当所有人都在问AI会不会取代你,这家拿了2275万美元的公司在做一件完全相反的事

你有没有想过，你职业生涯里那些真正改变方向的时刻，几乎都不是靠简历找来的？是某个人主动押注在你身上，是一封意外收到的邮件，是朋友的一通电话引出了一个项目，然后那个项目变成了一家公司。我越来越相信，人与机会之间的匹配，是整个职业世界里效率最低的一件事。不是因为机会不够多，而是因为大量真实的能力和经验，根本没有办法被有效地看见。

就在这个背景下，我注意到了 Ethos 这家公司。他们刚刚完成了 2275 万美元的 A 轮融资，由 a16z 领投，General Catalyst、XTX Markets、Evantic Capital 和 Common Magic 参与其中。这家总部位于伦敦的创业公司，正在用 AI agent 和语音技术，重新解决一个古老而顽固的问题：如何让真正的专业能力被看见、被匹配、被变现。乍听之下，这好像只是一个专家网络平台的迭代升级。但当我深入了解之后，我觉得他们在做的事情，远比这个要根本得多。

PS：我的出海新书已经上架了，我特意申请了公众号读者专属的优惠链接，可以享受半价折扣，欢迎感兴趣的朋友购买。

同时我还特地建立了实名制的读者群，我会在群里定期解答一些问题和开展线上线下活动，欢迎购书的朋友实名制入群，大家一块交流，共同出海！

传统专家网络到底错在哪里

先说说现在的市场长什么样。企业在寻找外部专家意见的时候，通常有两条路：一是上 LinkedIn 自己找，二是用 GLG、Third Bridge、AlphaSights 这类专业的专家网络平台。这个市场不算小，全球顶级的对冲基金、私募股权公司、咨询机构，每年在这上面花的钱是以亿美元计的。但实际上，大多数使用这些平台的人都会告诉你，匹配的质量参差不齐，经常花了不少钱，却没找到真正懂行的人。

这个问题的根源，在于这些平台收集专家信息的方式太粗糙了。它们的核心逻辑是这样的：让专家填一个表，写上自己的职位头衔和工作描述，然后用这些标签来做匹配。这个逻辑本身就有根本性的缺陷，因为职位头衔几乎不能真正代表一个人的专业深度。

我见过很多这样的情况。一个在大厂做了十年后端工程师的人，他真正的专长可能是某种特定的分布式系统架构，或者他在之前的创业公司里深度参与过某个垂直行业的数据处理问题。但他的 LinkedIn 头衔就是"Senior Software Engineer"，跟另外几百万个人写的一模一样。一个医生的头衔可能是"内科主任医师"，但他同时在某个罕见病领域发表过十几篇论文，还参与过三期临床试验的设计——这些信息根本不会出现在他填的那个表格里。

Ethos 的联合创始人兼 CEO James Lo 对这个问题的表述非常精准。他说："传统的专家平台几乎完全依赖职位头衔和工作描述的组合。但我们观察到，大多数客户和雇主寻找的不是一个职位头衔加公司名称的组合，他们寻找的是一种具体的技能和具体的能力。"这句话听起来简单，但它指向的是一个系统性的结构问题：我们一直在用错误的数据维度来描述人的专业价值。

a16z 的合伙人 Anish Acharya 也持有同样的判断。他认为，LinkedIn 和 GLG 这类平台只能提供浅层信号，也就是职位头衔这种维度的信息。而真正的专业能力往往藏在更细的子专业方向里，藏在具体的项目经验里，藏在那些从来没有被结构化记录过的知识积累里。

声音，是打开这扇门的钥匙

Ethos 的解决思路，是用语音。他们给专家提供的入驻体验，不是让你填表，而是通过 AI 语音 agent 来进行一场对话式的访谈。这个访谈会问一套经过精心设计的问题，覆盖你真正懂的那些领域，包括很多你的职位头衔完全看不出来的部分。

我觉得这个选择背后有很深的洞察。Anish Acharya 的原话是："我认为声音是人类沟通最原始的形式。大多数人不知道如何把自己的故事用简洁、有说服力且准确的方式写下来。声音是 Ethos 的一个重大解锁。"这话说得很真实。让一个专家用文字准确描述自己懂什么，这件事比想象中难得多。人们往往不知道如何把隐性知识变成结构化的文字表达。但如果你跟他们聊，问他们具体的问题，他们能说出来的东西会丰富得多。

举个 Ethos 自己给的例子。一家药企想找医生，要求不仅要在某个特定领域有专业背景，还需要在这个领域发表过论文，同时对药物研发流程有理解。这种查询用传统的关键词搜索和头衔匹配基本上做不到，但 Ethos 可以通过更丰富的数据来完成这种精细匹配。

另一个例子更有意思。一个机构可能想找的是"曾在 A 级投资人投过的初创公司工作过、专注于财务自动化的人"。这个查询条件本身就包含了多个维度的交叉：融资背景、公司阶段、专业方向。这类复杂查询，靠的是更丰富的数据，而不是几个标签的组合。

除了语音访谈本身，Ethos 还会结合其他公开数据源来丰富专家画像，包括博客文章、学术论文、社交媒体链接等等。这相当于把一个人的公开知识足迹也纳入了评估体系，而不只是依赖他主动填写的信息。这样的多维度数据，才能支撑真正精准的匹配。

两个创始人，一个罕见的组合

我在了解 Ethos 的时候，专门研究了一下这两位创始人的背景，因为我觉得创始团队的构成往往能解释一家公司为什么能做对某件事。

James Lo 的职业轨迹相当特殊。他在香港长大，早年亲历了剧烈的社会不平等，这让他从青少年时期就对社会流动性问题有极深的感受。他拒绝了所有英国大学的录取通知书，转而参与了香港的反国民教育运动。后来他在英国读完大学，随后加入麦肯锡，再到软银，参与了 WeWork 和 Arm 这类重量级案例的转型工作。他在软银的核心收获，是深刻理解了顶级资本和顶级人才是如何流动和匹配的。

他在一次采访中分享过一段很有价值的反思。他说麦肯锡给了他极好的结构化思维训练，让他能以鸟瞰视角理解不同行业的运作方式，也学会了如何在多元背景的人群中建立高度协作的文化。但他也意识到，作为创业者，他必须主动"卸载"掉很多麦肯锡留下的习惯——因为咨询顾问有大量数据可以依赖，有大量时间可以分析，而创业者面对的恰恰相反：没有数据、没有时间，必须在极度不确定的环境下快速决策、快速迭代。这种自我认知的清醒，我觉得是创始人很稀缺的素质。

Daniel Mankowitz 的背景则完全不同，他在 Google DeepMind 做了将近十年的 AI 研究员，参与过 YouTube 视频压缩算法、Gemini 以及 AlphaDev 排序算法的研发工作。这意味着他不是那种只会写 PPT 讲 AI 的人，他是真正在技术前沿工作过的人，对 AI 系统如何理解和处理复杂信息有深度的第一手经验。

James 对两人共同创业的切入点有一个很有意思的描述。他说："我一直想为人们提供正确的经济和就业机会。Daniel 认为经济本质上是一个由人、公司和产品构成的知识图谱，用正确的算法，可以把这些实体相互匹配。"一个有运营视角和资本理解，一个有深度技术能力，这种组合在早期创业公司里其实相当罕见。

值得一提的是，James 在 Ethos 之前还创办过一家教育 AI 公司 Mana，最终以失败告终。他后来在采访中非常坦诚地复盘了这段经历：他犯的核心错误，是把社会使命和商业逻辑混淆了，过度相信"教育应该惠及所有人"这个宏大叙事，却没有真正理解市场的底层结构——欧洲家庭在非正式教育上的消费意愿远低于中国，而且用户（学生）和付款方（家长）之间的利益严重错位。他还犯了一个典型的麦肯锡式错误：花太多时间做战略规划，而不是快速扔出产品、收集真实反馈。这些失败的经历，加上后来为了支撑家庭财务不得不离开创业的那段时间，构成了他再次出发时的底层认知。这种经过真实代价换来的认知，往往比任何商学院课程都更扎实。

Ethos 正在做的，比"专家网络"大得多

表面上看，Ethos 是一个专家网络平台，帮公司找到需要的专业人才，专家在上面接咨询项目赚钱。但我觉得这个描述远远低估了他们真正的野心。

James 在谈到公司愿景的时候说了这样一段话："我们最终的愿景是，不只是把你匹配到专家咨询电话，而是匹配到你人生每个阶段的机会。我们会把你匹配到电话、调研、顾问工作、演讲、兼职、全职职位——所有这些都由一个核心逻辑驱动：你所有公开贡献的内容，加上你愿意提供给我们的私人信息，帮助我们在规模上把你匹配到正确的机会。"

这句话的含义，我反复咀嚼了一下。他们实际上想做的是：把每一个人的专业能力变成机器可读的，然后建立一套基础设施，让这些能力可以在经济体里自由流通和被匹配。从咨询电话到全职工作，从市场调研到投资顾问，从演讲机会到分析项目，本质上是在构建一套"人才操作系统"。

这件事和现有平台的根本区别在于起点不同。LinkedIn 的逻辑是"展示你是谁"，是一个展示平台，被动等待机会找上门。Ethos 的逻辑是"发现你能做什么"，是一个主动匹配系统，基于你真实的能力去寻找最适合你的机会。这两者之间的差距，不是功能层面的迭代，而是整套范式的不同。

a16z 在宣布投资时写道："每个人在经济中的某个地方都有比较优势。问题从来不是人类能力的稀缺，而是大部分能力是非结构化的、不可见的，我们一直没有基础设施来把它们呈现出来。"我非常认同这个判断。我们现在生活在一个信息极度丰富的时代，但关于"人的能力"的信息，依然是高度不透明的。这是一个巨大的效率缺口，也是一个巨大的市场机会。

为什么 AI labs 正在成为 Ethos 的助推器

有一个细节让我觉得 Ethos 的时机选得非常好，值得单独说一下。

James 在谈到专家资源的增长来源时，说了一段很有洞察力的话。他说："AI labs 正在把一把巨大的资本枪对准世界上每一个有经济价值的职业，试图把每一个行业都映射出来。这对我们来说是一个惊人的顺风。"

这句话背后的逻辑是这样的：OpenAI、Anthropic、Google DeepMind 等顶级 AI 实验室，正在构建覆盖法律、医疗、金融、管理咨询等各个专业服务领域的 AI 系统。要训练这些系统，要验证这些系统的质量，要获取专业反馈，他们需要大量的真实专家。这些 AI labs 愿意为此付费，而且付得不少。

这意味着什么？意味着 AI 的崛起，不只是在取代专业人才，同时也在大规模激活对专业人才的需求。Ethos 正好站在这个需求的中间。AI labs 成了 Ethos 专家网络里某类机会的重要来源，而专家们则因此有了更多样的变现渠道。这是一个相当有意思的共生关系。

从目前披露的数据来看，Ethos 每周有约 35,000 名专家加入平台，涵盖律师、医生、金融顾问、工程师、管理顾问等各类专业人士。平台上排名靠前的专家，每个月的收入已经超过一万美元。现有客户包括顶级对冲基金、私募股权公司、领先的 AI 基础模型实验室和大型企业咨询机构。收费模式是按项目收取 30% 或以上的佣金，视项目性质而定。公司表示年化收入正朝着八位数迈进。

