Mercor CPOが語るAIのフロンティア：オープンモデル、エンタープライズROI、そして未来のデータ駆動型ビジネスの核心

AI技術の進化は、私たちのビジネス、働き方、そして社会そのものを根底から変革し続けています。特に生成AIの登場以来、その変革の速度は指数関数的に加速し、多くの企業が新たな機会と未曾有の課題に直面しています。この激動の時代において、最前線で事業を牽引するリーダーたちの声は、未来を読み解く上で極めて貴重な羅針盤となります。

今回、私たちはAIデータプラットフォームのリーディングカンパニーであるMercorのCPO（Chief Product Officer）、Oswald Nitski氏との対談から、AI業界の現在地と未来像について深く掘り下げた洞察を得ました。彼の語る内容は、オープンモデルとクローズドモデルの攻防、企業におけるAIのROI問題、プロダクトマネジメントの役割変革、そしてMercor自身のビジネスモデルが直面する挑戦と機会まで、多岐にわたります。本記事では、Oswald氏の専門的かつ実践的な視点を通じて、AIがもたらすビジネスインパクト、具体的な機能の進化、そして将来性を詳細かつ分かりやすく解説します。

1. オープンモデルの台頭とデータビジネスのフロンティア

AI業界を席巻するオープンソースモデルの動きは、多くの議論と期待を集めています。AnthropicのClaudeやOpenAIのGPTといったクローズドな「フロンティアモデル」から、LlamaやMixtralのようなオープンソースモデルへの「大移動」は現実のものとなるのでしょうか。そして、この変化はデータプロバイダーであるMercorのような企業のビジネスにどのような影響を与えるのでしょうか。

オープンモデルがビジネスを「食い荒らす」のか？：Mercorの視点

Oswald氏は、オープンソースモデルの進化がMercorのコアビジネスを「食い荒らす（cannibalize）」という見方に対して、明確な否を唱えます。彼の主張の根底にあるのは、「データはモデル性能のフロンティア（最先端）において最も価値が高い」という原則です。

オープンモデルは、AIの基本的な能力を底上げし、これまでフロンティアモデルでしか実現できなかったことの一部を、より広範なユーザーが利用できるようにします。これは、かつて専門的な知識とツールを必要としたタスクが、オープンソースのライブラリやフレームワークの登場によって民主化された歴史と似ています。Oswald氏はこれを「誰もがK3でもできるようなことには、誰もお金を払わない」と表現します。つまり、オープンモデルは「できること」の敷居を上げますが、Mercorの顧客が求めているのは、その敷居を越えた先にある、独自の、より高度な能力です。

Mercorの顧客は、それぞれ独自の目標を持ち、現在のモデル能力のギャップを埋めるために、評価用（eval）やトレーニング用のデータセットを購入しています。オープンモデルがどれだけ進化したとしても、顧客が「より良くしたい」と願う新しい能力がある限り、Mercorのビジネスは成長し続けるとOswald氏は見ています。彼らにとって、オープンモデルの進歩は、むしろ市場全体のパイを広げ、より高度なカスタマイズされたデータへの需要を刺激する好機と捉えられているのです。

エンタープライズワークフローにおけるオープンモデルの限界：潜在需要とロングホライゾンタスクの重要性

「エンタープライズワークフローの90%はオープンモデルで対応可能になる」という見解が一部で聞かれますが、Oswald氏はこの数字に懐疑的です。彼は、この試算が「既存の需要」や「現在のモデルユーザーが思いつくこと」に基づいている可能性が高いと指摘します。しかし、AIの真の可能性は、まだ誰も試みていない、あるいは想像すらしていない「潜在的な需要（latent demand）」の領域にこそあります。

Oswald氏が例として挙げるのは、「ロングホライゾンタスク（long horizon tasks）」、すなわち数ヶ月間にわたって自律的に機能する調達エージェントのようなものです。現在、ほとんどの企業は、AIモデルにこのような長期間にわたる複雑なタスクを任せることを試みていません。彼らはAIを、特定の、比較的短期間で完結するタスクの自動化ツールとして見ています。しかし、真のAIの価値は、人間では処理しきれない規模と複雑性を持つタスク、あるいは人間がこれまで着手できなかったタスクを自律的に実行することにあります。

Mercorは、この「まだ誰も試みていない」潜在需要、特にロングホライゾンタスクをサポートするためのデータ市場が成長していると見ています。企業リーダーたちは、これまで不可能だと思われていた新たな能力をAIに求めており、Mercorはそのニーズに応えるための高品質な評価・トレーニングデータを提供することで、市場のフロンティアを切り開いています。この視点は、AIの進化が単なる既存プロセスの効率化に留まらず、全く新しいビジネスモデルや働き方を生み出す可能性を示唆しています。

データ共有と企業セキュリティのパラドックス：オープンモデルと制御のバランス

Alex Karp（Palantir CEO）は、大規模企業がフロンティアモデルプロバイダーとのデータ共有に対して懐疑的であり、恐怖を抱いていると述べました。これに対しOswald氏は、その懸念が「ワークフローがビジネスにとってどれだけ核心的か」によって異なると分析します。

人事や調達といった一般的な業務は、企業にとって「コア」とは言えないため、プロプライエタリなモデルにデータを置くことへの抵抗は少ない傾向にあります。しかし、法律事務所が提供する具体的な法的サービスや、顧客へのアドバイスといった「ビジネスを差別化する中核的な業務」に関しては、企業は極めて高い機密性とセキュリティを求めるため、データ共有にはより慎重になります。

Oswald氏は、この点で興味深いパラドックスを指摘します。一般的にはクローズドなモデルの方が安全だと考えられがちですが、オープンソースモデルでも「どこで実行するか」が重要になります。オープンウェイトモデルの利点は、推論を複数の場所で実行できる点にあります。これにより、企業はより高度な制御権を持つことができ、自社のデータセンターやプライベートクラウド環境でモデルを実行することで、外部へのデータ流出リスクを最小限に抑えることが可能です。これは、機密データを守りつつ最先端のAI技術を活用したいと考える企業にとって、重要な選択肢となり得ます。

