Mercor Raises $750M at $20B Valuation

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

7억 5,000만 달러 조달·200억 달러 기업가치로 소개된 Mercor의 핵심 사업은 전문가의 지식과 업무 맥락을 AI 강화학습 환경으로 만드는 것이다.

📌 핵심 요점

1. 판매하는 것은 강화학습 환경이다. Mercor는 전문가를 확보해 실제 업무를 재현한 앱, 그 안의 문서와 메시지인 월드, 지시문과 평가 기준인 태스크를 만든다. 전문가 네트워크는 이 환경을 대규모로 제작하는 기반이다.
2. 인재·제작·관리를 연결해 공급을 확장한다. 500만 명 이상의 구직자 네트워크에서 전문가를 확보하고, Studio의 AI 코파일럿으로 데이터를 제작하며, AI 프로젝트 매니저로 채용·피드백·품질 관리를 자동화한다. Deeptune 인수는 복제 앱 공급의 병목을 보완하려는 선택이다.
3. 전문가 생산성 향상이 수요 확대를 유도한다는 주장이다. 푸디는 전문가의 모델 개선 효율이 높아지면서 인력 수요도 늘었다고 설명한다. 인간만 수행할 수 있는 업무가 남아 있는 동안에는 모델의 한계와 오류를 판별할 외부 피드백이 필요하다는 논리다.
4. 기업 AI 도입은 평가 가능한 과제에서 시작한다. 먼저 업무별 과제와 신뢰할 수 있는 채점 기준을 만들고, 이를 기준선으로 모델 선택과 후속 학습의 효과를 판단해야 한다. 푸디는 추론 지출이 커질수록 평가와 자체 학습의 경제성이 높아진다고 본다.
5. 지속 가능한 경쟁력은 업무 이해와 데이터 설계에 있다. 애플리케이션 기업에는 브랜드와 고객 업무의 분포를 이해하는 능력이 중요하다. Harvey 협업은 법률 전문성을 학습 데이터와 평가로 바꾸는 사례이며, 기업의 자체 모델 수요는 내부 지식을 경쟁력으로 유지하려는 동기와 연결된다.

🧩 배경과 문제 정의

• Mercor의 출발점은 AI가 반복 업무를 자동화할 때 인간이 어떤 방식으로 경제에 기여할 수 있는가라는 문제다. 핵심 구상은 사람이 업무를 계속 반복하는 대신, 에이전트가 수행하도록 학습시키는 것이다.
• Mercor는 전문가를 일자리에 연결하는 중개를 넘어, 전문가의 지식과 업무 맥락을 AI 학습용 강화학습 환경으로 만드는 사업을 운영한다.
• 사업의 지속성은 인간이 모델보다 잘하는 일이 얼마나 남아 있는지에 달려 있다. 빠른 성장에 맞춰 전문가 평가, 대금 지급, 프로젝트 관리와 조직 운영을 확장하는 문제도 함께 다룬다.

🕒 시간순 섹션별 상세정리

1. 반복 업무 수행에서 에이전트 학습으로 이동하는 인간의 역할

• Mercor는 전년 9월 무렵 이후 5배 넘게 성장했다. 장기적인 사업 기회는 고객 지원, 계약서 수정, 팟캐스트 편집처럼 반복적으로 수행하던 업무를 에이전트에게 학습시키는 변화에 있다. [00:47]
• 푸디가 예상하는 미래에는 사람이 평가 기준과 스킬 파일을 만들고 에이전트를 훈련하는 방식으로 경제에 기여한다. 이러한 업무 방식과 기술 기반을 구축하는 것이 Mercor의 장기 목표다. [01:28]

2. 인재 확보·데이터 제작·프로젝트 관리를 연결하는 세 플랫폼

• 인재 플랫폼에는 일자리를 찾는 사람이 500만 명 이상 있으며, 유입의 70%가 추천에서 나온다. 이 네트워크를 통해 소프트웨어 엔지니어, 의사, 변호사 등 필요한 분야의 전문가를 확보한다. [02:42]
• 데이터 플랫폼 Studio에서는 전문가가 AI 코파일럿과 자동 품질관리 기능을 활용해 실제 직무의 맥락, 과제, 검증 기준을 담은 강화학습 환경을 만든다. [03:11]

