21 歲創業、20 億估值:Mercor 如何用 LLM 與互動式回饋機制(Response Loop)重塑招募系統?

今天這篇文章將帶你認識一間由 21 歲創辦人打造的 AI 招募新創 —— Mercor。在短短不到兩年內，他們募得 1 億美元、估值達 20 億美元，並已服務上千家企業。這不只是「AI + 人才媒合」的故事，也是一個結合技術敏感度、商業思維與用戶洞察的創業範例。今天會從創業背景、產品設計、技術亮點、市場策略與挑戰五個面向切入，試著回答一個問題：為什麼 Mercor 如此成功？

如果你只有一分鐘，可以帶走的 3 個重點

1. 年資不是創業門檻，對市場痛點的掌握才是。 Mercor 的三位創辦人在 21 歲創業，並沒有傳統人資背景，卻精準切中企業在遠端人才媒合上的需求。他們用「使用者出發」而非「產業專業」的視角，顛覆了我們對人才媒合平台的想像。

2. 這不只是 ChatGPT 招募版，而是重構招募流程。 Mercor 串接 LLM 與自動化工具，把履歷分析、面試邀請、候選人互動變成可以自動執行的模組，讓招募從重度人力變成可程式化系統。

3. AI 招募的核心不只是快與便宜，而是「可信與透明」。 Mercor 嘗試建立一種能解釋的、數據化的招募邏輯，讓決策可以被檢視、流程可以被回溯，這種思維也是所有使用 AI 工具創業者必須面對的新挑戰。

從校園到矽谷：誰是 Mercor 的三位年輕創辦人？

Mercor 的創辦人來自 Stanford、Brown 等名校背景，但他們選擇在 21 歲那年輟學創業。Will Bruey 擔任 CEO，Daniel Freedman 擔任 COO，Ben Elbaz 負責產品與技術。三人本身沒有招募背景，但從作為年輕求職者的角度出發，發現了傳統招募流程的落差：企業回覆慢、匹配不精準、依賴人脈與直覺決策，導致大量「潛力人才」被忽略。

他們的切入點不是打造一個新的 LinkedIn，而是重構整個招募流程。最早從寫履歷工具做起，再到媒合服務，最後逐步建立出一套用 AI 驅動的人才搜尋、配對、聯絡、面試安排與數據回饋的全流程平台。這種由下而上的開發方式，也讓他們累積出高度使用者敏感度與 MVP 驗證力。

不是招募平台，而是自動化的全球人才引擎

傳統招募平台像是資訊展示牆，你把履歷貼上、企業把 JD 貼上，希望兩邊互相看到。但 Mercor 想做的是讓平台「幫你主動出擊」，用 AI 來做決策、行動與跟進。他們服務的不只是企業「HR 工具箱」，而是試圖成為 HR 本身的一部分。

Mercor 平台最關鍵的設計邏輯在於：讓每一次人力媒合都可以被測量與追蹤。他們內建履歷分類系統、關鍵字比對、風格分析、自動郵件與行程排程功能。對企業來說，這意味著只要描述需求，系統就能自動提出推薦人選，並追蹤應徵者開信、點擊、互動、是否回應，並將這些數據回饋到系統中做模型優化。

這也是 Mercor 能與 Upwork、Fiverr 這類平台區隔的關鍵：他們不是媒合廣告流量，而是幫你完成整段流程，甚至在「人還沒出現」前，系統就能幫你決定誰最值得聯絡、如何聯絡。

Mercor 的技術核心：結合 LLM 與任務自動化

Mercor 背後的技術並不是單一模型或工具，而是一套融合了 LLM（大型語言模型）與 RPA（機器流程自動化）的模組化系統。它不只是生成文字，而是「理解任務 → 自主執行 → 追蹤成效」。這讓他們與許多只做聊天機器人或自動客服的新創拉開距離。

舉例來說，當一家公司在平台上釋出一個職缺，Mercor 不只是簡單推薦幾份履歷，而是：

• 自動萃取 JD 的關鍵字與語意結構，生成搜尋條件

• 從資料庫中找出高潛力人才

• 產出個別化邀請信件與面試安排信件

• 追蹤對方是否開信、是否點擊邀約連結

• 根據反應進一步調整信件內容或篩選條件

這像是一個「數位招募專員」，全天候工作、邏輯一致、不會因為疲累而出錯，更重要的是：可以將所有動作留下紀錄、轉換成數據。

這樣的自動化流程，讓招募效率變成可以精準量化的指標，也讓企業得以擴大人選池、進行全球化招聘，而不需要加派更多 HR 人力。

市場策略與成長路徑：從工程團隊到千家企業的信任跳躍

Mercor 的成長速度很驚人，在 2024 年底前，他們就已服務超過 1000 家企業，涵蓋 AI 新創、工程師密集型公司與部分中小型 SaaS 廠商。他們沒有選擇一開始就進軍 Fortune 500，而是從對技術接受度高、流程靈活、招募預算有限的工程團隊切入，透過實際成效贏得第一批用戶信任。

