2026年11月10日、AI人材・評価基盤を展開するMercorが、評価額200億ドルで7億5,000万ドルのシリーズD資金調達を発表した。投資家にはBenchmarkやGeneral Catalystといった名門VCに加え、NVIDIA、Salesforce、Zoomなど巨大テック企業が名を連ねる。2025年秋のシリーズC（評価額100億ドル）からわずか1年で企業価値を倍増させた計算だ。
なぜこれほど巨額の資本が、モデル開発元（ラボ）ではなく「専門家の知能組織化と評価基盤」を担う企業へと集中するのか。オフィシャルのリリースを深掘りしていくと、LLM開発の開発競争の重心が「事前学習の計算資源競争」から「実務環境への適応（ポストトレーニング・評価基盤）」へと不可逆的にシフトした現実が浮き彫りになる。
ニュースリリースの要点：数字で見るMercorの急成長
今回発表された主要ファクトは以下の通りだ。
- 調達規模: 評価額200億ドルで7億5,000万ドルを調達（従業員向けテンダーオファーを含む）。
- 戦略的引受先: Benchmark、General Catalyst、NVIDIA、Salesforce、Zoom、XTX Ventures、Apollo関連ファンドなど、インフラから業務SaaSまでの主要プレイヤーが参画。
- 専門家ネットワーク: 医師、弁護士、エンジニアなど500万人を超える専門家が登録し、実務モデルの評価や強化学習（RL）用データの作成に従事。
- 象徴的な社内メトリクス: 社内の推論コスト（Inference spend）が従業員給与の3倍に達し、業務改善効果によってROIが完全に成立。
- 拠点の拡大: サンフランシスコ本社に加え、顧客企業や研究機関が集まるニューヨークおよびロンドンに拠点を新設。
Mercorのコアバリュー：AIが真似できない「専門家の判断力」を束ねるエコシステム
Mercorは2023年、Thiel Fellow選出のBrendan Foody、Adarsh Hiremath、Surya Midhaの3名によって創業された。そのコア事業は、単なる人材派遣や単純なアノテーション受託ではない。
- 専門職ネットワークプラットフォーム: 500万人規模の専門家を束ね、フロンティアモデルが実務タスクを遂行するための「ルーブリック（採点基準）」を作成。
- AI協調型データ基盤（Studio）: AIコパイロットとエージェント型の品質管理を組み込み、専門家によるデータ作成効率を高める作業環境。
- 実務特化ベンチマーク（APEX）: 会計（APEX-Accounting）やソフトウェア開発（APEX-SWE）など、職種別の実務遂行能力を測る評価基盤を提供。
ビジネスモデル：専門家ネットワークとSaaSシミュレータの垂直統合
Mercorの収益構造は、高度専門職マーケットプレイスに「ポストトレーニング基盤」と「シミュレーション実行環境」を組み合わせた成果連動型のスプレッドモデルだ。
フロンティアラボやFortune 500企業から「モデル評価・事後学習プロジェクト」の総契約額（Gross Billings）を受け取り、プラットフォーム上で稼働する専門家へ報酬（Payout）を支払う。その差額（テイクレート）が同社の売上となる。
単純な画像ラベリングとは異なり、医師や弁護士による高度な推論検証を扱うため、顧客請求単価・専門家への支払単価はともに高い。また、候補者のスクリーニングを自社のAI面接パイプラインで自動化することで、固定的な人件費を抑えながら短期間で500万人規模のプールを構築した。
資金調達成功の背景：AIスタックの「真のボトルネック」を先回り
200億ドルという評価額を支えるのは、市場の急成長と先回りした買収戦略だ。
第一に、急激なトップライン拡大がある。開示情報によると、年換算収益は急伸して年換算20億〜30億ドル規模に達し、専門家への日次支払額も数百〜1,000万ドル規模で推移している。
第二に、顧客層の拡大だ。これまでAIデータ企業の主な買い手はOpenAIなどのモデル開発元だったが、Mercorは「オープンモデルを活用して自社専用エージェントを構築したい一般エンタープライズ」へと顧客基盤を広げた。
第三に、2026年夏（7月発表）のDeeptune買収だ。エージェントを業務で機能させるには、モデルが実際にツールを動かして試行錯誤できる「練習環境」が欠かせない。Mercorは数百種類の業務SaaSを模倣再現するDeeptuneを統合し、データ（人間）と環境（ソフトウェア）の両輪を押さえた。