Mercorの「Apexベンチマーク」が示す現実：50%のロングホライゾンワークフローにおけるモデル性能

Oswald氏は、エンタープライズワークフローの90%がオープンモデルで処理できるという主張に対し、より現実的な数字としてMercorの「Apexベンチマーク」に言及します。このベンチマークによれば、現在のトップモデルがロングホライゾンワークフローにおいてスコアできるのは「約50%」に過ぎません。これは、まだAIがカバーできていない領域が非常に大きいことを示しています。

さらに彼は、ワークフローを二種類に分類することの限界を指摘します。一つは「充足度ベース」のワークフローで、CRMの更新のように「やれば終わり」で、それ以上改善の余地が少ないタスクです。もう一つは、法的議論や医療アドバイスのように「常に改善の余地がある」ワークフローです。このようなタスクでは、「モデルができるかできないか」という二元的な判断ではなく、「どれだけ改善できるか」「報酬がどこまでアンキャップド（上限なし）か」という連続的な視点が必要だとOswald氏は強調します。

この見方は、AIの応用が単なる自動化を超え、人間の能力を拡張し、継続的な価値創造を可能にする領域へとシフトしていることを示唆しています。Mercorのビジネスは、まさにこの「常に改善の余地がある」領域において、モデルの性能を最大化するための高品質なデータを供給することで、独自の価値を提供しているのです。

2. AIのROIと企業支出の新たな潮流

AIへの投資は、多くの企業にとって巨額なものとなりつつあります。しかし、その投資に見合うだけの明確なリターン（ROI）が得られているのか、あるいは今後得られるのかについては、依然として疑問符が投げかけられています。このセクションでは、企業がAIへの支出をどのように捉え、ROIをどのように評価すべきかについて、Oswald氏の洞察を探ります。

現在のAI ROI問題は「探索の時期」：許容と忍耐の必要性

Alex Karpは、企業がAIのROIに疑問を抱いていると指摘しましたが、Oswald氏は現状を「ROI問題」とは見ていません。むしろ彼は、現在が「探索と実験の時期」であると捉えています。この時期には、企業はROI計算を正確に行うことに対して、より高い「許容度（tolerance）」と「忍耐力（patience）」を持っています。

その背景には、トークン価格やモデル性能が急速に変化しているという現実があります。現在のROI計算は、明日には全く異なるものになっている可能性があり、その変動の激しさが、性急な判断を避けるべき理由となっています。企業はまだ、AIが何を実現できるのか、その真の価値をどこに見出すべきなのかを探っている段階です。この「様子見」の姿勢は、AI技術の発展がまだ初期段階にあること、そしてその潜在的な影響が計り知れないほど大きいことの証拠と言えるでしょう。

しかし、Oswald氏も「支出の引き締め」の兆候が一部で見られ始めていることを認めます。このことは、企業がいつまでも無制限の実験を続けるわけではなく、ある時点で具体的な成果とROIを求めるようになることを示唆しています。この過渡期において、企業はいかにして探索と成果のバランスを取り、賢明なAI投資戦略を策定すべきなのでしょうか。

最適なAI支出戦略：ユースケースと成長段階に応じた柔軟性

AIへの最適な投資戦略は、企業のユースケースと成長段階によって大きく異なるとOswald氏は指摘します。彼自身は常に「ハイパーグロース企業」で働いてきた経験から、「成長が何よりも重要（growth matters at all costs）」な環境におけるAI支出の考え方を語ります。

ハイパーグロース企業にとって、単位経済（unit economics）が健全である限り、成長のための支出は惜しまれません。例えば、ソフトウェアエンジニアのコーディングエージェントへの支出は、直接的な「売上原価（COGS）」ではないため、高いとしても長期的な複合的な利益（compounding gains）をもたらす可能性があります。しかし、顧客サービスエージェントへのトークン支出が、そのサービスから得られる収益を大幅に下回るようであれば、それは明らかに「悪い状態」です。

Oswald氏は、スタートアップの創業者に対し、AIへの支出が「成長のため」であるか、「ヘッドカウントの効率化のため」であるかを明確に区別するよう助言します。これらは、初期段階で大量の需要に対応するために不可欠な投資であり、賢明な支出であると彼は考えます。この視点は、AI投資を単なるコストではなく、戦略的な成長ドライバーとして位置づけることの重要性を示しています。

Salesforceの事例に見る開発者給与対AI支出の比率：今後の上昇予測とMercorの現状

SalesforceのMarc Benioffは、Anthropicに年間3億ドルを費やしており、これは開発者給与の約3.8%に相当すると報告されています。Oswald氏はこの数字について、企業全体の「マクロな割合」として見ると、将来的には「3%以上」に増加するだろうと予測します。

彼は、Salesforceのような大企業では、組織内の異なるチーム（例：ソリューションエンジニアリングとR&D）によって支出プロファイルが異なるべきだと指摘します。単位経済を重視すべきチームと、より高い支出許容度を持つR&Dチームとでは、AI投資の評価基準も変わってくるからです。

Mercor自身も、AIへの支出が給与支出よりも多い現状を明かします。ハイパーグロース企業であるMercorは、顧客からの「飽くなき需要（insatiable customer demand）」に応えるために、迅速な成長を追求しています。Oswald氏は「私たちは需要のすべてに対応するために、お金を十分に早く使うことができない」と語り、AIへの積極的な投資が、彼らの事業成長に不可欠であることを強調します。この発言は、AIが単なるコスト削減ツールではなく、成長を加速させるための戦略的な先行投資と見なされている企業のリアルな姿を映し出しています。

