Mercor привлёк $750 млн на обучение и проверку ИИ при оценке $20 млрд

Агент красиво отвечает в чате, а при оформлении возврата забывает проверить условия договора. Для продакта это сорванный сценарий, для разработчика — ещё одна ошибка, которую публичный рейтинг моделей не помог предсказать. Mercor строит бизнес вокруг этого разрыва: привлекает специалистов, чтобы проверять ИИ на настоящей профессиональной работе и готовить данные для его дальнейшего обучения.

10 ноября компания объявила раунд Series D на $750 млн при оценке $20 млрд. Для команды, которая внедряет агентов, здесь полезнее всего сам предмет инвестиций: определить, что считать правильно выполненной работой, становится отдельной большой задачей. Условия сделки опубликованы в объявлении Mercor.

Почему хорошего ответа недостаточно

Представим интернет-магазин, который поручил агенту возвраты. Покупатель пишет: товар сломан, чек потерян, заказ оформлен через партнёра. Модель знает общие правила общения с клиентами. Но ей ещё нужно найти покупку, разобраться в исключениях, выбрать допустимый способ компенсации и правильно изменить запись в системе.

Проверка такого агента требует большего, чем оценка вежливости ответа. Эксперт должен описать допустимые действия и результат: когда можно вернуть деньги, когда нужна дополнительная проверка, какие изменения должны появиться в учётной системе. Затем разработчики могут воспроизводить сценарий после смены модели, промпта или инструмента.

Это условный пример, а не описанный клиентский проект Mercor. Он показывает, зачем нужны проверки на задачах конкретного бизнеса. Одна и та же модель может успешно объяснить правила возврата и ошибиться при их выполнении. Если оценивать только финальное сообщение, ошибка останется незаметной до жалобы клиента.

Для команды отсюда следует простое действие: сначала собрать реальные обращения и критерии успешного выполнения. Тогда выбор модели превращается в проверяемое инженерное решение. Можно сравнить качество, стоимость завершённого сценария и количество случаев, когда требуется человек.

Что говорят деньги — и чего они не показывают

По предоставленному дайджесту Latent Space, Mercor достиг годового темпа выручки $3 млрд, после $1 млрд в феврале и $2 млрд в июне. Здесь важно читать метрику буквально: текущие поступления пересчитаны на год. Это не означает, что компания уже получила $3 млрд за завершённые двенадцать месяцев.

В объявлении раунда Mercor также указал, что сделка включает выкуп акций сотрудников. Разбивка не опубликована, поэтому все $750 млн нельзя автоматически записывать в деньги на развитие бизнеса. Оценка $20 млрд тоже сама по себе ничего не говорит о прибыли, удержании заказчиков или маржинальности экспертной работы.

Особенно заметна ещё одна цифра из заявления руководства: расходы Mercor на инференс втрое превышают расходы на зарплаты сотрудников. Компания считает, что это окупается. Однако без методики расчёта и разбивки затрат этот показатель не даёт готового бюджета для другого стартапа. Основателю полезнее считать собственную экономику: сколько стоит успешно выполненная задача с учётом повторных попыток и проверки человеком.

Как применить это в своём продукте

Практический вывод редакции: начинать стоит с одного процесса, у которого есть понятный конечный результат. Например, обработать возврат, сверить документы или исправить определённый класс ошибок. Нужны примеры обычных случаев, исключений и ситуаций, в которых агент обязан остановиться.

Дальше потребуется независимая проверка. Если модель видела все задания при настройке, высокий результат может отражать подгонку под знакомые примеры. Часть сценариев стоит сохранить отдельно, а экспертам поручить разбор спорных случаев. Полезно измерять и то, какую долю работы агент действительно доводит до конца без исправлений.

У такого подхода есть цена: время специалистов, поддержка тестовых данных и обновление правил вслед за продуктом. Собственный набор проверок тоже может устареть или пропустить важные исключения. Раунд Mercor не доказывает, что эти проблемы решены. Он показывает интерес инвесторов к инфраструктуре вокруг внедрения ИИ. Для продуктовой команды ближайший шаг вполне конкретен: составить набор рабочих задач и проверить, какую часть агент уже выполняет надёжно.