考虑到他们 2024 年才成立，团队目前只有八个人，这个增速相当惊人。而他们的目标也非常明确：保持团队精简，持续规模化。这种用小团队撬动大网络的模式，依赖的正是他们在 AI agent 和匹配算法上的核心能力。

这件事对"人的价值"意味着什么

我想在这里分享一个更深的思考。

AI 带来的最大焦虑之一，是关于人的可替代性。很多人担心自己的工作会被 AI 做掉，担心自己的专业价值会被系统性稀释。这种担忧并非没有道理，某些类型的任务确实在快速被自动化。

但 Ethos 代表了一种完全不同的叙事逻辑。a16z 在投资声明里写道："AI 不应该让你变得可替代，而应该让你变得不可替代。"这句话我反复想了很久。他们的意思是，AI 的角色可以不是替代人的专业能力，而是让这种能力变得更可见、更可匹配、更可流通。换句话说，AI 可以成为一个放大器，而不是一个替代者。

我相信这个方向是成立的，但它有一个前提：你的专业能力必须真实存在，而且足够有深度。这正是 Ethos 在解决的那个结构性问题——让那些真正有深度的专业能力，不再因为表达方式的局限而被埋没。

这让我想起了 James 创业的原始驱动力。他在成长过程中深刻感受到了社会不平等，他一直在思考一个问题：如何用技术和商业的力量，推动真正意义上的社会流动性。Ethos 在某种程度上是这个问题的一个商业化答案——通过更好的匹配基础设施，让更多人的能力被看见，让机会的分配更公平、更高效。他在采访里说，他终于感受到使命和商业之间找到了某种对齐，虽然还不完美，但方向是对的。这种创始人和产品之间的深度共鸣，往往是一家公司能走远的重要信号。

当然，Ethos 目前的服务对象主要还是白领专业人士，从对冲基金分析师到咨询顾问。但 a16z 的投资声明里特别提到，平台的专家不仅包括律师、医生，还包括电工、水管工这类技术工人。如果 Ethos 真的能把这个逻辑延伸到更广泛的职业群体，那才是他们一直说的"让机会真正丰盛"的那个世界。

我对这件事的判断

我认为 Ethos 是一家值得认真关注的公司，理由不是因为他们拿到了顶级的投资机构，而是因为他们在解决一个真实的、长期被忽视的结构性问题。

专家网络这个市场并不新，GLG 已经存在了二十多年。但我一直觉得这个市场存在一个根本性的缺陷：匹配质量的天花板被数据质量锁死了。当你用来描述一个人的唯一维度是职位头衔的时候，你能做到的最好结果也只是一个粗略的分类匹配，而不是真正的专业能力匹配。Ethos 用语音 AI agent 来采集更丰富的专家数据，这是一个在技术上可行、在逻辑上正确的突破方向。

我也注意到，他们并没有试图去重建一个全新的平台，而是聚焦在最核心的那一层：如何更好地理解人，以及如何更精准地匹配需求。这种聚焦本身就是一种清醒。

接下来他们面临的核心挑战，我觉得有两个。一是如何在快速扩张专家网络的同时，维持匹配质量。35,000 人每周加入，数量很可观，但如果质量参差不齐，客户端的体验就会下降，这是一个鸡和蛋的问题，也是任何网络效应平台都会遭遇的核心张力。二是如何从专家咨询网络这个相对垂直的起点，逐步延伸到他们描述的那个更宏大的"人才操作系统"愿景。这两者之间的跨度不小，需要在产品和市场上都做出精准的判断。

但总体来说，我对他们的方向是认可的。在 AI 高速发展的今天，很多创业公司在做的事是用 AI 自动化某类工作流程，提升某个环节的效率。Ethos 在做的事不一样，他们是在用 AI 重新构建人与机会之间的基础设施。如果这件事做成了，受益的不只是那些顶级投资机构，而是每一个有真实能力却没有被正确看见的人。

这是一个我认为非常值得被做成的事情。