Mercor: $6.25M в месяц на ИИ-подборе разработчиков для AI-лабораторий — кейс Брендона Фуди

Mercor — ИИ-платформа подбора разработчиков для AI-лабораторий и tech-компаний. Кандидат проходит 20-минутное интервью с ИИ, платформа автоматически матчит его с подходящими проектами. $6.25M выручки в месяц ($70M+ ARR), запущена в 2023 году тремя друзьями-дебатёрами, оценка $2 миллиарда.

Главное в кейсе — Mercor выросла с $0 до $70M ARR за 24 месяца в категории, которую считали «решённой» (рекрутинг). И они сделали это в правильный момент — когда AI-лаборатории отчаянно нуждались в специализированных кадрах.

Кто такой Брендон Фуди

Брендон Фуди, Адарш Хиремат и Сурья Мидха — бывшие одноклассники и дебат-партнёры из школы. Двое бросили Гарвард, один — Джорджтаун. Все трое — Thiel Fellows (программа Питера Тиля для founders-без-диплома). Изначально из Индии, фокус — глобальный талант.

Какую проблему решает Mercor

AI-лаборатории (OpenAI, Anthropic, xAI, Mistral) и быстрорастущие tech-компании сталкиваются с одной острой болью: нужны специалисты редкого профиля прямо сейчас. Классический рекрутинг даёт цикл в недели-месяцы, при этом большинство кандидатов отсеиваются впустую — нет инструмента для быстрой объективной оценки специфических навыков.

Mercor закрывает разрыв: кандидат записывает 20-минутное видео-интервью, ИИ оценивает технические навыки и стиль рассуждения, платформа сразу матчит с подходящими ролями в AI-лабораториях. Компания получает готовый shortlist за дни, а не недели.

Как родилась идея

Сначала команда строила обычное dev-агентство, связывая фрилансеров из Индии с проектами, требующими кодинга. В процессе увидели системную неэффективность: 80% времени уходило на ручную оценку кандидатов и матчинг с проектами.

Параллельно бум AI: OpenAI, Anthropic и другие лаборатории не успевали нанимать. Команда увидела возможность — автоматизировать первичную оценку через LLM и сразу выйти на горячий рынок AI-найма. Гипотеза подтвердилась первыми сделками: первый платящий клиент пришёл за дни.

Как собрал

Команда начала с dev-shop модели: матчили вручную, чтобы понять реальный спрос. Когда увидели объём — начали автоматизировать assessment-слой. Использовали стандартные LLM от OpenAI, обогащённые собственными данными по проведённым интервью.

Архитектура: видео-интервью → транскрипт → ИИ-оценка по нескольким измерениям (технические, коммуникация, fit) → автоматический матчинг с открытыми ролями. Несколько месяцев итераций — и продукт ушёл в production.

Стек:

Слой	Инструмент
ИИ-оценка	OpenAI API + custom prompts
Видео-интервью	Собственная разработка
Матчинг	Proprietary algorithm + LLM

Стартовые расходы: ~$3K. Параллельно с разработкой основатели поднимали раунды:

• Series A $30M (Sept 2024, Benchmark) — оценка $250M
• Series B $75M (Felicis) — оценка $2B
• Доп. $100M — Felicis lead, оценка $2B
• Всего привлечено ~$205M

Стратегия роста

Партнёрство с AI-лабораториями

Главный канал Mercor — прямые партнёрства с топовыми AI-лабораториями, включая OpenAI. Mercor поставляет специалистов в проекты этих лабораторий, что создаёт двойной флайвил: лучшие AI-разработчики хотят попасть к OpenAI → они идут на Mercor → у OpenAI всегда есть свежий пайплайн → они продолжают платить.

Почему сработало: имя «OpenAI как клиент» открывает двери ко всем остальным AI-компаниям. Это самый эффективный маркетинг в технологическом B2B.

ИИ-автоматизация всего процесса

Mercor устранил ручную работу из рекрутинга: кандидат прошёл интервью → ИИ оценил → автоматический матчинг. Это даёт порядковое преимущество в скорости перед классическими рекрутинговыми агентствами и платформами вроде Toptal.

Почему сработало: AI-лаборатории спешат и платят за скорость. ИИ-оценка снимает bias и убирает «друзей-друзей» — выбор основан на performance в интервью.

Founder-branding (Thiel Fellows)

Все три основателя — публичные фигуры в tech-сообществе: Thiel Fellows, выступления на конференциях, активные в Twitter/X. Это открывает доступ к инвесторам и клиентам, которые иначе не разговаривали бы со стартапом-эйрейс-стейдж.

Почему сработало: в Silicon Valley личный бренд основателя = главный sales-инструмент на ранней стадии. Mercor использовал свою публичность для warm intros в Benchmark и Felicis.

Культура «9-9-6»

Команда работает в формате 9-9-6 (с 9 утра до 9 вечера, 6 дней в неделю) — стиль, заимствованный у китайских технологических компаний. Это позволяет итерироваться на скоростях, недоступных конкурентам.

Quality through feedback loop

После размещения Mercor продолжает собирать данные о performance кандидата на проекте. Эти данные дообучают ИИ-оценку: модель учится понимать, какие маркеры в интервью реально предсказывают успех в проекте. С каждым новым placement-ом модель становится точнее.

Pricing

• >30% service fee от компенсации специалиста, case-based
• Чем уникальнее специалист, тем выше комиссия
• Контракты с крупными AI-лабораториями — индивидуально

Маркетплейс-модель: Mercor берёт процент с каждого размещения. С учётом зарплат AI-инженеров ($300K-$500K+) комиссия в 30% — это $90K-$150K с одного placement.

5 уроков из кейса

1. Правильное время > правильная идея. Mercor запустился в 2023-м, когда AI-лаборатории отчаянно нуждались в кадрах и были готовы платить. Та же платформа в 2019-м не нашла бы PMF. Тайминг рынка важнее уникальности продукта.
2. ИИ-автоматизация human-процессов работает. Классический рекрутинг = ручная работа. ИИ-интервью + автомат-матчинг = порядковая разница в скорости. Везде, где есть ручной процесс с высокой ценой минуты — есть место для ИИ-агента, который автоматизирует первичную работу.
3. Имя в портфолио клиентов открывает двери. «Наш клиент OpenAI» — это сильнее любого case-study. В B2B стартапе первая большая сделка > первая сотня средних для дальнейших продаж.
4. Личный бренд основателя ускоряет сделки. Брендон, Адарш и Сурья — публичные фигуры в Twitter/X. Это даёт warm intros, инвесторов и клиентов без классической sales-машины.
5. Marketplace-модель с пропорциональной комиссией масштабируется автоматически. Стартап не несёт фиксированных затрат на каждого специалиста — он зарабатывает только когда происходит placement. Это лучшая юнит-экономика для платформы матчинга.

Главная мысль: в эпоху AI-бума выигрывает не лаборатория, а сервис, который её обслуживает. Mercor не делает свои модели и не конкурирует с OpenAI. Он зарабатывает на том, что подбирает кадры всем лабораториям сразу, — и за 24 месяца стал бизнесом ценой $2 миллиарда.