מרקור (Mercor) מספקת את המומחים שמאפשרים למודלים מתקדמים כמו ChatGPT להפוך ממכונות חישוב למערכות חכמות ואמינות. החברה שהוקמה לפני כשנתיים, צפויה לסגור בימים הקרובים סבב גיוס הון בסך 350 מיליון דולר, לפי שווי של 10 מיליארד דולר - קפיצה של פי חמישה מהשווי שלה בפברואר האחרון כשהיא הופכת להיות אחת מהחברות הפרטיות הגדולות בעולם. זוהי עדות לצמיחת השוק ואישור לכך שמרקור הפכה לחברה חיונית בשרשרת הערך של AI, וזו גם עדות לכך שהבינה המלאכותית זקוקה נואשות לבינה האנושית - מרקור מבוססת על רשת של עשרות אלפי מומחים אנושיים שמאמנים מודלים עבור ענקיות הטכנולוגיה. אם אתם רוצים עבודה צדדית כדאי לכם להיכנס לאתר שלה - יש שם מאות רבות של הצעות ולא מדובר רק ב"מומחי על" פרופסורים וכו', החברה צריכה תפקידים מגוונים כדי לאמת ולדייק את התשובות של הצ'אטים. השכר ל"מומחים" גבוה. 

החברה החלה כפלטפורמה פשוטה להשמה בעבודה מבוססת AI, והתפתחה במהירות למערכת מתוחכמת שמחברת בין מעבדות AI לבין אלפי קבלני משנה - מרופאים ועורכי דין ועד כימיאים ומתכנתים שמספקים משוב מדויק, עורכים תוכן ומדריכים את המערכות "לחשוב" כמו בני אדם. הביקוש לשירותיה זינק פי ארבעה בשנה האחרונה, בעיקר לאחר שהשקעה אסטרטגית של מטא בסקייל AI (Scale AI), מתחרה מרכזית, עוררה חששות לגבי ניטרליותה. לקוחות גדולים עברו למרקור, והחברה כעת על סף הכנסות שנתיות של 500 מיליון דולר.

מ-HR לבינה מלאכותית: מה הביא לפריצה

מרקור הוקמה ב-2023 על ידי שלושה צעירים בני 21, כולם נושרי קולג' ותלמידי תיכון לשעבר שהשתתפו בתוכנית Thiel Fellowship של פיטר תיל, שמעודדת יזמים צעירים לוותר על לימודים אקדמיים לטובת בניית חברות. המייסדים הם ברנדן פודי, מנכ"ל החברה, אדרש היירמת וסוריה מידה (Suriya Midha). פודי התבלט כבר בתיכון בתחרויות דיבור, והשילוב שלו עם שני השותפים יצר צוות טכנולוגי חזק. בתחילה, החברה התמקדה בשוק ההשמה: פלטפורמה מבוססת AI שמחברת בין מועמדים לעבודות, תוך שימוש באלגוריתמים שמנתחים קורות חיים ומתאימים פרופילים. זה היה רעיון טוב, אך לא יוצא דופן, עד שהגיעה ההזדמנות האמיתית.

בעקבות התעניינות מצד חברות AI מובילות בכוח האדם האיכותי של מרקור, המייסדים זיהו פוטנציאל גדול יותר. הם היו גמישים והשתנו במהירות, והפכו את הפלטפורמה למנגנון להכשרת מודלי AI באמצעות משוב אנושי.  ההצלחה שלהן נובעת מכך שהצ'אטים לא מושלמים וצריכים מומחים בתחומים שונים כדי לספק להם מידע, הבנה, יכולות. 

• ציטט את ChatGPT כהוכחה רפואית - מה פסק השופט?
• גוגל מאבדת 2% - OpenAI חשפה דפדפן חדש
• המלצת המערכת: כל הכותרות 24/7

כשמודלים כמו GPT-4 החלו להראות יכולות רבות אך גם חולשות כמו הזיות (hallucinations), הטיות ואי-עמידה בהנחיות, התברר שהנתונים האנושיים הם המפתח להתקדמות. מרקור בנתה רשת של כ-30,000 קבלני משנה, כולל מומחים בתחומים נישתיים, והפכה למגייסת שמתאימה בין פרויקטים לבין כישרונות ספציפיים. 