3. 지급 지연 경험이 만든 직접 거래와 결제 인프라 투자

• 하루 지급액은 제품 소개에서 400만 달러 이상으로 제시됐고, 이어진 확인에서는 현재 500만 달러를 훨씬 넘는다고 갱신됐다. 지급 시스템의 백엔드에는 Stripe Connect를 사용한다. [04:03]
• 초기 협력업체에 공급한 인력 1,000명 이상이 지급 문제를 겪으면서 지원 요청이 몰렸다. 일부는 가족의 식비 마련에도 어려움을 겪었으며, 이 경험이 AI 연구소와 직접 거래하고 전문가의 지급 경험을 책임지려는 계기가 됐다. [04:18]

4. 거래 중개가 아니라 강화학습 환경을 판매하는 사업 모델

• Mercor가 고객에게 제공하는 최종 산출물은 강화학습 환경이다. 전문가는 일자리 연결 수수료를 발생시키는 대상이라기보다, 이 환경을 구성하는 데이터 제작의 핵심 요소다. [05:51]
• 강화학습 환경은 세 부분으로 구성된다. ‘앱’은 Google Workspace 같은 업무 도구의 복제 환경이고, ‘월드’는 그 안의 메시지·문서·슬라이드·시트이며, ‘태스크’는 모델이 수행할 지시문과 결과를 채점할 평가 기준이다. [06:14]

5. AI가 전문가의 생산성을 높이면서 학습 데이터 수요도 확대

• AI 코파일럿을 활용하면 전문가가 한 시간 동안 만드는 데이터의 모델 개선 효과가 과거보다 3~5배 커질 수 있다는 것이 푸디의 예시다. 데이터 제작 과정 자체에 에이전트를 도입하면서 사람의 작업 효율도 높아진다. [07:36]
• 생산성 향상이 인력 수요 감소로 곧바로 이어지지는 않았으며, 오히려 수요가 급격히 확대되는 제번스의 역설이 나타났다는 판단이다. 지식의 99%가 여전히 사람의 머릿속에 있다는 그의 전제에서는, 지식을 모델에 전달하는 비용이 낮아질수록 더 많은 학습이 가능해진다. [08:11]

6. 인간 피드백 시장의 지속성을 결정하는 모델의 능력 한계

• 인간이 모델을 가르치는 시장의 수명은 초지능 도달 시점과 연결된다. 설득력 있는 대화, 실험실 연구, 자동차 수리 등 디지털·물리적 영역에서 인간만 할 수 있는 일이 남아 있는 동안에는 모델의 한계를 측정할 사람이 필요하다는 논리다. [09:12]
• 모델이 개선되려면 어디서 실수하는지 판별하고 이를 학습 보상으로 바꿀 기준이 필요하다. 자신의 글을 스스로 채점하는 학생처럼, 현재 능력을 넘어서는 수준을 자기 평가만으로 파악하기는 어렵다. [09:45]

7. 추천과 대규모 AI 면접으로 전문인력 공급 확대

• 전문가의 70%는 추천으로 유입되며, 추천 인력의 품질이 가장 높다는 판단 때문에 이 경로에 집중한다. 초기 AI 면접관은 2023년 4월 대학 재학 중 개발했으며, 당시 응답 지연은 약 7~8초였다. [12:27]
• AI 면접은 이력서에 맞춰 질문을 만들고 평가표에 따라 답변을 평가한다. 후보군마다 적합한 인재의 밀도가 다르므로, 면접을 대규모로 수행하고 추천인·GitHub·Figma의 개인 프로젝트까지 함께 분석하는 것이 인재 발굴의 핵심이다. [13:01]