AI導入におけるサービス部門の台頭：知識伝達のボトルネックとその将来

Microsoftがサービス部門を設立し、Palantirがサービス事業を急成長させている現状について、Oswald氏は興味深い「ホットな見解」を述べます。彼はこれを、短期的には「AI活用に関する知識伝達の問題」と捉えています。

現在、サンフランシスコのような特定の地域には、AIエージェントの展開方法、評価方法、AIファーストなエンジニアリングアプローチなど、AIを効果的に活用するための深い知識が集中しています。しかし、この知識はまだ業界全体に広く普及しているわけではありません。そのため、多くの企業は、AIを自社に導入するために、外部の専門家やサービスプロバイダーに頼らざるを得ない状況にあります。Oswald氏はこれを、AIの導入を可能にする「知識の不足」と表現します。

しかし、長期的にはこの状況は変化すると彼は予測します。AIの知識が広く普及し、製品自体がより洗練され、セルフサービス化が進むにつれて、企業は外部のサービスに依存することなく、自社内でAIエージェントを展開できるようになるでしょう。これは、ソフトウェアエンジニアリングが専門職として確立されていったプロセスと似ています。Oswald氏は、この変化には「おそらく10年くらいの期間」がかかるだろうと見ています。

Matt from Factoryが「サービスはひどい製品の言い訳に過ぎない」と述べたことに対し、Oswald氏は「それは知識伝達の問題だ」と反論し、また「なぜ自社でエージェント展開担当者を雇わないのか？」という問いに対しては、「まだスキルが市場に出ていないからだ」と答えます。これは、AI人材の不足が、現在のAI導入におけるサービス部門の成長を後押ししている主要因であることを示唆しています。

3. 製品開発とプロダクトマネジメントの変革

AIの進化は、製品開発のあり方、そしてプロダクトマネージャー（PM）の役割にも大きな変化をもたらしています。エンジニアリングの生産性が飛躍的に向上する中で、PMはどのようなスキルを磨き、どのような視点を持つべきなのでしょうか。このセクションでは、Oswald氏が語る製品開発の新たなパラダイムと、PMの進化について深掘りします。

PMの役割の進化：シンプル化への挑戦とビジネスインパクトへの注力

Oswald氏は、AIが「プロダクトマネジメントの仕事をはるかに難しくしている」と語ります。AIツールによってエンジニアが「10倍の製品をより速く」構築できるようになったからといって、製品の「表面積（surface area）」を10倍に増やすべきではないからです。製品の表面積が無秩序に拡大すると、それは「信じられないほど混沌とした状態」を生み出します。

Mercorのプロダクトチームは、常に「表面積を減らし、物事をシンプルにする」という戦いを続けています。彼らが目指すのは、最もスケーラブルなインタラクションとワークフローを見つけることです。これは、多くの機能を追加することよりも、本質的な価値を提供するシンプルな解決策を見つけることの重要性を強調しています。PMの役割は、技術的な可能性に流されることなく、戦略的な視点から「何を作るべきか、何を作るべきではないか」を判断し、製品の複雑性を管理することへとシフトしているのです。

PM対エンジニアの比率の変化：AIがエンジニアリングのボトルネックを解消する未来

AIによるコーディングエージェントの進化は、エンジニアリングの速度を飛躍的に向上させ、従来の「エンジニアリングがボトルネックとなる」状況を変化させています。Oswald氏は、この変化に伴い、「PM対エンジニアの比率」が変化し、PM一人当たりのエンジニアの数が減少するだろうと予測します。

エンジニアリングがボトルネックでなくなるということは、次にボトルネックとなるのが「ユーザーのワークフロー、ユーザーのニーズ、そしてどの製品が最も収益を上げるかを理解すること」になるということです。これらはまさに、プロダクトマネージャーの核心的な職務です。Oswald氏は、「このパラダイムでは、プロダクトマネージャーの仕事ははるかに難しくなる」と述べつつ、より多くのPMが必要になることを示唆しています。

Mercorでは、この変化を捉え、PMの採用をエンジニアの採用に比べて加速させる傾向にあると言います。ハイパーグロース企業として、チームの規模を「足並みを揃えて（in lockstep）」成長させることの重要性を認識しつつも、長期的にはPM対エンジニアの比率をPM側に傾ける方針です。これは、AI時代において、技術的な実行力よりも、戦略的な思考力と市場理解が事業成長の鍵となることを明確に示しています。

「良いPM」の条件：ツールの知識から判断力とビジネス理解へ

AI時代において「優れたPMであるために何が必要か」という問いに対し、Oswald氏は二つの大きな変化を挙げます。

一つ目は、「ツールを学ぶ必要性が減る」ということです。以前は、PMも多くのデザインツールや分析ツールを使いこなす必要がありましたが、コーディングエージェントやクラウドデザインツールの進化により、数種類のツールで必要なことはほとんどこなせるようになりました。Oswald氏は、Figmaから「クラウドデザイン」への移行の兆候さえ観察していると述べ、ツールの多様性が減少し、ツールの習熟度がPMにとっての主要なスキルではなくなってきていることを示唆します。

二つ目は、そしてより重要な変化は、「全員がレベルアップし、ビジネスインパクトについてより深く考える必要がある」ということです。AIが細かなタスクや詳細な作業を高速に処理できるようになるにつれて、すべての仕事が「より高いレベル」へと移行します。PMはもはや、「どのようにタスクをこなすか」ではなく、「自分が時間を費やしていることが、本当に正しいことなのか？ビジネス価値を最大化するのか？」という「判断力（judgment）」にすべての焦点を当てる必要があります。スキルの問題はほぼ解消されつつあり、今後は「ビジネス価値を推進する最も重要なこと」を見極める能力がPMに最も求められる資質となるでしょう。

