Mercor 的 Osvald Nitski：AI 训练数据、产品与客户集中度

Harry Stebbings 询问，开放模型进步是否可能蚕食 Mercor 提供训练和评估数据的业务。产品负责人 Osvald Nitski 认为，此类模型提高了客户期望的基线，但实验室仍在为前沿能力寻求数据。这是公司的商业观点。

Stebbings 提出开放模型可能处理 90% 的企业工作流程。Nitski 质疑这一数字，认为当前使用情况可能遗漏潜在需求，例如只需有限监督、长期工作的采购智能体。这个例子是愿景，并非广泛可靠部署的证据。

被问及企业不愿分享数据时，Nitski 说敏感程度取决于工作流程。他区分一般职能与关系公司竞争地位的核心活动。人力资源、采购、法律及其他数据的实际敏感性则因组织和用途而异。

主持人询问使用开放权重模型时的隐私问题。Nitski 说推理运行地点很重要：开放权重可以让组织对部署有更多控制，但不会自动使系统安全。配置和运营选择仍然重要。

Nitski 引用 Mercor 的 Apex 基准测试，称领先模型在长周期工作流程中的表现约为 50%。他还区分了有明确完成条件的任务，以及法律推理等质量可能持续改进的工作。该结果仅针对基准的任务和方法，并非对所有企业工作流程的测量。

Stebbings 询问每家公司最终是否都会使用专业模型。Nitski 说，他认为只要回报合理，专业化会继续增长，同时承认这一观点也符合 Mercor 销售企业专用训练和评估数据的利益。

关于企业 AI 回报，Nitski 说许多组织仍在实验，可能容忍回报计算延迟或存在不确定性。他注意到一些控制支出的压力，但认为模型价格和表现变化使长期经济性难以判断。这是他的评估，并非普遍结论。

Nitski 说 token 预算应取决于具体用途。工程工具支出可能支持未来开发，而客户服务智能体的计算成本若超过其服务所带来的收入，则是另一种经济问题。他的判断来自在成长型公司的经验。

Stebbings 引用有关 Salesforce 支付 Anthropic 费用的报道，询问 AI 支出可能占人员成本的多少。Nitski 说大型组织评估结果时应区分研究、解决方案工程等团队。访谈没有独立核实所报道的支出和比较。

Nitski 预测，AI 支出占劳动成本的比例可能上升。他说 Mercor 自身的 AI 支出已经超过工资，并描述员工人数和收入迅速增长，将支出归因于客户需求。这些是公司说法，并非经审计的财务披露。

Nitski 说，更快的开发使产品管理更难。当工程师可以快速推出大量功能时，团队必须抵制无限扩张产品覆盖范围的冲动，转而简化工作流程。在他看来，决定不做什么变得更加重要。

他预计，随着编程工具提高工程开发速度，产品经理与工程师的比例会上升。理解客户、业务重点和产品影响可能成为瓶颈。这一预测基于 Mercor 的经验，而非适用于所有组织的规则。

Nitski 说他的团队越来越多使用 AI 辅助设计工具，减少独立应用数量。他更重视判断力和业务影响，而非熟悉一长串工具。这描述的是 Mercor 当前的做法，并不能证明任何设计产品将被取代。

一次产品失误说明了这种取舍。Mercor 曾建立高度灵活的标注平台，以支持许多客户要求和数据格式。Nitski 说，由此产生的多样性使数百个项目难以管理，团队本应更早收窄支持的工作流程。

团队如今在投入之前会考虑某种工作流程的需求是否持久。Nitski 说，答案最终需要判断、与多个实验室沟通，并反复验证假设。他承认预测一两年后的数据形式在一定程度上只是猜测。

谈及公司减少使用部分设计软件，Nitski 说团队选择对自己最有效的工具，减少许可数量也能降低摩擦。他将此描述为内部趋势，而非经核实的全行业变化。

Stebbings 询问服务是否是企业 AI 部署的未来。Nitski 认为，短期内服务尤其有用，因为部署和评估智能体的专业知识分布仍不均衡。他预计随着时间推移，更多此类知识会成为组织的常规能力。

主持人询问优秀工程师是否愿意从事面向客户的工作。Nitski 说，沟通、发现根本问题和简化问题是有价值的工程技能，也能让人在前沿部署岗位或创业时发挥作用。

Nitski 说，一些同事离职创业。他乐于看到人们追求抱负，同时承认人员流动使管理更加困难。他对留任情况的描述只涉及提到的同事，并非全公司留任率统计。

在产品招聘上，Nitski 说 Mercor 倾向于寻找有足够经验、能将工作与业务结果联系起来的候选人。Stebbings 质疑过度看重资深管理者的风险；Nitski 说他想要做过相关工作且仍有动力的人，而不只是前高管。

Mercor 使用一项练习检查候选人对 AI 工具的熟悉程度，随后重点进行白板讨论。Nitski 寻找实验设计、统计理解、判断力和系统思维。他希望看到候选人独立推理，而非重复 AI 生成的答案。

Stebbings 询问 AI 工具无处不在时，人们如何保持独立思考。Nitski 区分执行辅助与委托判断：他建议团队检查输出，并继续对决策负责。这是他的管理做法，并非声称所有 AI 辅助决策都不可靠。

实验并不总能在投入与结果之间产生清晰联系。Nitski 说产品团队努力选择能提供信息的测试、了解用户，并逐步把产品变化与业务影响联系起来。他承认结果每周都可能不同。

Mercor 有两个主要产品领域：将专家与工作匹配的人才平台，以及由专家、运营人员和客户使用的标注与评估平台。Nitski 说每个领域都有专门产品团队，并由数据科学和设计人员支持。