8. 높은 채용 기준·장기 시야·고객 집착을 운영 원칙으로 적용

• 첫 번째 조직 원칙은 높은 기준이다. 채용 기준을 타협하지 않고 팀의 인재 수준을 유지하는 것이 경쟁력의 핵심이라는 판단이다. [16:25]
• 두 번째 원칙인 ‘타임 트래블러’는 5년 뒤의 세계를 예상하고 현재의 선택을 역산하는 방식이다. 최첨단 연구의 변화가 AI 중심 기업과 응용 서비스 기업을 거쳐 세계 경제로 확산되는 경로를 살피는 데 중점을 둔다. [16:52]

9. 경쟁사의 모방보다 미래에서 역산하는 경쟁 전략

• 조직에는 강한 긴박감과 높은 실행 기준이 있으며, 경쟁사가 무엇을 하는지와 어떻게 더 빨리 움직일지를 지속적으로 검토한다. [18:42]
• 다만 경쟁사 관찰에 지나치게 의존하면 모방에 빠져 시장의 2위가 되기 쉽다는 경계가 있다. 중요한 시장을 정의하려면 제1원리 사고와 5~10년 뒤의 세계에서 역산하는 접근이 필요하다는 입장이다. [19:14]

10. 초기 고객 소멸과 보안 사고 속에서 지속하는 창업

• 첫 약 1년 반 동안 고객은 모두 시드 단계 기업이었다. 푸디는 이들 중 80%가 12개월 안에 사업을 접는 상황 때문에 고객을 계속 잃는 부담이 있었으며, Cognition처럼 크게 성장한 예외도 있었다고 회고한다. [20:26]
• 보안 사고와 초기 팀원의 이탈도 주요 난관이었다. 혼란이 예외가 아니라 일상이라는 현실을 받아들이고, 5~10년 뒤 만들어낼 영향력을 동력으로 버티는 것이 창업의 조건이라는 관점이다. [20:57]

11. 조직의 충격을 흡수하고 매출보다 가치 창출 지표에 집중

• 조직 분위기가 최고조일 때는 잘못되는 부분을 엄격히 점검하고, 어려운 시기에는 구성원을 격려하며 결속을 높이는 리더십이 필요하다. 리더는 조직의 감정적 진폭을 완충하는 역할을 맡는다. [21:59]
• 주간 매출 그래프보다 고객 만족도, 전문가 만족도, 전문가 활용도를 중심에 둬야 한다는 것이 푸디의 운영 원칙이다. 이러한 지표가 실제 가치 창출과 장기적인 누적 성과를 이끈다는 판단이다. [22:27]

12. 사명 중심의 인내와 장기 전략에서 찾는 창업가의 본보기

• 일론 머스크에게서 높이 평가하는 부분은 반복적인 사업 성과와 사명 중심의 태도다. 중요한 시장의 방향을 바꾸는 회사를 만들기 위해 큰 고통을 감수하는 자세가 본보기다. [23:43]
• 제프 베이조스의 강점은 장기적 사고와 원칙의 일관성이다. 아마존 초기의 핵심 원칙을 수십 년 뒤 제품 전략까지 연결하고 기업가적인 문화를 유지한 능력을 높이 평가한다. [24:06]

13. 일자리 창출을 촉진하기 위한 소득 하위 절반의 과세 폐지 구상

• 대학 신입생 때 작성한 미발표 과제의 핵심 주장은 일자리 창출이 큰 긍정적 외부효과를 만들지만, 노동에 대한 과세는 그 창출을 억제한다는 것이다. 근로자에게 세금을 부과하는 것도 기업에 부과하는 것과 기능적으로 같다는 논리를 전제로 한다. [25:16]
• 푸디는 연소득 7만 달러 미만인 미국인 하위 절반이 연방정부 세수의 3%를 차지한다는 수치를 근거로, 이들의 세금을 없애자는 구상을 제시한다. 경제적·행정적 부담을 줄이고 특히 저소득 일자리의 창출을 장려할 수 있다는 주장이다. [26:14]