Mercorの学び：過剰な柔軟性からガードレールと永続的需要への集中

Oswald氏は、Mercorでの自身の経験から得た教訓として、過去に「やりすぎた」ことを率直に語ります。創業初期、Mercorのデータアノテーションプラットフォームは、人間によるデータ生成への巨大で多様な需要に応えるべく、あらゆる種類の研究実験やデータ形式をサポートするために「極めて柔軟なツール」を構築しました。InstructGPTに始まる生成AIの進化に伴い、教師ありファインチューニングから選好ランキング、さらには環境型プロジェクト、マルチモーダルプロジェクトへとデータ形式やワークフローが急速に変化する中で、顧客のあらゆる要求に応えようとしました。

結果として、何百もの異なるプロジェクトが同時に稼働する「混沌とした状態」が生じました。Oswald氏は、この経験から「もっと早くガードレールを設けて、サポートするサービスの種類を絞るべきだった」と後悔の念を表明します。顧客はあらゆるものを求めますが、「できるからといって、すべてをやるべきか？」という問いに向き合う必要があったのです。永続的な需要が見込めないワークフローに投資することは、必ずしも賢明ではありません。この教訓は、急速に変化する市場において、戦略的な集中と優先順位付けがいかに重要であるかを物語っています。

永続的需要の見極め方：市場との密な連携と「直感」の価値

では、Mercorのようなハイパーグロース企業は、いかにして「永続的な需要（enduring demand）」を見極めているのでしょうか。Oswald氏によれば、それは「市場とエコシステムに信じられないほど深く入り込んでいること」が鍵となります。

具体的には、多様なラボのリーダーたちと常に連絡を取り合い、仮説を継続的に検証することです。しかし、最終的には「リーダーシップの判断（judgment from leadership）」、つまり「一種の推測（a kind of guess）」に近い部分があると彼は認めます。AIデータ市場の未来、例えば1年後や2年後のデータがどのような形になるかを正確に予測することは極めて困難です。

Brandon（共同創業者）やオペレーションチームがこの作業を非常にうまく行っているとOswald氏は評価しますが、その背景には、最先端の技術動向、顧客の具体的なニーズ、そして市場全体の方向性に対する深い理解と直感が働いていることを示唆しています。これは、データと論理だけでなく、経験と洞察に基づいた意思決定が、不確実性の高い最先端市場において不可欠であることを示しています。

4. 人材獲得とチーム構築の最前線

AIが進化し、ビジネスの優先順位が変化する中で、企業の人材獲得とチーム構築の戦略もまた、根本的な見直しを迫られています。Mercorでは、どのような人材が求められ、採用プロセスはどのように変化しているのでしょうか。Oswald氏が語る、AI時代のタレント戦略とチーム運営の秘訣を探ります。

AI時代における採用戦略：シニア人材への傾倒とその理由

Oswald氏は、AI時代におけるMercorの採用戦略が「よりシニアな人材に偏っている」と明かします。その理由は、AIによってツールの習熟度といった「ジュニアなスキル」の重要性が低下する一方で、「ビジネスを前進させるもの、収益を生み出す方法、顧客を満足させる方法を理解する能力」の重要性が増しているからです。

シニアな候補者は、これらのビジネスドライバーをより迅速に理解し、実行に移すことができます。彼らは、Mercorがどのように事業を運営し、収益を最大化し、顧客に最高のサービスを提供しているかを「本当に理解（grokking）」する能力に長けています。この変化は、AIが低レベルの実行タスクを自動化することで、人間の役割がより高レベルの戦略的思考と判断へとシフトしていることの直接的な現れと言えるでしょう。

Mercorは、「役員レベルの採用」とまではいかないものの、あらゆる採用を「役員検索」のように扱い、経験とハングリー精神を兼ね備えた「最適な人材（sweet spot）」を見つけようとしています。これは、数年間、求められる職務をこなしてきた経験があり、まさに「最盛期（hitting their prime）」を迎えているような人材を指します。Oswald氏が考える「最盛期」は25歳から35歳の間であり、この年齢層がビジネスインパクトを最大化する能力と意欲を最もバランス良く持っていると見ています。

面接プロセスの再定義：AIツールの習熟度と本質的な思考力の評価

採用する人材に求めるスキルが変化する中で、Mercorの面接プロセスもまた変化しています。Oswald氏は、「テイクホーム課題（take-home assignments）」から移行しつつあると述べます。

現在、テイクホーム課題は、候補者が「AIツールに精通しているか（AI fluent）」を確認するための一度きりのテストとしてのみ利用されます。具体的には、「エージェントを使ってこの成果物を作成してください」という形式で、AIツールの活用能力を評価します。この段階をクリアした後は、多くの時間を「ホワイトボーディング」に費やすと言います。

ホワイトボーディングでは、Mercorが重視するのは「良い実験を設定する能力（setting up good experiments）」、「統計の理解」、「良い判断力（good judgment）」、そして「システム設計（systems design）」です。これらのスキルは、AIツールに簡単にオフロードできない、人間の本質的な思考力を問うものです。AIが多くの思考や判断を「代行」できるように見えても、人間が適切な判断を下し、何をしているかを理解する能力を依然として持っていることを確認したいとOswald氏は強調します。彼らは、ClaudeのようなAIが出力したものを「ただ反復する（regurgitate）」のではなく、自らの頭で考え、深い洞察を生み出せる人材を求めているのです。

「思考力」と「創造性」をAI時代にどう維持するか：判断をAIに委ねない原則

AIが強力なツールとして普及する中で、「思考力、思考、創造性をどのように維持するか」という問いは、多くのプロフェッショナルにとって喫緊の課題です。Oswald氏は、この問いに対して、AIツールとの付き合い方を「スマートフォンとの付き合い方」になぞらえて説明します。

「スマートフォンは脳を揚げて、ぐちゃぐちゃにする」と認識しつつも、多くの人がスマートフォンを多用しているのと同様に、AIも有効なツールです。重要なのは、「いつAIを使うべきか、いつ使わないべきか」という境界線を個人的に学ぶことです。Oswald氏がチームに伝えている原則は、「判断（judgment）や意思決定（decision-making）をAIに委任してはならない」というものです。

