Das drei Jahre alte Startup Mercor hat sich zu einem Vermittler mit einer Bewertung von 10 Milliarden US‑Dollar in der „Daten-Goldgräberstimmung“ der KI entwickelt.
Statt anonyme Crowdworker zu beschäftigen, verbinden Unternehmen wie OpenAI und Anthropic sich über Mercor mit ehemaligen Mitarbeiterinnen und Mitarbeitern von Goldman Sachs, McKinsey und renommierten Kanzleien. Diese verdienen bis zu 200 US‑Dollar pro Stunde dafür, ihr Fachwissen zu teilen und KI-Modelle zu trainieren, die eines Tages Teile ihrer früheren Jobs automatisieren könnten.
Im TechCrunch-Podcast Equity, aufgezeichnet auf der Konferenz Disrupt, erklärt Mercor-CEO Brendan Foody, warum KI-Labore auf hochqualifizierte Auftragnehmer setzen, wie Probleme bei Scale AI Mercor Rückenwind gaben und weshalb er glaubt, dass ein Großteil der Wissensarbeit zu Trainingsdaten für KI-Agenten wird.
Vom AWS-Credit-Consulting zur 10-Milliarden-Bewertung
Foody beschreibt im Gespräch seinen Werdegang: Schon in der Schule beriet er zu AWS-Credits. Heute steht er an der Spitze eines Unternehmens, das Investoren mit 10 Milliarden US‑Dollar bewerten.
Seine Kernthese: Je leistungsfähiger Modelle werden, desto knapper wird nicht Rechenleistung, sondern spezialisiertes menschliches Wissen. Mercor positioniert sich als Marktplatz, über den dieses Wissen strukturiert an KI-Labore verkauft wird.
Warum KI-Labore Experten statt Crowdworker wollen
Foody führt aus, weshalb KI-Labore sich von klassischen, stark fragmentierten Crowd-Plattformen abwenden und gezielt auf kleine Gruppen hochqualifizierter Fachkräfte setzen.
Nach seinen Beobachtungen zeigt sich eine klare Power-Law-Dynamik: Die besten 10–20 % der Auftragnehmer liefern den Großteil der Modellverbesserungen. Es handelt sich um Fachleute, die zuvor bereits an der Spitze von Branchen wie Finanzen, Beratung und Recht gearbeitet haben. Ihre Urteilsfähigkeit fließt direkt in die Trainingsdaten ein.
Damit verschiebt sich auch, wer im KI-Ökosystem überhaupt bezahlt wird. Anstelle schlecht bezahlter Mikrojobs entstehen hochdotierte Remote-Rollen, deren Stundensätze mit Top-Beratungen konkurrieren.
Wie Scale AIs Probleme Mercor beschleunigten
Ein weiterer Schwerpunkt des Gesprächs ist die Frage, welche Rolle die Schwierigkeiten von Scale AI für Mercors Aufstieg gespielt haben.
Foody beschreibt, dass diese Probleme große KI-Labore dazu brachten, nach Alternativen zu suchen. Mercors Angebot – weniger Annotatoren, mehr Expertise, bessere Ergebnisse – traf auf eine Phase, in der viele Akteure ihre Datenstrategie ohnehin neu dachten.
Das Ergebnis: Ein Startup, das erst seit drei Jahren existiert, steht plötzlich im Zentrum milliardenschwerer Trainingsprojekte.
Wissensarbeit zwischen Erfahrung und Betriebsgeheimnis
Besonders heikel ist die Grauzone zwischen individueller Berufserfahrung und vertraulichen Unternehmensinformationen.
Die Auftragnehmer, mit denen Mercor arbeitet, sind ehemalige Angestellte von Häusern wie Goldman Sachs und McKinsey. Sie werden dafür bezahlt, ihr implizites Wissen zu „externalisieren“: Wie wird ein Deal strukturiert? Wie sieht eine überzeugende Mandanten-Notiz aus? Wie bewertet man regulatorische Risiken?
Wo endet persönliche Expertise und wo beginnt das Verraten von Geschäftsgeheimnissen? Und müssen Konzerne sich sorgen, dass ehemalige Mitarbeitende KI-Agenten beibringen, wie man ihre Arbeit nachahmt?
Foody und das Equity-Team diskutieren diese Fragen ohne einfache Lösungen. Die Anreize sind klar: Auftragnehmer wollen ihr Know-how monetarisieren, KI-Labore streben nach möglichst hochwertigen Trainingsdaten. Rechtliche und ethische Leitplanken entstehen erst.
Wenn jede Wissensarbeit zu Trainingsdaten wird
Foody vertritt die Ansicht, dass langfristig nahezu jede Form von Wissensarbeit in Trainingsdaten für KI-Agenten mündet.
Präsentationen, Finanzmodelle, Memos, Strategiepapiere – alles, was Knowledge Worker produzieren, wird potenziell zu Input für Systeme, die genau diese Arbeit teilweise automatisieren oder unterstützen sollen.
Falls diese Prognose eintritt, geht es nicht nur darum, dass Unternehmen „auch KI nutzen“. Die Ökonomie würde sich vielmehr darauf ausrichten, KI-Systeme fortlaufend zu füttern und zu verbessern. Mercors Auftragnehmer sind ein frühes, gut bezahltes Segment dieser Entwicklung, doch das Grundprinzip reicht weit über Finanzen und Beratung hinaus.
Wer am Ende den größten Teil des Werts aus all diesem Wissen abschöpft – die Plattformen, die Labore oder die Fachkräfte selbst – bleibt offen.
Die vollständige Equity-Episode vertieft unter anderem, wie Mercor die besten 10–20 % der Auftragnehmer identifiziert und was das für den globalen Arbeitsmarkt in der KI-Ära bedeutet.