他区分了两种合作方式：只提供人才时，客户自行管理项目，Mercor 负责寻找专家；托管服务则由 Mercor 组织工作并交付数据集。后者结合人才平台与标注平台，需要更多运营协调。

Nitski 描述了小型产品小组和每周会议：会议对齐路线图，各小组自行规划工作。他预计随着公司成长，产品管理与工程人员配置会发生变化，但表示团队必须协调增长。

最大的协调挑战是在快速扩张的团队之间传递信息。人才平台的问题可能影响标注体验，反之亦然。Nitski 说公司需要更多跨产品协作，同时避免沟通渠道数量压垮工作。

被问到 Mercor 如何扩大专家供给时，Nitski 归功于三个因素：专家体验、推荐，以及能找到专业人才的寻访团队。他说及时、透明和公平的付款是体验的重要部分。这些是公司说法，并非对每位工作者体验的独立评估。

Nitski 认为一次性高额报酬不足以留住专家。他说，人们也看重未来工作的可见性、有趣的项目、沟通和提升技能的能力。清晰的说明很重要，否则远程标注工作可能显得陌生且难以开展。

Stebbings 询问利润率。Nitski 没有给出利润率数字；他说产品团队关注客户价值和专家体验，而定价反映成本。根据项目不同，成本可能包括专家报酬，以及用于合成数据或质量控制的模型费用。

回应外界对 Mercor 收入指标的批评时，Nitski 说公司银行账户现金大幅增加，业务健康。这是高管的描述，并非经审计的收入、利润或现金流数据，也不能回答公司如何确认收入。

Stebbings 询问前沿模型实验室客户的集中度。Nitski 说 Mercor 希望服务更多企业，通过改进产品和流程让较小项目可行。他说这一转向降低了集中度，但没有提供客户占比、时间序列或独立证据。

人工数据项目难以运营，因为客户必须向专家传达详细要求，并解决意外边缘情况。Nitski 说运营团队必须快速协调客户、专家和其他相关方，同时跟踪质量、进度和瓶颈。

他说数据形式已经从监督微调和偏好排序转向基于评分标准的工作与强化学习环境。每个项目都可能引入新要求。在他看来，细致运营和清晰沟通是规模化的关键。

Nitski 说环境是公司增长最快的数据类型。他描述了模拟应用、包含文件的初始状态，以及要求智能体使用工具完成的任务。他关于 Mercor 在这一类别领先的说法是公司主张，访谈没有独立证实。

Nitski 解释说，训练环境应当类似智能体在部署时遇到的场景。例如，模拟企业应用可能需要逼真的界面、数据和任务条件。构建和评估这些环境可能很复杂，不同供应商的定义也不同。

谈及价格，Nitski 说实验室仍会谈判，但改进评估和训练带来的价值可能使数据支出具有吸引力。他认为此类支出会转化为客户收入，这是商业论点；访谈没有确立任何具体客户的因果回报。

Stebbings 询问专业数据供应商是否会大量出现。Nitski 说一些创始人亲自进行高技能标注，并认为风险投资可能补贴这类工作。他认为超出创始人个人能力后很难扩大规模；这是现有供应商对竞争的判断。

Nitski 说 Mercor 会关注竞争对手和客户反馈。他把供应商比较视为发现他人优势、改进自身服务的方式。讨论没有提供对供应商质量或市场份额的独立比较。

Stebbings 披露自己是法律 AI 公司 Legora 的投资人，并询问大型模型供应商是否会直接与专业应用竞争。Nitski 指出，大型科技公司进入许多市场时，专注的竞争者仍可能出现。他说结果还有待观察。

被问及一次安全事件时，Nitski 说自己不是安全专家，Mercor 已招聘专业人员并增加安全投入。对话没有确立事件原因、影响范围或补救措施的有效性。

Nitski 预计网络安全数据需求将增长。他将安全描述为攻防能力持续变化的对抗领域，认为固定的充分性阈值不那么有用。这是对公司机会的预测和描述，并非保证。

谈及旧金山招聘，Nitski 说人才竞争和留任都很困难。他认为责任感和主动性尤其难在面试中评估，并说公司重视关心工作的人。他的招聘偏好具有个人和公司特点。

回顾自己改变的看法时，Nitski 说他起初因为训练环境项目交付困难而怀疑其能否规模化。他说需求和反复实验帮助公司让项目运转起来。访谈没有提供结果的独立证据。

对于计算机科学专业学生，Nitski 建议在成长型公司实习以积累实践经验。他承认自己偏好旧金山快节奏公司的偏见。这一建议反映他的职业道路，并非进入科技领域的唯一可行路径。

Nitski 估计 Mercor 约有 500 名员工，并说公司希望在成长过程中保持初创文化。他描述了一种以办公室为中心、快速行动的工作环境。人数和文化描述均是他在访谈时的说法。

被要求说明 Mercor 获得更高估值的乐观理由时，Nitski 认为更好的模型和专业企业应用可能持续推动评估与训练数据需求。这是一个假设性的商业论点，并非经核实的估值目标或投资预测。

他认为未来三年物理世界数据和机器人可能成为增长来源。他说，当公司认为未来需求可能合理时，有时会提前留住专家或创建数据。这些机会及后续转售结果仍不确定。

Stebbings 质疑机器人目前的发展状态，提到缓慢的演示和人类辅助。Nitski 将其发展路径与自动驾驶汽车比较：后者经过多年测试，仍受到地理及其他限制。他对机器人进步的预期是预测，并非时间表。

Nitski 认为机器人可能迎来重要的采用时刻，但预计实体部署的规模化方式与软件不同，因为硬件和运行环境更难扩展。对话结束时没有声称当前演示证明了通用自主能力。