AIは「正しいことをしているように見せかける」かもしれませんが、常に「偏執的（paranoid）」になり、「すべてをダブルチェックする」必要があります。もし自分の「実際の仕事」、特に判断や意思決定をモデルに委任してしまえば、その能力を失い、「精神病（psychosis）」になってしまうと彼は警告します。この原則は、AIを強力なアシスタントとして活用しつつも、人間の本質的な認知能力を維持し、批判的思考を失わないための、極めて重要な指針と言えるでしょう。

サンフランシスコのタレントウォーズ：ロケットシップに乗る企業の優位性

サンフランシスコは、世界的な技術革新の中心地である一方で、人材獲得競争が極めて激しい場所としても知られています。Oswald氏は、サンフランシスコでの人材獲得と維持の難しさについて、「かなり熾烈だ（pretty brutal）」と認めます。

しかし、彼は「ロケットシップに乗っているとき（when you're on a rocket ship）は常に簡単だ」と続けます。つまり、急成長を遂げている企業、大きなビジョンと成功実績を持つ企業は、困難な市場環境にあっても優秀な人材を引き寄せやすいということです。正しい人材を見極めるのは難しいものの、勢いのある企業は、高いレベルの挑戦と成長機会を求める優秀な候補者にとって魅力的な選択肢となります。

この視点は、単に給与や福利厚生だけでなく、企業のミッション、成長率、文化が、AI時代の人材獲得競争において決定的な要因となることを示唆しています。Mercorもまた、ハイパーグロース企業としての魅力を最大限に活用し、才能ある人材を惹きつけていると言えるでしょう。

「才能はあるが少し嫌な奴」の採用哲学：成果と成長へのコミットメント

「非常に才能があるが、少し嫌な奴（a bit of a douche）」をチームに迎えるかどうかという挑発的な問いに対し、Oswald氏は「もし彼が非常に才能があるなら、イエスだ」と答えます。

Mercorの企業文化は、「高いエージェンシー（主体性）、高いパフォーマンス、高いオーナーシップ」を重視しています。彼は、個人の「性格（personalities）」は変化し得るものであり、他人とうまく働く方法を学ぶことができると見ています。しかし、本当に重要なのは、「成長への意欲」と「仕事に真剣に取り組む（give a shit）精神」です。これらの資質は、人間関係を円滑にするスキルよりも、はるかに教え込むのが難しいものです。

Oswald氏は、少数の「嫌な奴」がいても、ハッピーアワーやチームビルディングを通じて人間関係を円滑にすることは可能だと考えています。しかし、仕事への情熱や責任感を欠く人材は、組織にとってより大きな問題となります。この採用哲学は、Mercorが最高の成果を追求する「高パフォーマンス文化」を維持するために、才能と内発的な動機付けを何よりも重視していることを示しています。

5. Mercorのビジネスモデル深掘り：データ供給、挑戦、そして未来

Mercorは、AIモデルの性能を最大化するために不可欠な高品質なデータを提供するという、AIエコシステムの中核を担うビジネスを展開しています。このセクションでは、Mercorがどのようにしてそのビジネスを構築し、どのような課題に直面し、そして未来に向けてどのような戦略を描いているのかを深掘りします。

Mercorの二大プロダクト：MarketplaceとAnnotation/Eval Platform

Mercorのビジネスは、主に二つの主要なプロダクト領域を中心に展開されています。

Marketplace（マーケットプレイス）: これは、特定のスキルを持つエキスパート（専門家）と、AIプロジェクトに必要なデータアノテーションや評価作業を求める企業をマッチングさせるプラットフォームです。このマーケットプレイスを通じて、Mercorは多様な顧客ニーズに対応できる高品質な人材プールを構築しています。
Annotation and Eval Platform（Studio）: 「Studio」と呼ばれるこのプラットフォームは、エキスパートがログインしてアノテーションや評価作業を行うための環境です。また、Mercorのオペレーションチームがプロジェクトを管理し、顧客が自身のデータを閲覧したり、評価を実行したりする場所でもあります。

これらのプロダクト領域は、Mercorが提供する二つの主要なエンゲージメントモデルを支えています。

Talent Only（タレントのみ）: 顧客が自社でプロジェクトを運営する能力を持っている場合、Mercorは特定のスキルを持つエキスパートを供給します。例えば、あるラボが特定の専門知識を持つ医師や弁護士を必要とし、その管理は自社で行うようなケースです。このモデルでは、Marketplaceが主要な役割を果たします。
Managed Service（マネージドサービス）: 顧客に完成されたデータセットを提供するモデルです。この場合、Marketplaceを通じて集められたエキスパートがStudioで作業を行い、Mercorのオペレーションチームがプロジェクトを完全に管理し、最終的なデータセットを顧客に納品します。

これら二つのモデルとプラットフォームの組み合わせにより、MercorはAI開発におけるデータの供給と管理という複雑なニーズに対して、柔軟かつ包括的なソリューションを提供しています。

