些是代码的自然延伸，且多模态模型需求增加；Turing 不满足于低端数据标注，目标是通过 AI 咨询和 AI 应用开发提升价值链。

4.融资：已通过 6 轮融资累计筹集约 2.47 亿美元，2025 年 3 月 E 轮融资后，Turing 的估值为 22 亿美元，ARR 约为 3 亿美元。投资者包括 WestBridge Capital、Foundation Capital、Khazanah Nasional Berhad、StepStone Group、Scott Banister、Adam D’Angelo 等。

5. 团队：两位创始人 Jonathan Siddharth、Vijay Krishnan 均毕业于斯坦福大学，曾共同创立 AI 初创公司 Rover（后被出售），其他领导成员来自 Meta、Google、Microsoft、Amazon、Stanford、Caltech 和 MIT 的 AI 技术专家。

Labelbox

2024 年估值约 5 亿美元，提供灵活的工具支持图像、文本和视频标注，广泛应用于医疗、零售和自动驾驶。

1.市场定位：专注于为 AI 初创公司、中小型企业和研究机构提供灵活、高效的标注工具，支持通用任务和多模态数据（文本、图像、视频）。其平台以用户友好的界面和集成化工作流著称，适合快速迭代项目。Labelbox 更偏向工具提供商，而非端到端服务，可能在高复杂度任务（如 RLHF）上竞争力较弱。

2.优势：相比提供数据标注更注重数据管理，提供自助式标注平台，客户可自定义工作流（如情感分析模板），支持小批量、高定制化任务，降低对外部标注团队的依赖；在数据标注中，CV 图像领域做得有优势；Google 客户访谈中指出 labelbox 也能招募高质量人才。

3.团队与融资：累计融资 1.889 亿美元，2022 年 1 月 D 轮后，估值约为 10 亿美元。投资者包括 SoftBank Vision Fund II、Andreessen Horowitz、B Capital Group、Kleiner Perkins、Gradient Ventures、Databricks Ventures、Snowpoint Ventures、In-Q-Tel 等。创始团队是斯坦福毕业生、具备丰富数据背景，创始人 Manu Sharma 为前微软工程师此，Brian Rieger 前在波音等企业从事数据相关工作。

Mercor 的市场切入点是服务大型供应商忽略的客户。当前的定位更接近 Surge AI、SuperAnnotate、Turing。Mercor 承接 Scale AI 因规模太小而不愿做的项目。这些项目通常对质量、难度要求高，但数据量小，需要更灵活的交付。 这是一个务实的初始市场策略。问题在于，这部分需求能否汇集成一个规模化、高利润的业务。

另外，招聘领域，Mercor 也与 Upwork、LinkedIn 等通用平台，以及 Juicebox、micro1 等垂直工具正面竞争。

06.

Mercor 的人才结构和非典型融资故事

核心团队背景

Mercor 有三位年轻、互补且有创业天赋的创始人 Brendan Foody （CEO）、Adarsh Hiremath （CTO） 和 Surya Midha （COO）。平均年龄仅约 20 岁。CEO Brendan Foody 2004 年出生，从中学时期尝试卖甜甜圈、转售运动鞋，到高中设立 AWS 咨询公司，这种创业“天赋”驱动了 Mercor 在哈佛宿舍起步，在没有外部融资的情况下，将业务做到百万美元 ARR。Brendan Foody 在哈佛计算机系两年后辍学，在没有融资的情况下 all in Mercor。CTO Adarsh Hiremath 与 Brendan 在过往项目（高中的咨询公司）已建立默契，他负责工程与 AI 能力。COO Surya Midha 是政策辩论和运营管理背景。三人在高中辩论队一起获得了政策辩论赛冠军。

核心运营和增长高管来自 Scale AI 与 OpenAI，在数据标注、供应链搭建、客户交付与政府关系上经验丰富，缩短了 Mercor 在复杂 B2B 服务流程上的学习曲线：

Shaun VanWeelden (ex OpenAI、Scale AI)

Mercor 的 director manager，11 个月内将公司年营收从 100 万美元提升至 1 亿美元。在 OpenAI 担任 Human Data Operations 负责人，理解 RLHF 的数据运作与质量标准，补齐团队在 enterprise ops 方面的短板。

他曾在 OpenAI 担任 Head of Human Data Operations，领导团队为 AI 研究提供 RLHF 数据，优化流程与供应商管理，并代表公司参与国会听证，解释模型中的人类参与机制。此前在 Scale AI 从客户工程师一路晋升为计算机视觉项目总监，主导 GM、Toyota 等客户的自动驾驶数据标注项目，并促成首个联邦政府合作合同（500 万美元）。

Sidharth Potdar (ex Scale AI)

Mercor 运营负责人（Head of Operations），他曾在 Scale AI 担任增长负责人，先后负责产品运营、战略项目及增长团队，聚焦于 AI 数据标注与自动驾驶技术支持。此前在麦肯锡担任分析师，参与多项战略咨询项目。

Mercor 的组织文化具备强创始人和 builder 基因。团队成员中超过一半是前创始人，中位年龄仅 22 岁，我们有理由信任团队的执行速度和 owner-ship。不过创始团队偏年轻，首次创业，又是 B2B 业务，不同于 facebook，cursor 等以产品为核心的公司，面临着更多管理成长阶段公司的挑战。

融资历程

Mercor 的融资历程并非传统的“募资-发展”路径，而是顶级资本的“主动追逐”。

1. 种子轮（2023 年）

公司成立伊始，即获得 General Catalyst 领投的 360 万美元种子轮融资，并吸引了 NEA 董事长 Scott Sandell 的个人参投，以及 Soma Capital、Link Ventures。当时三位创始人年仅 19 岁、公司尚处萌芽期。

2. A 轮（2024 年 9 月）

Benchmark 领投 3000 万美元 A 轮融资，估值飙升至 2.5 亿美元。

此轮融资汇聚了“硅谷投资教父”Peter Thiel、Twitter 联合创始人 Jack Dorsey、OpenAI 董事、Quora 的 CEO Adam D'Angelo，以及前美国财政部长 Larry Summers 等重量级个人投资者。这些战略性投资人的加入，不仅带来资金，更预示着对 Mercor 未来业务发展（特别是与顶级 AI Labs 的合作）的赋能和资源导入。

Benchmark 合伙人 Victor Lazarte 加入董事会，体现了基金对 Mercor 的深度投入和长期支持，而非仅仅财务投资。Benchmark 的介入是对 Mercor 的主动捕捉。（Victor 说服 Brendan 进行了初步交流，之后 Benchmark 的合伙人之一 Peter Fenton 邀请 Brendan 一起乘坐直升机。后续 Brendan 又和 Victor 以及 Benchmark 团队谈了几次）

3. B 轮（2025 年 2 月）

在公司业务收入已达数千万美元、并不急于融资的背景下，Mercor 仍完成 1 亿美元 B 轮融资，估值至 20 亿美元，由 Felicis Ventures 领投，现有投资者 Benchmark、General Catalyst 和 DST Global 跟投。此次融资仅稀释了 5%股权，以极低稀释比例获得巨额资金。

文章来自于微信公众号“海外独角兽”，作者是“拾象”。