本文共1443字
最近，一家名为Mercor的初创公司宣布其年化收入（ARR）突破了1亿美元大关。而就在11个月前，还只有100万美元。如此惊人的增长速度，也难怪它能在去年秋天以高达20亿美金的估值顺利融资。
Mercor做的是什么生意？简单来说，它是一个人工智能驱动的招聘平台，帮助像OpenAI这样的大型AI开发者，找到各领域的专家——比如软件工程师、律师、医生等，来“训练”和优化AI模型。
这些专家通过评估AI的回答、或者直接教授模型更优的解决方案，来提升AI在特定领域的表现。这在行业内有时被称为“数据标注”或“模型训练后服务”。
Mercor的三位00后创始人Adarsh Hiremath、Brendan Foody和Surya Midha
表面上看，从100万到1亿美金的年化收入，只用了不到一年时间，这无疑是爆炸性的增长，足以让任何一家初创公司和它的投资者兴奋不已。
然而，在当前的AI浪潮中，我们或许需要更仔细地审视这些光鲜数字背后的含义。
据Mercor的一位现有投资者透露，公司营收的大头——大约60%到70%——需要支付给那些参与模型训练的专家们作为报酬。这意味着，Mercor实际的净收入，或者说“毛利”，远低于它对外宣布的1亿美元。
当然，Mercor的CEO Brendan Foody不久前在社交媒体上提到，公司上个月实现了超过100万美元的“利润”（据了解是指运营利润），并且随着公司为更资深的专家收取更高的费用，其毛利率有所改善。
但高昂的“人力成本”是这类业务模式普遍面临的挑战。不只是Mercor，它的竞争对手，如规模更大的Scale AI（去年预计收入10亿美元，估值高达138亿美元）、Turing（截至2024年底ARR达3亿美元）和Invisible（去年收入1.34亿美元），都面临着类似的毛利率压力。
例如，据报道，Scale AI花在承包商薪酬等直接业务成本上的钱，超过了其收入的50%。
对于熟悉这个赛道的人来说，Mercor总收入和净收入之间的巨大差异可能并不意外。毕竟，“人力密集型”是这个行业的显著特征之一。
但对于那些关注AI公司估值倍数的人来说，这可能就有点令人费解了。
据知情人士透露，Mercor上一轮融资时，其估值大约是当时约2000万美元年化总收入的100倍。这是一个相当高的倍数，尤其考虑到它的收入模式并非像传统SaaS企业那样具有高度的经常性。
当然，对于早期创业公司，过度纠结于精确的收入倍数意义不大。很多时候，投资者奖励的是其惊人的增长速度，或是对其未来市场潜力的巨大预期。
资本之间的竞价追捧也常常会推高估值。Mercor的案例，显然也包含了这些因素。
但未来的挑战不容忽视。
随着AI模型本身能力的提升，寻找那些真正能提供独特价值、帮助模型进一步优化的顶尖专家，可能会变得越来越困难，成本也可能水涨船高。如果不能有效地将这部分成本转嫁给客户（即提高服务价格），或者找到更高效、更低成本的工作方式，那么这些“AI训练服务商”的利润空间可能会受到挤压。
为了应对这种潜在风险，我们看到一些公司已经在布局后路。比如Scale AI、Turing和Invisible都在发展咨询业务，更深入地帮助企业应用那些经过精心训练的AI模型。Scale AI甚至开始涉足机器人领域的数据标注。
Mercor也有自己的长远规划。根据公司CEO的博文，他们的目标是将客户群体从AI公司扩展到更广泛的企业。
理论上，他们可以利用现有的专家网络和匹配能力，为企业提供短期的项目支持，比如咨询或社交媒体运营。
Mercor希望，通过服务AI实验室积累的经验，能帮助他们更精准地预测承包商在不同工作任务中的表现，从而更好地服务于各类商业客户。
公司简介：
Mercor是一家专注于人工智能招聘的科技公司，2021年成立于美国旧金山，由三位00后Brendan Foody、Adarsh Hiremath和Surya Midha联合创立。公司通过AI技术革新传统招聘流程，服务面向顶尖AI实验室、科技巨头及金融、法律等多元化领域，通过优化招聘效率吸引企业客户付费。