ハイパースケールなデータ供給を可能にする「3つの秘訣」：エキスパート体験、リファラル、ソーシング

Mercorが、いかにして「ハイパースケールなデータ供給」を効率的に実現しているのかという問いに対し、Oswald氏は「3つの要素」を挙げます。

素晴らしいエキスパート体験（Great expert experience）: これが最も重要だとOswald氏は強調します。エキスパートがタイムリーに、そして公正に報酬を受け取ること、透明性のある作業環境が提供されること、そして彼らの仕事が「尊厳があり、十分に報われ、公正に報われている」と感じられることが不可欠です。Mercorの全員が、エキスパートの体験に深く配慮していると言います。単に高額な報酬だけでなく、長期的な仕事の展望、スキルアップの機会、複数の仕事を選べる自由、興味深い作業内容、そしてプロジェクト運営者との優れたコミュニケーションも、エキスパートがMercorで働き続ける動機となります。
素晴らしいリファラルプログラム（Great referrals program）: 素晴らしいエキスパート体験は、結果として強力なリファラルプログラムを生み出します。誰もが「最悪の仕事」に友人や同僚を紹介したくはないものです。エキスパートがMercorでの経験に満足していれば、自然と他の才能ある人々をプラットフォームに紹介するようになります。これは、高品質な人材を低コストで獲得するための非常に効果的な戦略です。
素晴らしいソーシングチーム（Great sourcing team）: 上記の二つに加え、Mercorには「世界のあらゆる場所で、非常に特定のスキルを持つ人々を見つけ出す」ことができる優れたソーシングチームが存在します。特定のスキルセットに対する需要が急増した際にも、このチームが迅速にギャップを埋める役割を担います。

これら三つの要素が組み合わさることで、Mercorは質の高いエキスパートプールを維持・拡大し、顧客の多様かつ膨大なデータ需要に対応する能力を確立しています。単なる価格競争ではなく、エキスパートを「パートナー」として尊重し、その体験を最優先する姿勢が、Mercorの持続的な成長の原動力となっているのです。

「それは収益ではない」という批判への反論：健全なキャッシュフローと成長

Mercorのようなデータプロバイダーに対しては、「それは本当の収益ではない」といった批判的な声が一部で聞かれることがあります。Oswald氏は、この種の批判に対し、「気にしない（it doesn't annoy me）」と一蹴します。

その理由は明確です。Mercorは「毎週、銀行に数百万ドルものお金が増えている」からです。Oswald氏は、他の企業で「興味深い財務工学や会計」を見てきた経験から、人々がどのような指標を使おうと関係なく、Mercorのビジネスが「非常に健全（very healthy）」であり、需要に対応するために「お金を十分に早く使うことができない」ほどのキャッシュフローを生み出している事実を強調します。

この発言は、企業の財務的な健全性と成長が、外部の特定の批判的視点に左右されないことを示しています。最終的に、ビジネスの成功は、生み出す価値、顧客からの需要、そして財務的な強固さによって測られるべきだという、実業家としてのOswald氏の哲学が垣間見えます。

収益集中の課題と市場多様化への戦略：セルフサービス化とAIプロジェクトマネージャー

Mercorの最大の顧客は、フロンティアモデルプロバイダーであり、収益が少数の大手顧客に集中しているという指摘に対し、Oswald氏はこれを「最大の課題」であると認めます。しかし、同時にこれはMercorが積極的に取り組んでいる「方向性」でもあります。

Mercorが目指しているのは、「すべてのエンタープライズが、評価用およびトレーニング用のヒューマンデータプロジェクトを効率的に実行できるように、市場を下方に拡大すること」です。大手ラボ向けのヒューマンデータプロジェクトは「ホワイトグローブサービス」であり、オペレーションチームの多くの人員を要する非常に困難なものです。

この集中を減らし、収益源を多様化するためには、中小企業でもセルフサービスで効率的にプロジェクトを実行できるような「より構築が難しい製品」が必要です。Mercorは、この目標に向けて「AIプロジェクトマネージャー」のような機能の開発を進めています。これにより、より効率的な製品とプロセスを通じて、オペレーションチームにかかる負担を軽減し、より小規模で多様な顧客向けのプロジェクトを、より効率的に実行できるようになります。

この戦略は、AIのコモディティ化が進むにつれて、ヒューマンデータの需要が大手ラボからあらゆる規模の企業へと拡大するというMercorの確信に基づいています。すべてのエンタープライズが独自のユースケースのためにヒューマンデータを必要とする未来に向けて、Mercorは製品とサービスを進化させているのです。

ヒューマンデータプロジェクトの「とてつもない難しさ」：エッジケース、アライメント、変化するデータタイプへの対応

ヒューマンデータプロジェクトの「とてつもない難しさ」について、Oswald氏はその具体的な課題を詳細に説明します。これは、Mercorが提供するサービスの価値を理解する上で非常に重要なポイントです。

情報の複雑な伝達とエッジケース: 顧客（モデルの最終利用者）からエキスパートへ伝達されるべき情報が非常に多く、しかも「あらゆるエッジケースが重要」です。顧客がガイドラインを作成しても、エキスパートは必ず「予期せぬエッジケース」に遭遇します。そのエッジケースに対して「どう対応するか」が、データ品質を大きく左右します。このプロセスは、顧客、顧客の顧客、他の分野のエキスパート、そしてアノテーションを行うエキスパート間の「狂ったように速いアライメント」を必要とします。
「偏執的なまでの注意」とボトルネックの解消: オペレーションチームは、「偏執的なまでの注意（huge amount of paranoia）」を持って、すべてのデータポイントが顧客のガイドラインに完全に適合しているかを確認し、プロジェクトが納期通りに進行し、あらゆるボトルネックが取り除かれていることを保証しなければなりません。これは、人間がこれまで見たことのないエッジケースや、モデルの能力範囲外の事柄を扱うため、非常に運用負荷の高いプロセスとなります。
データタイプの頻繁な変化: AIモデルの進化に伴い、データの種類も非常に頻繁に変化します。教師ありファインチューニング（SFT）から選好ランキング、ルーブリックベースのアノテーション、そして現在はRL環境へと、多岐にわたるモダリティ（例：マルチモーダルデータ）に対応する必要があります。各プロジェクト内だけでなく、プロジェクト間でも多くの複雑性が存在します。

Oswald氏は、これらの課題を「偏執的な注意の必要性」と「非常に明確なコミュニケーションの必要性」の二つに集約します。Mercorのチームは、この複雑性に対処するための深い専門知識と、迅速な適応能力を持っているからこそ、最先端のAI開発を支える高品質なデータを提供できるのです。