14. Deeptune 인수로 강화학습 환경의 앱 공급 병목 보완

• Mercor의 강점은 전문가와 보조 에이전트가 만드는 월드와 태스크에 있었다. 반면 Salesforce·Adobe·Google Workspace 등의 복제 앱 확보는 가장 큰 병목이었으며, 처음부터 집중했던 분야나 비교우위가 있는 영역도 아니었다. [28:47]
• 한 고객이 Deeptune을 자사의 최상위 앱 파트너로 추천하면서, Deeptune이 앱을 제공하고 Mercor가 그 안에 콘텐츠를 채우는 협업을 제안했다. 고객이 직접 제휴를 요청했다는 점은 두 회사의 결합에 수요가 있다는 신호였다. [29:31]

15. 인수는 문화적 적합성과 성장 병목 해소를 기준으로 판단한다

• Deeptune 팀은 Mercor와 사명·문화가 맞았고, 뉴욕 사무소 설립 시점과도 맞물렸다. 두 팀이 서로의 확장 병목을 해결할 수 있다는 판단이 인수의 근거였다 [30:23]
• Deeptune은 Seel에 이은 두 번째 인수이며 첫 인수보다 규모가 훨씬 컸다. Deeptune은 이미 시리즈 A 투자 유치까지 진행한 상태였다 [30:50]

16. 독립 경영과 인재 선택의 기준은 금전보다 사명감이다

• 푸디와 공동창업자들은 큰 현금을 받고 일을 그만둘 기회보다 중요한 문제를 해결하는 일을 우선한다. 지금의 시장과 팀에서 일할 기회를 다시 얻을 수 있을지 알 수 없다는 점도 독립을 유지하는 이유다 [32:16]
• Scale에서는 Alex와 핵심 인력이 Meta로 이동하고 나머지 인력 상당수가 남았으며, 사업 대부분이 Meta 중심으로 전환됐다. 푸디는 Mercor가 그런 형태의 거래를 할 것 같지는 않다고 선을 긋는다 [32:46]

17. Harvey 협업은 법률 전문성을 학습 가능한 데이터로 바꾸는 작업이다

• Mercor는 세부 법률 분야의 전문가를 확보하고, 이들이 고품질 데이터를 만들도록 관리 절차와 데이터 형식을 설계한다. 공개 법률 벤치마크인 Apex와 Apex Agents도 Harvey가 관심을 가진 작업이다 [35:53]
• Harvey는 로펌이 중요하게 여기는 업무의 분류와 범위를 이해한다는 강점이 있다. 이를 통해 범용 AI 연구소가 충분히 다루지 못하는 법률 업무까지 데이터와 평가의 범위를 넓힐 수 있다 [36:10]

18. 애플리케이션 기업의 방어력은 브랜드와 데이터에서 나온다

• 데이터 기업을 제외하면 유의미한 매출 규모를 가진 AI 기업은 프런티어 연구소, 추론 제공업체, 애플리케이션 기업으로 나뉜다. GPU 공급과 소프트웨어 개발이 범용화되면서 각 사업의 상당 부분도 차별성을 잃을 수 있다 [37:49]
• 애플리케이션 기업의 지속 가능한 경쟁우위로는 브랜드와 데이터가 꼽힌다. Harvey의 브랜드처럼 고객에게 인정받는 위치가 첫 번째 자산이다 [38:07]

19. 연구소는 규모의 경제, 추론 업체는 모델 맞춤화로 경쟁한다

• 프런티어 연구소는 유통력과 매출이 클수록 연산·데이터·강화학습 환경에 더 투자할 수 있다. 기존 모델이 다음 모델의 개선을 돕는 효과도 있지만, 푸디는 이를 수직적인 도약보다 점진적으로 속도를 높이는 요인으로 본다 [39:37]
• 추론 업체에는 고객별 맞춤 모델을 구축하는 능력이 중요하다. GPU 재판매의 전환 비용은 사실상 없으며, GPU 가치가 50% 오르는 동안 얻는 좋은 마진만으로 지속성을 보장하기는 어렵다는 판단이다 [40:08]