המהלך הזה הפך את מרקור לשחקן מוביל. בתוך חודשים ספורים, מרקור סגרה עסקאות עם מעבדות AI מובילות, והכנסותיה זינקו. כיום, החברה משלמת יותר מ-1.5 מיליון דולר ליום לקבלנים שלה, ומתכננת לבנות שוק גיוס AI אוטומטי שיאחד בין כישרונות אנושיים לעבודות AI, סוג של חזרה לשורשים, אך בגרסה מתקדמת יותר.

המודל הכלכלי: שילוב בין כוח אדם לתשתית תוכנה

אחד המפתחות להצלחת מרקור הוא המודל העסקי ההיברידי שלה: שילוב בין כוח אדם אנושי איכותי לבין תשתית תוכנה שמקלה על התהליכים. החברה גובה מלקוחותיה 30%-35% מדמי השירות, ומעבירה את שאר הסכום ישירות לקבלנים. התשלום לקבלנים משתנה בהתאם למומחיות: בין 70 ל-170 דולר לשעה, עם ממוצע של 85 דולר. רופאים שמעריכים תשובות רפואיות של AI עשויים להרוויח 100-150 דולר לשעה, בעוד מומחים לפוליטיקה או כימיה מקבלים 70-100 דולר. זהו שכר גבוה בהרבה מממוצע בשוק ההשמה, מה שמאפשר למרקור למשוך כישרונות עלית, כולל דוקטורים, עורכי דין ועיתונאים, שרואים בעבודה זו הזדמנות לתרום לעתיד הטכנולוגיה. ונדגיש - המומחים האלו בעצם בודקים תשובות של הצ'אט ועל ידי כך מכוונות אותו ומעדכנות אותו טוב יותר. 

• Onfire AI מגייסת סבב סיד של 20 מיליון דולר
• פיטורים במדטרוניק ולייטריקס: מהמרות על שינויים מבניים
• תוכן שיווקי שוק הסקנדרי בישראל: הציבור יכול כעת להשקיע ב-SpaceX של אילון מאסק
• מהאופציה ועד ההנפקה: ESOP מבית הפניקס ו-Slice Global משיקות...

המודל הזה יוצר מעגל חיובי: ככל שיותר מומחים מצטרפים, כך השירותים מדויקים יותר, מה שמושך לקוחות גדולים יותר. מרקור משתמשת באלגוריתמים כדי להתאים בין פרויקטים לבין קבלנים, תוך שמירה על פרטיות ואבטחה גבוהה. זה לא רק רווחי - זה גם אתי: הקבלנים הם עצמאיים, מקבלים תשלומים שבועיים, ואינם מחויבים לשעות קבועות. הביקוש גדל בקצב מהיר, בעיקר בתחומים כמו רפואה, משפטים ופיננסים, שבהם דיוק אנושי חיוני כדי למנוע טעויות חמורות במודלים.

בבסיס פעילותה של מרקור ניצבת הטכנולוגיה של "אדם-בתוך-הלולאה" (human-in-the-loop), שבה בני אדם משלימים ומשפרים את תהליכי האימון של מודלי AI. תהליך האימון של מודלי שפה גדולים (LLMs), כמו אלה שמאחורי ChatGPT, מתחלק לשלבים מרכזיים: אימון ראשוני (pre-training), אימון עדין מבוסס פיקוח (supervised fine-tuning, SFT), למידה מחוזקת ממשוב אנושי (reinforcement learning from human feedback, RLHF), והערכות (evals). מרקור מתמחה בשלבים האחרונים, שבהם הנתונים האנושיים הם הקריטיים ביותר.

בשלב ה-pre-training, המודל "לומד" לשון על ידי ניתוח כמויות רבות של טקסטים לא מובנים, ספרים, מאמרים, קוד ודפי אינטרנט, ומנסה לנבא את המילה הבאה במשפט. זהו תהליך חישובי רב, אך הוא מייצר מודלים "גולמיים" שמבינים מבנה שפה אך לא בהכרח משתמשים בו נכון. 