次のフロンティアデータタイプ：「環境（Environments）」とRLシミュレーション

AIデータ市場において、現在最も急速に成長しているデータタイプとして、Oswald氏が挙げるのが「環境（Environments）」です。これは、Twitterなどで「RL環境」というバズワードとして言及されることもありますが、Mercorではこれをエージェントが使用するアプリのシミュレーション、または「リッチなスタート状態（rich start state）」と定義しています。

「リッチなスタート状態」とは、エージェントが展開される「世界」を表現するものです。例えば、ユーザーのラップトップ上にある数百、数千のファイルのような、あらゆるデータを含む「世界」です。そして、「タスク」とは、エージェントがこれらのツールを使用して何か有用なことを達成するように訓練するためのものです。

このデータタイプのシフトの重要性は、モデル（エージェント）が訓練・評価されるデータが、実際に「展開される環境」により近いものになるという点にあります。例えば、Salesforceのようなアプリケーションを使用するエージェントを訓練するには、Salesforceと全く同じように機能する「高忠実度なモック」が、評価と訓練のプロセスに必要となります。このような環境のセットアップは非常に複雑です。

Oswald氏は、数年前に選好ランキングやSFT（教師ありファインチューニング）のセットアップが困難であったように、現在は「環境」がこのフロンティアを形成していると見ています。現在のラボがこの新しいデータタイプを解明している段階であり、将来的にはエンタープライズ企業もこれを実行できるようになるでしょう。これは、AIモデルがより現実世界で機能するための、不可欠なステップであり、Mercorがこの分野でリーダーシップを確立していることは、今後のAI応用の方向性を示唆しています。

データプロバイダー市場の未来：特化型プレイヤーとMercorの競争優位性

データプロバイダー市場が、特定のニッチに特化した「アンバンドル型」のプレイヤー（例えば「家庭用ロボット向けMercor」のような）が数多く存在する世界へと向かうのかという問いに対し、Oswald氏は「ある程度はすでにそうなっている」と答えます。

彼は、現在「創業者自身がアノテーションを行っている」ような、小規模な特化型スタートアップが多数存在することを指摘します。モデルのスキルバーが高まるにつれて、アノテーション作業自体も高度化し、創業者が自らデータを作成しているケースが見られます。ラボ側は、このような「VC補助金付きの仕事」を好みます。なぜなら、彼らは賢く、元々優れた技術者であり、高品質なデータが非常に割安な価格で手に入るからです。

しかし、Oswald氏はこれらの小規模プレイヤーの「スケーラビリティの欠如」を指摘します。数点のデータポイントを超えて、あるいは一人の創業者やフルタイム従業員が対応できる範囲を超えて、スループットやプロジェクト数を10倍に増やすことはできません。顧客は、このような小規模プレイヤーが大規模な需要に対応できないことを知っています。

Mercorの競争優位性は、この「スケーラビリティ」にあります。同社は、創業者主導のアノテーション（中にはキャッシュフロービジネスとして利益を上げているものもある）と競争しつつも、より高度なスキルを持つエキスパートを動員し、大規模な需要に対応できる体制を構築しています。Oswald氏は、この分野が「より高度なスキルを持つエキスパート」を必要としており、Mercorが世界の最高の才能を集めてアノテーションを行っていることを強調します。これは、データ品質と量、そしてスケーラビリティが、AIデータプロバイダー市場における決定的な差別化要因となることを示しています。

6. AIの未来を見据える：課題とエキサイティングな展望

AI技術は、まだその可能性の入り口に立ったばかりです。フロンティアモデルの動向、サイバーセキュリティへの影響、そしてロボティクスという物理世界の課題まで、AIの未来には多くの未解明な領域と挑戦が横たわっています。このセクションでは、Oswald氏が語るAIの将来像と、彼が最も注目している分野について考察します。

大規模AIモデル企業と専門分野の競争：歴史が示す特化企業の優位性

Anthropicのような大規模なフロンティアモデル企業が、FigmaやLegora（法律テック）のような特定の専門分野に参入し、競争相手となる可能性について、Oswald氏は歴史的な視点から冷静な分析を示します。

彼は、GoogleやMicrosoftといった他の大手テクノロジー企業が、気候変動や癌の解決に取り組む一方で、多くの異なる分野に手を広げてきたが、その主要な事業は限定的であるという前例を指摘します。これらの大企業は多角化を試みますが、「市場に集中した強いフォーカスを持つ企業」にはしばしば敗れてきました。Google PlusやThreadsの例を挙げ、大規模企業が多くの「賭け」をしても、最終的には専門分野に特化した企業が優位に立つ可能性が高いと示唆します。

この見方は、AI分野においても「汎用性と特化性」の間のダイナミクスが存在することを示しています。フロンティアモデル企業が汎用的なAI能力を向上させる一方で、特定の業界やユースケースに特化したAIソリューションは、その分野の深い知識と顧客理解に基づいて、独自の価値を提供し続けるでしょう。Mercorのビジネスもまた、AIモデルの性能向上のための「データ」という、AIエコシステムの中核的な専門分野に深くコミットすることで、その存在感を確立しています。

サイバーセキュリティの「黄金時代」：AI生成コードと終わりのない攻防

AI生成コードの増加がセキュリティの脆弱性を生み出す可能性や、AIによる攻撃の高度化が進む中で、サイバーセキュリティは「黄金時代」を迎えるのかという問いに対し、Oswald氏は「おそらくイエス」と答えます。

彼は、サイバーセキュリティが「競争的（competitive）」な分野であることを強調します。AlphaGoのような状況で、サイバー攻撃と防御の両方で「アンキャップド（上限なし）な報酬とパフォーマンス」が追求され、この分野は常に進化し続けます。Mercorにとって、これはデータ生成の観点から「ゲーム」のような興味深い分野であり、サイバー防御能力のためのデータ、そして非常に興味深いデータタイプに対する需要が急速に増加していると述べています。

