Mercor CPO Osvald Nitski 談營收集中風險、專用模型的未來，跟為什麼每週銀行帳戶都比上週多幾百萬

TL;DR

• Mercor 每週帳上的錢都在增加，CPO Osvald Nitski 直接回應「那不是真正的營收」的質疑：現金流就是現金流
• 開源模型提高的是地板，不是天花板。只要前沿能力持續突破，人類標註數據的需求只會更大
• 他認為未來每家企業都會有專屬模型，而每個專屬模型都需要企業特定的評估和訓練數據
• RL 環境數據是目前成長最快的類型，需要高擬真度模擬真實應用場景來訓練 agent
• PM 與工程師的比例會持續上升，因為工程速度不再是瓶頸，判斷力才是
• 資安數據需求正在爆發，因為攻防本質是永無止境的貓抓老鼠

---

這集在 2026 年七月二十五日播出的 20 Product，是 20VC 旗下專門聊產品管理的系列節目，主持人是英國創投人 Harry Stebbings。來賓是 Mercor 的 CPO Osvald Nitski。Mercor 是一家 AI 驅動的人才市場平台，核心業務是幫前沿 AI 實驗室（OpenAI、Anthropic、Meta 這些）找到各領域的頂尖專家，來做模型訓練數據標註和評估。這家公司 2023 年由三個當時才二十一歲的哈佛和喬治城大學生創辦，去年十月以一百億美金估值完成 C 輪，今年七月傳出正在以兩百億美金估值洽談新一輪融資。Nitski 本人是愛沙尼亞裔加拿大人，多倫多大學畢業，之前在 NVIDIA 和 Scale AI 做產品，加入 Mercor 後公司人數已經翻了十倍以上。

開源模型提高的是地板，不是天花板

Harry 開場就丟了一個很直接的問題：開源模型越來越強，會不會蠶食 Mercor 的核心業務？

Nitski 的回答很清楚：數據最有價值的地方永遠在模型能力的最前沿。開源模型提升的是「大家已經會做的事」的水準線，但只要客戶還有新能力想突破，數據需求就不會停。

他舉了一個更深層的觀點：很多人說九成企業工作流已經能被現有模型處理，但他不買這個帳。他認為這些計算只看到「現有需求」，卻忽略了一整類「潛在需求」。

比如說架一個採購 agent 來全自動化你的採購團隊，跑好幾個月，你一週才檢查一次。這種事沒人在試，所以也沒被算進那些百分比裡。

這觀點蠻有意思的。我之前在AI Agent 跨不進 production 的真相裡也聊過，agent 的瓶頸不在模型智力，而在 demo 到 production 之間那條溝。Nitski 講的其實是同一件事的另一面：大家還沒開始嘗試的長期自主任務，才是數據需求真正的增長空間。

大企業怕的不是 AI，是把核心競爭力交出去

Harry 引了 Palantir CEO Alex Karp 的觀點：大企業對把數據交給前沿模型公司充滿懷疑。

Nitski 的觀察比較細緻。他說這取決於工作流有多核心。HR、採購這類通用流程，企業比較願意放在封閉模型上。但真正讓公司賺錢的核心業務，比如一家律所寫的法律備忘錄、給客戶的建議，這些東西企業就會非常敏感。

Harry 馬上抓到一個諷刺的地方：「所以我們把敏感數據放在開源的中國模型上，然後把 HR 數據放在封閉模型上？」

Nitski 笑著說，這取決於你在哪裡跑推論。開源模型的好處是推論可以發生在很多地方，你有更多控制權。用得好是優勢，用不好也確實會出事。

每家公司都會有自己的專用模型

Fireworks 創辦人 Lin Qiao 之前在節目上說過，未來每家公司都會有自己的專用模型，因為「可以更好」這件事完全取決於每家公司的目標。一家追成長，一家追利潤，在歐洲可能還有一家追工作生活平衡。

Nitski 完全認同這個方向，而且坦白承認這對 Mercor 也是利多：每個專用模型都需要企業特定的評估和訓練數據來告訴模型該怎麼表現。

他把工作流分成兩類：

一類是「做完就好」的充分性工作，像更新 CRM，再怎麼做也不會好到哪去。另一類是永遠可以更好的工作，像法律論證、醫療建議。後者不能用「模型做不做得到」的二元框架來想，應該用「持續無上限回報」的角度去看。

這個區分方式很實用。如果你在評估 AI 能不能取代某個工作流，先問自己：這是一個「做完就好」的任務，還是一個「永遠可以更好」的任務？答案不同，策略就完全不同。

企業 AI 的 ROI 問題：現在還在探索期

被問到企業 AI 有沒有 ROI 問題，Nitski 的回答很務實：現在不是 ROI 算不過來，而是大家還在探索和實驗的階段，對 ROI 的容忍度比較高。Token 價格走向、模型性能走向，變數太多，ROI 的計算可能隨時劇烈翻轉。