這種「從小團隊打進核心需求」的策略，類似早年 Slack 或 Notion 的擴散方式。透過使用者推薦與產品本身的便利性，Mercor 逐步進入更大企業的視野，並開始與多家大型平台或工具做整合。例如與 Notion、Airtable 等內部工具系統串接，讓招募資訊更即時流動。

同時 Mercor 也積極與創投圈建立關係：根據《TechCrunch》與《CNBC》報導，Mercor 在 2025 年初由 a16z 領投獲得 1 億美元的 B 輪融資，估值達 20 億美元，並獲得包括 General Catalyst、Founders Fund 等機構加持。這不只意味著現金流充沛，更是創業圈的一種集體背書。

他們在行銷策略上極度簡化：網站主頁開宗明義寫著「Hire AI-ready talent faster」。簡單、聚焦、有痛點，不講 AI 多強、也不講系統多全面，而是回到企業最需要的 KPI —— 人才與速度。

AI 時代的創業難題：信任、擴展與透明邏輯

儘管成長飛快，Mercor 面臨的挑戰也不容小覷。
馬上切入第一個問題：AI 招募系統的公平性與「可解釋性」

企業主希望更快地找到人才，但也會擔心 AI 模型是否存在偏見？推薦邏輯是否公開？這在美國尤其敏感，若系統有系統性排除特定族群，可能涉及法律問題。Mercor 嘗試以更開放的資料欄位、更細緻的推薦邏輯標註，來回應這個問題，但這仍是全產業需要共同努力的方向。

第二個難題是全球擴張與本地化的平衡。

AI 招募讓公司可以雇用來自世界各地的人才，但語言、時區、文化與合約法規卻各有不同。Mercor 必須設計更靈活的契約模板與薪資模型，來支撐不同地區的聘用需求，也需要更強的客服與法務基礎。

第三個挑戰是人才與技術的內部迭代。

當你的服務本身就是「找到好工程師」，你內部的技術團隊品質也會被放大檢視。Mercor 必須持續保有產品創新的速度，同時維持穩定性，這對一間還在快速成長的新創團隊來說，是一場「邊跑邊補引擎」的考驗。

但也正是這些挑戰讓 Mercor 更值得關注。他們不是用一個 idea 吸引眼球，而是真正推動招募邏輯的轉變。AI 並不只是用來節省時間，而是改變我們怎麼理解人才、定義潛力、建立關係。

接下來，如果你對創業、對科技工具的應用有興趣，Mercor 提供了一個非常值得追蹤的範例：

從技術到模式：AI 招募的產品設計教科書

Mercor 的核心亮點之一，就是他們在技術與產品流程中導入了互動式回饋機制（response loop）的概念。這並不是單純將 LLM 套用於履歷推薦，而是設計出一個能「反覆學習、即時調整」的智慧型招募流程。舉例來說：系統不只發送邀請信給候選人，還會追蹤候選人的開信率、點擊率、回信內容，進而評估哪些話術最有效、哪些人選值得再互動，這種持續優化的邏輯讓模型變得更「懂人」也更具策略性。

對創業者來說，這提供了一個值得學習的架構 —— 如何把 AI 模型包裝成一個有用的產品流程，而不是只停留在 demo 階段。Mercor 不只是訓練模型，更是設計整個互動流程，讓系統能像一位真正的招募助理，不斷根據市場反應調整腳本、策略與行動節奏。

Mercor 的成功不只是技術上的革命，更是一場招募觀念的更新。Mercor 現階段的模式可能會變，也可能會被後進者取代，但他們留下的問題定義與解題方式，值得每一個對未來工作型態好奇的人，仔細觀察與借鏡。

對技術從業者來說，Mercor 的架構也提供了一個參考範式：如何將大型語言模型（LLM）與招聘領域的資料結構（如簡歷欄位、職缺描述、履歷匹配分數）做出系統性整合。這需要不只是 prompt engineering，而是真正懂得如何將 AI 轉化為一套「動態決策系統」的能力。

創業的下一站：從自動化到決策協作

Mercor 的故事為 AI 應用提供了一個具體路徑：從工具化（工具幫助人）邁向協作化（工具與人一起決策）。這代表未來的創業者與技術設計者，不能只關心「功能能否實現」，而必須深入思考「系統能否適應、回應、甚至預測真實使用情境」。當 AI 越來越強，問題不再是「它能不能做得到」，而是「我們設計的問題夠不夠好」。Mercor 給我們的最大啟發，不只是他們選對了方向，而是他們懂得如何快速實驗、快速修正，最終讓一個技術願景轉化為真實產品與真實價值。