サイバーセキュリティの性質は「敵対的（adversarial）」であり、CRMの更新のような「充足度ベース」の仕事とは異なります。目標は常に動くため、「90%のエンタープライズワークフローが既に完了できる」というような状況はサイバーセキュリティには決して訪れません。この分野では、常に進化する脅威に対して、防御側も継続的に対応し、新たなデータタイプや能力を開発していく必要があります。これは、Mercorのようなデータプロバイダーにとって、安定した、かつ成長の早い市場機会を提供するものです。

ロボティクスの真のブレイクスルー：自動運転の進化に続く「Chat GPTモーメント」

Oswald氏が最も興奮しているにもかかわらず、まだ十分に語られていないと考えている分野の一つが「ロボティクス」です。現在のロボット技術は、ぎこちない動きや限定的なタスク実行能力から、一般の人々にはまだその真の可能性が伝わりにくいかもしれません。

しかし、Oswald氏は、約10年前の「自動運転車」の状況と現在のロボティクスを比較します。当時は、サンフランシスコのクルーズ車両には何年もの間、常に運転手が乗っていました。しかし、現在では彼はUberよりもWaymoを多く利用すると語り、自動運転技術がこの10年で飛躍的な進歩を遂げたことを示します。

この進歩は、もちろんサンフランシスコやオースティン、フェニックスといった特定の都市に限定されているかもしれませんが、技術的には「機能している」とOswald氏は強調します。彼らは、ロボティクスにおいても「Chat GPTモーメント」のような、使用と導入の転換点（inflection point）が訪れると予測しています。

ただし、物理的なものをスケールさせるのはソフトウェアよりもはるかに難しいため、Chat GPTのような一気に普及するモーメントというよりは、WaymoやCruiseのような「ロボタクシーの瞬間」に似た展開になる可能性が高いと見ています。それでも、この分野での進歩は確実に見られるだろうという期待を表明しています。Mercorは、このロボティクス分野における「実世界データ（physical data）」の市場が、今後3年間で大きく成長すると予測しており、新たな収益源としての大きな可能性を見出しています。

若き起業家へのアドバイス：最先端の急成長企業での実務経験の重要性

Oswald氏が自身の経験を踏まえ、コンピューターサイエンスを学ぶ若い学生に送るアドバイスはシンプルかつ強力です。「できるだけ早く、本物のインターンシップを見つけること」です。彼が強調するのは、「学校で学ぶことは、おそらくすぐに古くなる」という現実です。

では、どのような会社でインターンシップをするべきなのでしょうか？Oswald氏は、自身の経験から「サンフランシスコの急成長中の会社」を勧めます。「大人」がいない（大人びた企業ではない）会社でも構わないが、業界の「フロンティア」にあり、分野の方向性を示しているような会社が良いと助言します。また、スタートアップの中でも、10人以下の超初期段階ではなく、ある程度の規模（Mercorのような500人規模でも、文化的にスタートアップとして機能している）で、成長が見込める会社を選ぶのが賢明だと言います。

このアドバイスは、理論的な知識よりも、急速に変化するAI業界の最前線で実践的な経験を積むことの重要性を強調しています。不確実性の高い時代において、常に学び、適応し、実際に成果を出す能力こそが、未来のリーダーに求められる資質であるというOswald氏の信念が表れています。

結論：AIの未来は「データ駆動」と「人間中心」の融合にある

MercorのCPO、Oswald Nitski氏との対談を通じて、私たちはAIがもたらす変革の多面性と、その最前線で活躍する企業が直面する現実、そして未来への戦略について深く洞察することができました。彼の語る内容は、AIの進化が単なる技術革新に留まらず、ビジネスモデル、組織文化、人材戦略、そして人間の働き方そのものに、いかに大きな影響を与えているかを浮き彫りにしています。

Oswald氏の洞察の核心は、AIの未来が「データ駆動」と「人間中心」の融合にあるという点です。オープンモデルの台頭は、基本的なAI能力を民主化しますが、真の価値は、まだ誰も試みていない「潜在的な需要」や「ロングホライゾンタスク」に対応する高品質なデータと、それによって可能となる「専門化されたモデル」にあります。そして、この高品質なデータを生み出すのは、徹底的にケアされた「エキスパート」という人間であり、そのプロセスは「偏執的なまでの注意」と「非常に明確なコミュニケーション」を要する、極めて人間中心的なものです。

企業がAIのROIを最大化するためには、単なる支出の最適化に留まらず、AIを「成長ドライバー」と捉え、戦略的な投資を行う柔軟な姿勢が不可欠です。プロダクトマネージャーの役割は、技術的な実行能力から「ビジネスインパクトを最大化する判断力」へとシフトし、AIがもたらす高速な開発サイクルの中で、製品の「シンプル化」と「本質的な価値」を見極めることが求められます。

人材戦略においても、AI時代に求められるのは、ツールを使いこなす能力よりも、ビジネスを理解し、主体的に行動し、困難な課題に「真剣に取り組む」という人間的な資質です。そして、AIが提供する強力なツールを使いこなしつつも、「判断や意思決定をAIに委ねない」という原則を堅持することが、人間の思考力と創造性を維持するための鍵となります。

サイバーセキュリティやロボティクスといった分野におけるAIの可能性は、まだ始まったばかりであり、技術的・運用的な課題は山積しています。しかし、Oswald氏が自動運転車の進化に見るように、地道な努力と継続的な投資の先に、「Chat GPTモーメント」のような大きなブレイクスルーが待っているかもしれません。

AIは、私たちに前例のない機会と課題を提示しています。この急速な変化の波を乗りこなし、未来を形作るためには、Oswald Nitski氏のような最前線のリーダーたちの深い洞察に耳を傾け、常に学び、適応し、そして何よりも「人間らしさ」を大切にする姿勢が不可欠となるでしょう。