20. API 전환 비용이 낮으면 매출의 지속성도 약해질 수 있다

• 푸디는 API 사업의 낮은 전환 비용 때문에 투자자들이 매출의 질을 과대평가하는 경우가 있다고 본다. 회사 규모가 커지는 것과 고객 매출이 안정적으로 유지되는 것은 별개의 문제다 [40:59]
• Mercor는 내부 평가에서 가장 좋은 성능을 내는 모델에 따라 API를 매일 바꾸기도 한다. 추론 비용이 커지고 운영이 성숙한 기업들 역시 이런 선택을 하게 될 것이라는 전망이다 [41:27]

21. 전문가 효율 향상이 데이터 수요 감소로 이어지지는 않는다

• 일부 투자자는 수년 안에 초지능이 등장하면 사람이 평가와 학습 데이터를 만들 필요가 없어질 것으로 예상했다. Mercor의 시드 투자 당시에도 몇 년 안에 시장이 사라질 것이라는 시각이 있었다 [42:29]
• 푸디는 전문가가 모델을 개선하는 효율이 3배·5배·10배 높아질수록 오히려 모델 개선 인력의 수요가 크게 늘었다고 본다. 이를 제번스의 역설과 노동량이 고정돼 있다는 오류에 연결한다 [42:54]

22. 기업의 자체 모델과 데이터 주권이 경쟁우위를 지키는 수단이 된다

• 향후 10년 동안 모든 Fortune 500 기업이 자체 데이터와 고객 업무를 중심으로 AI 연구소처럼 움직일 것이라는 전망이다. 직원과 계약 인력이 평가·학습 과제를 만들면서 회사의 지식을 모델에 담는 변화가 예상된다 [44:34]
• 푸디는 Anthropic과 OpenAI가 각각 10조 달러 이상의 기업이 될 가능성을 인정하면서도, 최첨단 지능에 접근하는 유일한 통로가 되어서는 안 된다고 본다. 다른 기업들도 자체 경쟁우위를 담은 모델을 훈련할 수 있어야 한다는 주장이다 [45:33]

23. 추론 지출 규모에 따라 평가와 후속 학습의 경제성이 달라진다

• Mercor의 관찰상 추론 지출이 1,000만 달러 미만인 기업은 대체로 활용 방식을 탐색하는 단계여서 평가나 최적화에 대한 관심이 크지 않다 [46:48]
• 추론 지출이 1,000만~1억 달러에 이르면 예산의 약 10%를 평가에 투입해 어떤 모델로 업무를 보낼지 판단할 데이터셋을 구축해야 한다는 기준을 제시한다. Mercor 자체 추론 지출도 하루 거의 100만 달러에 이른다 [47:17]

24. 기업 AI 학습은 문서 축적보다 평가 가능한 과제 설계에서 시작한다

• 푸디는 최첨단 모델 학습의 연산 대부분이 문서를 읽거나 입출력 예시를 배우는 방식보다 강화학습으로 이동했다고 보여준다. 모델이 문제를 여러 번 시도하고 채점 기준에 따라 점수를 받으므로, 해당 분야 전문가가 과제와 평가 기준을 만들어야 한다 [49:12]
• 자체 모델을 훈련하는 기업은 명확한 평가 점수를 산출하는 과제를 먼저 구축해야 한다. 평가를 신뢰할 수 있게 된 뒤 중요한 업무 범위로 과제를 확대하고 성능을 개선하는 순서가 권고된다 [49:29]

25. 단기 상장보다 전통 기업의 AI 전환이 주요 성장 기회다

• 향후 12개월 안에 상장할 계획은 없지만, IPO 자체는 고려 대상이다. 푸디가 가장 기대하는 분야는 추론 지출이 커지면서 수요가 빠르게 형성되는 기업 시장이다 [50:45]
• Fortune 50의 비기술 기업들도 자체 AI 역량의 중요성을 인식하기 시작했다. 프런티어 모델 기업이 기존 산업으로 진입하면서 일부 기업이 느끼는 생존 위협이 AI 활용과 배포 방식의 전환을 촉진할 것이라는 전망이다 [51:16]

