Фінансування

Mercor залучила $750 млн у раунді Series D за оцінки компанії у $20 млрд, щоб розширити навчання ШІ

mm
Додайте Unite.AI до бажаних джерел у Google

10 листопада 2026 року Mercor оголосила про залучення $750 млн у раунді Series D, оцінивши компанію, що спеціалізується на навчанні ШІ, у $20 млрд. Фінансування передбачало пропозицію викупу акцій у працівників, а також участь NVIDIA, Salesforce, Zoom та інших інвесторів.

У раунді також взяли участь Benchmark, Felicis, Fundomo, фонди під управлінням афілійованих структур Apollo, G Squared, General Catalyst, Glade Brook Capital, Sapphire Ventures, StepStone Group і XTX Ventures. Фінансування прискорить розвиток інфраструктури та досліджень у сфері оцінювання моделей і їхнього донавчання — додаткового навчання вже наявної моделі, — а також сприятиме створенню більшої кількості середовищ, у яких агенти зможуть опановувати складні робочі процеси. У 2026 році Mercor також відкрила офіси в Нью-Йорку та Лондоні, розширивши присутність за межі Сан-Франциско, щоб бути ближче до корпоративних клієнтів і лабораторій, а також наймати працівників.

Оцінювання для підприємств і навчання за участю експертів

Протягом останніх двох років Mercor створювала інфраструктуру для навчання й оцінювання передових моделей на основі реальних робочих завдань із використанням людської експертизи. Тепер компанія поширює ці можливості на підприємства: оцінювання має визначити, що можуть робити агенти, скільки це коштує і як можна підвищити їхню продуктивність. Для індивідуального оцінювання використовують реальні робочі процеси роботодавця, щоб перевірити моделі на відповідність вимогам компанії та з’ясувати, де їм можуть допомогти додаткове навчання або практика в реалістичних середовищах.

За даними Mercor, її мережа налічує понад п’ять мільйонів експертів, яким платять за навчання передових моделей ШІ. У США є понад 800 окремих професій із робочими процесами, за якими моделі ще не оцінювали. План роботи з підприємствами починається з дієздатної відкритої моделі: спершу створюють публічні оцінювання, а потім за допомогою донавчання знижують витрати, перш ніж навчати моделі для клієнтів.

Такий підхід розрізняє знання про те, як зазвичай виконують певне завдання, і розуміння того, як конкретний роботодавець виконує його у своїх системах, відповідно до власних політик і стандартів якості. За словами Mercor, для донавчання потрібна лише частина ресурсів, необхідних для розроблення передових моделей. У роботі компанії з лабораторіями передових моделей і підприємствами використовуються та сама мережа експертів, методи оцінювання й інфраструктура для донавчання, тож досвід, отриманий у кожному з цих напрямів, може бути корисним для іншого.

Роль Deeptune у навчанні агентів

На початку 2026 року Mercor придбала Deeptune — компанію, що створює середовища для навчання з підкріпленням. В оголошенні від 9 липня 2026 року йшлося про заплановане придбання та про те, що Deeptune протягом двох років відтворювала сотні корпоративних застосунків — від електронних таблиць до Salesforce — для середовищ навчання агентів. У цих середовищах агенти можуть практикуватися виконувати професійні робочі процеси.

Кожне середовище складається з трьох компонентів: програмного забезпечення, у якому виконується робота; завдань, що визначають, чого має досягти агент; і засобів перевірки, які визначають, чи досяг він успіху. Експерти Mercor створюють завдання та засоби перевірки, які перетворюють людські оцінки на сигнали для навчання. В оголошенні за липень сказано, що система APEX вимірює продуктивність моделей під час виконання економічно цінних завдань у тисячах реальних робочих процесів, а Deeptune забезпечує програмний рівень, необхідний, щоб перетворити цю експертизу на навчальні середовища.

Внутрішні витрати на ШІ

За даними Mercor, витрати компанії на інференс — обчислення, необхідні для запуску моделей, — утричі перевищують витрати на зарплати працівників, і ці витрати окупаються, оскільки допомагають працівникам краще виконувати свою роботу.

Співзасновник і генеральний директор Brendan Foody сказав, що якщо це співвідношення збережеться в міру поширення ШІ в економіці, воно вказуватиме на темпи зростання валового внутрішнього продукту, ближчі до двозначних протягом наступних п’яти років, — майже утричі вищі за темпи, які він назвав звичними.

Фінансування підтримує єдину пропозицію для підприємств: створити середовище, залучити експертів і визначити, чи готовий агент до роботи. Для Mercor практичний критерій — надійна робота в межах власних робочих процесів клієнта, де загальних знань про виконання завдань недостатньо.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI