Mercor, ein KI-Startup, das Modellentwicklern Trainingsdaten, Evaluierungen und Post-Training-Arbeit liefert, hat am Dienstag bekannt gegeben, in einer Series D 750 Millionen Dollar eingesammelt zu haben; die Bewertung liegt bei 20 Milliarden Dollar. Laut sourcery.vc umfasste die Runde einen Employee Tender sowie die Beteiligung von Fonds, die von Apollo-Verbündeten verwaltet werden.

Die Bewertung fußt auf ungewöhnlichem Wachstum. Mercor gab an, in 27 Monaten auf einen Jahresumsatz von 3 Milliarden Dollar skaliert zu sein, und dass über fünf Millionen Experten über seine Plattform bezahlt werden. CEO Brendan Foody rahmte den Meilenstein öffentlich als schnellsten derartigen Aufstieg eines Softwareunternehmens.

Interessanter ist jedoch, was Mercor tatsächlich verkauft. Der Positionierung nahestehende Analysten argumentieren, Mercor sei kein Arbeitsmarktplatz — das Modell, mit dem es startete —, sondern ein Anbieter von Reinforcement-Learning-Umgebungen und Evals. Danach ist sein Produkt das Gerüst, das Frontier-Modelle lehrt und benotet: bewertete Aufgaben, menschliche Präferenzdaten und Testumgebungen, die entscheiden, ob ein Modell gut in Coding, Recherche oder Reasoning ist.

Diese Unterscheidung ist entscheidend für die Bewertung des Geschäfts. Verkauft Mercor Arbeit, sind die Erlöse Dienstleistungserlöse — linear, mitarbeitergebunden und leichter zu unterbieten. Verkauft es Evaluationsinfrastruktur und RL-Umgebungen, ähneln die Erlöse eher Software- und Datenlizenzierung, mit besseren Margen und dauerhafterer Bindung, da Labore ständig frische Benchmarks und Post-Training-Signale brauchen.

Auch die Struktur der Runde ist ein Signal. Ein Employee Tender lässt frühe Mitarbeiter einen Teil ihrer Anteile zum neuen Preis liquidieren, ohne auf einen Exit zu warten — eine Praxis des Privatmarkts, die zunimmt, während Bewertungen steigen und IPO-Fenster unsicher bleiben. Dass Apollo-nahe Fonds neben traditionellen Wagniskapitalgebern einsteigen, deutet darauf hin, dass institutionelles Kapital spätphasige KI-Infrastruktur als kreditähnlichen, cashflow-gestützten Vermögenswert und nicht als reine Wagniswette behandelt.

Mercors Herausforderung ist nun die jeder Daten- und Eval-Firma: den Modellen voraus zu bleiben. Wenn Frontier-Labore ihre eigenen synthetischen Trainingsdaten erzeugen und ihre Evaluierungen selbst entwerfen können, hängt der Wert eines externen Anbieters davon ab, etwas schwer Kopierbares zu bieten — menschliche Expertise, adversariales Aufgabendesign oder die Breite realer Umgebungen. Bei einer Bewertung von 20 Milliarden Dollar ist diese Frage nicht mehr akademisch.