26. 조직 확장은 리더에 대한 신뢰와 업무 집중에 달려 있다

• 푸디는 대체로 오전 9시부터 오후 10시까지 사무실에서 일하며, 시간을 채용·고객·연구 및 제품에 약 3분의 1씩 배분한다. 이런 일정을 주 6일 반복하고 일요일에는 집에서 일한다 [52:19]
• 모든 사안이 CEO에게 올라오는 구조로는 조직을 확장하기 어렵다. 구성원이 리더와 임원을 신뢰하도록 강한 리더십 팀을 만들고, 메시지 대응의 범위를 조절하며 에이전트로 효율을 높이는 것이 중요하다 [53:41]

🧾 결론

• Mercor를 이해하는 핵심은 전문가 확보부터 과제·평가 설계까지 연결하는 강화학습 환경 제작 역량이다.
• 장기 성장 논리는 인간의 전문성이 모델 개선에 계속 기여하고, 기업들이 자체 업무에 맞는 평가와 학습을 확대한다는 전제에 달려 있다.
• 푸디가 제시하는 실행 순서는 명확하다. 평가 가능한 과제를 만들고, 현재 성능을 측정한 뒤, 중요한 업무로 범위를 넓히며 학습 효과를 검증한다.

📈 투자·시사 포인트

• 제목의 기업가치와 자금 조달 규모를 사업 성과와 연결하려면 매출·수익성·고객 유지율을 추가로 확인해야 한다. 전문가 지급액은 매출이나 이익과 구분해 읽어야 한다.
• 전문가 네트워크의 규모가 실제 경쟁력으로 이어지는지는 데이터 품질, 전문가 활용도, 고객 만족도와 모델 개선 효과로 판단필요가 있다.
• API 전환 비용이 낮다는 푸디의 지적은 매출 규모와 매출 지속성을 따로 살펴야 한다는 시사점을 준다. 추론 업체의 맞춤 모델 역량과 전환 비용 형성 여부가 관찰 대상이다.
• 기업의 추론 사용량이 늘면 평가·후속 학습 시장도 커질 수 있다. 다만 자체 모델의 비용 대비 효과와 내부 지식 보호 요구가 실제 구매로 이어지는지 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 7억 5,000만 달러 조달과 200억 달러 기업가치는 제목에 제시돼 있다. 본문에는 투자 시점, 투자자, 거래 조건, 기업가치 산정 기준이 없어 별도 확인이 필요하다.
• 성장 배수, 전문가 지급액, 생산성 개선 폭은 인터뷰에서 제시된 수치다. 지급액을 매출로 해석할 수 없으며, 생산성 개선을 측정한 기준과 독립 검증 자료도 제공되지 않았다.
• 전문가 효율 향상이 수요를 늘린다는 설명과 인간 피드백 시장이 장기간 지속된다는 전망은 푸디의 관점이다. 모델의 자기 평가 능력과 자동 데이터 생성 기술이 발전할 때의 영향은 확정할 수 없다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 자금 조달의 발표 시점, 투자자, 거래 조건과 기업가치 기준을 확인한다.
• 검토할 업무 하나를 골라 지시문, 필요한 도구·자료, 채점 기준을 갖춘 평가 과제를 만든다.
• 동일한 과제로 후보 모델의 품질과 추론 비용을 비교하고, 후속 학습 전 기준선을 기록한다.
• 전문가 투입 시간과 비용, 데이터 품질, 실제 모델 개선 효과를 함께 측정해 생산성 주장을 검증한다.

❓ 열린 질문

• 모델의 자기 평가와 합성 데이터 역량이 높아져도 인간 전문가의 비교우위는 어떤 업무에서 얼마나 오래 유지될까?
• Mercor의 전문가 네트워크와 강화학습 환경 제작 역량은 고객 유지율과 수익성으로 얼마나 연결되고 있을까?
• 기업이 외부 모델 API 활용에서 자체 후속 학습으로 이동하는 실제 비용·성능의 분기점은 어디일까?