כאן נכנסת SFT: אימון ראשוני שבו זוגות קלט-פלט (prompt-response) מוכנסים למודל כדי ללמד אותו לבצע משימות ספציפיות. מומחי מרקור יוצרים זוגות כאלה, במיוחד "נתונים גבוליים" (frontier data), כאלה שמעבר ליכולות הנוכחיות של המודל, וכך מפרקים בעיות מורכבות או כתיבת סיפורים יצירתיים. ככה בעצם מייצרים בדיקה והרחבה למידע שהוא "בקצה" שהחומרים עליו במאגרי המידע שהצ'אטים משתמשים בהיקף נמוך או שאינם ברורים.

השלב המתקדם ביותר הוא RLHF, שפותח על ידי OpenAI. כאן, המודל מייצר כמה תגובות אפשריות לפרומפט אחד, וקבלני מרקור מדרגים אותן, למשל, בסולם 1-7 על בסיס עזרה, דיוק וסגנון. זה יוצר נתוני העדפה (preference data) שמאמנים "מודל תגמול" (reward model) שמדמה העדפות אנושיות. לאחר מכן, אלגוריתמים כמו proximal policy optimization (PPO) או direct preference optimization (DPO) מעדכנים את המודל הראשי, ומעודדים אותו להעדיף תגובות "טובות". RLHF פתר בעיות כמו הזיות והטיות - למשל, זיהוי הטיה שמרנית במודלים על ידי מומחים פרוגרסיביים והפך מודלים כמו GPT-3 ל-InstructGPT, שמבינים הנחיות. מרקור מספקת משוב מגוון: רופאים מדרגים תשובות רפואיות, עורכי דין בודקים ניתוחים משפטיים. זה מדרג ןזה מלמד את המודל "לחשוב" דרך שרשראות מחשבה (chain-of-thought), שבהן הוא מפרק בעיות מורכבות צעד אחר צעד. במילים פשוטות - היכולת להביא מומחים מדייקת את התשובות של הצ'אט ומרחיבה את הידע בתחום. היא הופכת את הצ'אט למומחה.

זה לא נגמר כאן. הצ'אטים הפכו לסוכנים וצריך לבנות סביבות שלמות של פעולות ותהליכים רציפים וזה דורש מומחים שלא רק יענו על תשובות אלא יגדירו תהליכים.  מרקור בונה סביבות RL (reinforcement learning environments) שמדמות משימות אמיתיות: למשל, סוכן AI שמתכנן נסיעה, שולח אימיילים או קונה מוצרים בסביבה וירטואלית.

למרות התקדמות הסינתטיים (נתונים שנוצרים על ידי AI עצמו, כמו RLAIF), בני אדם נשארים חיוניים. נתונים סינתטיים לא יכולים "לדחוף גבולות" – הם משמרים שגיאות והטיות מהמודל המקורי, בעוד משוב אנושי מביא פרספקטיבות חדשות, במיוחד בתחומים נישתיים או רב-מודליים (וידאו, אודיו). מרקור משלבת AI כדי לסנן נתונים, אבל האדם הוא זה שמבטיח איכות.

הצמיחה של מרקור לא עברה ללא אתגרים. בספטמבר 2025 תבעה סקייל AI את מרקור ואת עובד לשעבר, יוג'ין לינג, על גניבת סודות מסחריים. סקייל טענה שלינג הוריד למעלה מ-100 מסמכים סודיים כולל אסטרטגיות לקוחות לפני מעברו למרקור, ושמרקור ניסתה לגנוב לקוחות גדולים. מרקור הכחישה שימוש בנתונים, טענה שלינג לא השתמש בהם, והציעה להשמידם, אך סקייל המשיכה בתביעה. זו תביעה שמדגישה את התחרות העזה: סקייל, שקיבלה 14 מיליארד דולר ממטא, איבדה לקוחות למרקור בגלל חששות ניטרליות, מה שהאיץ את צמיחתה.