競合比較：Scale AIとのアプローチの違い
データ収集・評価領域で先行してきたScale AIとMercorを比較すると、戦略の違いが明確になる。
| 比較項目 | Mercor | Scale AI |
| 注力領域 | 専門職ワークフローの再現・エージェント強化学習環境 | 基盤モデル向けデータセット作成・政府/防衛向けAI基盤 |
| 学習・評価手法 | 環境ベースの強化学習（RL）（SaaSシミュレータ内でのインタラクティブ試行） | データセット主導のSFT / RLHF（アノテーターによる収集・ランキング） |
| 環境（Gym）の保有 | 自社保有（Deeptune買収）数百の業務SaaS（Salesforce等）の再現環境 | パートナー連携 / 顧客環境依存（静的データ主導） |
| ベンチマーク | APEX（実務業務・ツール操作に特化した独自指標） | SEAL Leaderboards（汎用推論・コーディング指標） |
| 専門家網 | 500万人規模の高度専門職 | グローバルな分散ワーカー ＋ 専門家 |
なぜモデルは現場で動かないのか：公式が定義する「環境の3要素」
試験問題（MMLUなど）で満点を取る最新モデルでも、実際の現場に投入すると新入社員がこなす初歩的なタスクで立ち往生してしまう。Mercorは、現場で動くエージェントを育てるには以下の「3つの要素」が揃ったトレーニング環境が不可欠だと定義している。
- ソフトウェア層（The software where the work takes place）: スプレッドシートやCRMなど、実務で日常的に使われる業務アプリケーション環境。
- タスク層（The tasks that define what the agent must accomplish）: 「例外が発生したときにどう迂回するか」を含めた、実務に即した具体的な業務シナリオ。
- 検証者層（The verifiers that determine whether it succeeded）: 専門家の暗黙知を落とし込み、エージェントの操作が正しかったかを判定して報酬シグナルを与える判定ルーブリック。
どれほど賢い基盤モデルであっても、この3つが揃った環境で反復練習（強化学習）を積まなければ、企業の複雑な実務に耐えうるエージェントには育たない。
「推論費が給与の3倍」が示すシステム設計の未来
今回の発表で最も技術的示唆に富むのが、「Mercor社内では推論コストが人件費の3倍に達しており、それが生産性向上でペイしている」という事実だ。
これは、モデルに一問一答で即答させる時代が終わり、推論時に自己検証ループを回し、複数の解決策を探索・実行する「推論時検証（Test-time Compute）」が実用段階に入ったことを意味している。
インフラエンジニアにとっても、最も注力すべき領域はモデルの学習基盤から、高スループット・低レイテンシでエージェントを並列実行するための推論エンジン最適化やコンテナオーケストレーションへと移りつつある。
日本企業・エンジニアへの示唆
経済産業省の「GENIAC」やデジタル庁のガイドラインでも指摘されている通り、日本国内における最大のボトルネックは「日本語かつ日本固有の商習慣に対応した高品質な実務評価データ（Eval）の不足」にある。
米国の先行事例が示すように、これからの企業競争力は「自社の業務ノウハウや承認ルールを、いかにプログラムで検証可能なルーブリック（Verifier）として落とし込めるか」にかかっている。プロンプトの微調整に終始するのではなく、実務を模したサンドボックス環境と自動評価パイプラインをCI/CDへ組み込む「Eval主導開発」への移行が、国内エンジニアにも強く求められている。
参考リンク
- https://www.mercor.com/blog/series-d/
- https://www.prnewswire.com/news-releases/mercor-raises-30m-series-a-at-a-250m-valuation-to-create-jobs-with-ai-302252449.html
- https://www.mercor.com/blog/mercor-to-acquire-deeptune/
- https://www.mercor.com/research
- https://scale.com/
- https://www.meti.go.jp/policy/mono_info_service/geniac/index.html