但他補了一句：已經開始看到某些地方在收緊螺絲了。

至於 Salesforce 的 Benioff 說一年花三億美金在 Anthropic 上（大約是開發者薪資的百分之三點八），Nitski 認為這個比例會隨時間增加到超過百分之三。

然後 Harry 爆料：Mercor 共同創辦人 Brandon（Brendan Foody）在節目上說過，他們在 token 上的支出已經超過員工薪資。Nitski 確認了這一點：「百分之百聽起來合理。我們花錢的速度根本趕不上需求。每週結束時銀行帳戶裡的錢都比上週多。」

PM 的角色正在根本性改變

這段我覺得是整集最值得產品經理聽的部分。

Nitski 說了兩個重大轉變。第一，工具學習變得不重要了。你只要會用 coding agent，幾個工具就能搞定所有事。他們甚至在從 Figma 轉移到 Claude 做設計。第二，所有人都需要升級思維，更多地思考商業影響。

「技能問題幾乎消失了。現在全是判斷力的問題：我正在做的事，是不是最能推動業務價值的？」

他認為 PM 和工程師的比例會持續上升，因為工程速度不再是瓶頸。真正的瓶頸變成了理解使用者需求、判斷什麼才值得做。

這跟他們的招聘策略一致：偏好更資深的人選，白板面試重點看實驗設計能力和統計素養，一次 take-home 確認 AI 工具使用能力就夠了。他特別強調：「我們從來不把判斷力和決策委託給模型，因為模型會讓你覺得它做對了，但你必須對它保持偏執。」

RL 環境：數據市場的新前沿

被問到什麼數據類型會在明年爆發，Nitski 的答案是 RL 環境。

簡單說，就是模擬真實應用程式的環境，讓 agent 在裡面學習怎麼操作。比如你想讓 agent 學會用 Salesforce，你需要一個高擬真度的 Salesforce 模擬環境來做評估和訓練。這些環境還需要「世界狀態」，就是模擬你筆電上可能有的所有文件和數據。

跟過去的監督式微調或偏好排序相比，這類數據讓模型訓練和評估的場景更接近實際部署狀態。但製作過程極其複雜，一個起始狀態可能包含數百甚至數千個檔案。

Nitski 自己也承認，去年剛開始做的時候他覺得這東西搞不出來，太複雜了。結果需求太強，團隊一直試，最後硬是做通了。

資安數據：沒有「做完就好」這回事

另一個快速成長的數據類別是資安。Nitski 沒辦法講太多客戶細節，但他指出資安數據的本質是對抗性的。不像更新 CRM 那種「做完就好」的工作，資安是永無止境的貓抓老鼠。攻擊能力進步了，防禦能力就得跟上，然後攻擊又升級。

這也呼應了他前面說的「永遠可以更好」的工作類別。資安永遠不會到「九成工作流已經被模型處理」的那天，因為目標永遠在移動。

營收集中的隱憂和下沉市場策略

Harry 問了一個很直的問題：Mercor 最大的客戶是前沿模型實驗室，營收集中度很高，這是不是個問題？

Nitski 沒迴避。他說產品團隊最大的挑戰就是往下沉市場移動，讓每家企業都能高效地跑人類數據專案。這能分散營收，因為企業數量遠比實驗室多。

但這很難做。幫實驗室跑一個人類數據專案極其複雜，需要大量白手套服務和營運團隊。邊緣案例不斷冒出來，需要客戶、專家、營運三方之間極快速的對齊。要把這個流程簡化到中小企業也能自助使用，需要 AI 專案經理、更好的產品、更好的流程。

他們正在往這個方向走，營收集中度也確實在下降。但老實說，這是一個「說起來簡單、做起來要命」的方向。

機器人數據：三年後的大賭注

Nitski 最後被問到最興奮但大家還沒怎麼在聊的事，答案是機器人領域的數據市場。他認為目前機器人的數據市場相對生成式 AI 和自駕車都還很初期，但三年內會大幅成長。

Harry 很不客氣地挑戰：每次看機器人 demo，就是一個笨拙的機器花十五分鐘從冰箱拿一瓶水，結果原來是有人在後面遙控。

Nitski 用 Waymo 回擊：十年前自駕車裡永遠坐著一個安全員，大家也覺得沒用。但現在他搭 Waymo 的次數比 Uber 多。機器人可能不會有 ChatGPT 那種一夕爆發的時刻，但進步會實實在在地發生。只是實體世界的東西比軟體難擴展得多。

---

這集聽下來，Mercor 的處境其實蠻微妙的。一方面他們坐在 AI 產業最核心的位置上，每家實驗室都需要他們的服務。另一方面，營收高度集中在少數大客戶，而且「那到底算不算真正的營收」這個問題一直被市場質疑。Nitski 的回答很直接：每週帳上都多幾百萬，你想怎麼叫它都行。

我覺得最值得記住的是他對 PM 角色轉變的觀察。當技能問題消失，剩下的全是判斷力。這對不只是產品經理，對所有知識工作者都一樣。想看更多類似的產業觀察，歡迎訂閱 wilsonhuang.xyz。