當所有人都在問AI會不會取代你，這家拿了2275萬美元的公司在做一件完全相反的事

你有沒有想過，你職業生涯里那些真正改變方向的時刻，幾乎都不是靠簡歷找來的？是某個人主動押注在你身上，是一封意外收到的郵件，是朋友的一通電話引出了一個項目，然后那個項目變成了一家公司。我越來越相信，人與機會之間的匹配，是整個職業世界里效率最低的一件事。不是因為機會不夠多，而是因為大量真實的能力和經驗，根本沒有辦法被有效地看見。

就在這個背景下，我注意到了 Ethos 這家公司。他們剛剛完成了 2275 萬美元的 A 輪融資，由 a16z 領投，General Catalyst、XTX Markets、Evantic Capital 和 Common Magic 參與其中。這家總部位于倫敦的創業公司，正在用 AI agent 和語音技術，重新解決一個古老而頑固的問題：如何讓真正的專業能力被看見、被匹配、被變現。乍聽之下，這好像只是一個專家網絡平臺的迭代升級。但當我深入了解之后，我覺得他們在做的事情，遠比這個要根本得多。

01 傳統專家網絡到底錯在哪里

先說說現在的市場長什么樣。企業在尋找外部專家意見的時候，通常有兩條路：一是上 LinkedIn 自己找，二是用 GLG、Third Bridge、AlphaSights 這類專業的專家網絡平臺。這個市場不算小，全球頂級的對沖基金、私募股權公司、咨詢機構，每年在這上面花的錢是以億美元計的。但實際上，大多數使用這些平臺的人都會告訴你，匹配的質量參差不齊，經常花了不少錢，卻沒找到真正懂行的人。

這個問題的根源，在于這些平臺收集專家信息的方式太粗糙了。它們的核心邏輯是這樣的：讓專家填一個表，寫上自己的職位頭銜和工作描述，然后用這些標簽來做匹配。這個邏輯本身就有根本性的缺陷，因為職位頭銜幾乎不能真正代表一個人的專業深度。

我見過很多這樣的情況。一個在大廠做了十年后端工程師的人，他真正的專長可能是某種特定的分布式系統架構，或者他在之前的創業公司里深度參與過某個垂直行業的數據處理問題。但他的 LinkedIn 頭銜就是"Senior Software Engineer"，跟另外幾百萬個人寫的一模一樣。一個醫生的頭銜可能是"內科主任醫師"，但他同時在某個罕見病領域發表過十幾篇論文，還參與過三期臨床試驗的設計——這些信息根本不會出現在他填的那個表格里。

Ethos 的聯合創始人兼 CEO James Lo 對這個問題的表述非常精準。他說："傳統的專家平臺幾乎完全依賴職位頭銜和工作描述的組合。但我們觀察到，大多數客戶和雇主尋找的不是一個職位頭銜加公司名稱的組合，他們尋找的是一種具體的技能和具體的能力。"這句話聽起來簡單，但它指向的是一個系統性的結構問題：我們一直在用錯誤的數據維度來描述人的專業價值。

a16z 的合伙人 Anish Acharya 也持有同樣的判斷。他認為，LinkedIn 和 GLG 這類平臺只能提供淺層信號，也就是職位頭銜這種維度的信息。而真正的專業能力往往藏在更細的子專業方向里，藏在具體的項目經驗里，藏在那些從來沒有被結構化記錄過的知識積累里。

02 聲音，是打開這扇門的鑰匙

Ethos 的解決思路，是用語音。他們給專家提供的入駐體驗，不是讓你填表，而是通過 AI 語音 agent 來進行一場對話式的訪談。這個訪談會問一套經過精心設計的問題，覆蓋你真正懂的那些領域，包括很多你的職位頭銜完全看不出來的部分。

我覺得這個選擇背后有很深的洞察。Anish Acharya 的原話是："我認為聲音是人類溝通最原始的形式。大多數人不知道如何把自己的故事用簡潔、有說服力且準確的方式寫下來。聲音是 Ethos 的一個重大解鎖。"這話說得很真實。讓一個專家用文字準確描述自己懂什么，這件事比想象中難得多。人們往往不知道如何把隱性知識變成結構化的文字表達。但如果你跟他們聊，問他們具體的問題，他們能說出來的東西會豐富得多。

舉個 Ethos 自己給的例子。一家藥企想找醫生，要求不僅要在某個特定領域有專業背景，還需要在這個領域發表過論文，同時對藥物研發流程有理解。這種查詢用傳統的關鍵詞搜索和頭銜匹配基本上做不到，但 Ethos 可以通過更豐富的數據來完成這種精細匹配。

另一個例子更有意思。一個機構可能想找的是"曾在 A 級投資人投過的初創公司工作過、專注于財務自動化的人"。這個查詢條件本身就包含了多個維度的交叉：融資背景、公司階段、專業方向。這類復雜查詢，靠的是更豐富的數據，而不是幾個標簽的組合。

除了語音訪談本身，Ethos 還會結合其他公開數據源來豐富專家畫像，包括博客文章、學術論文、社交媒體鏈接等等。這相當于把一個人的公開知識足跡也納入了評估體系，而不只是依賴他主動填寫的信息。這樣的多維度數據，才能支撐真正精準的匹配。

03 兩個創始人，一個罕見的組合

我在了解 Ethos 的時候，專門研究了一下這兩位創始人的背景，因為我覺得創始團隊的構成往往能解釋一家公司為什么能做對某件事。

James Lo 的職業軌跡相當特殊。他在香港長大，早年親歷了劇烈的社會不平等，這讓他從青少年時期就對社會流動性問題有極深的感受。他拒絕了所有英國大學的錄取通知書，轉而參與了香港的反國民教育運動。后來他在英國讀完大學，隨后加入麥肯錫，再到軟銀，參與了 WeWork 和 Arm 這類重量級案例的轉型工作。他在軟銀的核心收獲，是深刻理解了頂級資本和頂級人才是如何流動和匹配的。

他在一次采訪中分享過一段很有價值的反思。他說麥肯錫給了他極好的結構化思維訓練，讓他能以鳥瞰視角理解不同行業的運作方式，也學會了如何在多元背景的人群中建立高度協作的文化。但他也意識到，作為創業者，他必須主動"卸載"掉很多麥肯錫留下的習慣——因為咨詢顧問有大量數據可以依賴，有大量時間可以分析，而創業者面對的恰恰相反：沒有數據、沒有時間，必須在極度不確定的環境下快速決策、快速迭代。這種自我認知的清醒，我覺得是創始人很稀缺的素質。

Daniel Mankowitz 的背景則完全不同，他在 Google DeepMind 做了將近十年的 AI 研究員，參與過 YouTube 視頻壓縮算法、Gemini 以及 AlphaDev 排序算法的研發工作。這意味著他不是那種只會寫 PPT 講 AI 的人，他是真正在技術前沿工作過的人，對 AI 系統如何理解和處理復雜信息有深度的第一手經驗。

James 對兩人共同創業的切入點有一個很有意思的描述。他說："我一直想為人們提供正確的經濟和就業機會。Daniel 認為經濟本質上是一個由人、公司和產品構成的知識圖譜，用正確的算法，可以把這些實體相互匹配。"一個有運營視角和資本理解，一個有深度技術能力，這種組合在早期創業公司里其實相當罕見。

值得一提的是，James 在 Ethos 之前還創辦過一家教育 AI 公司 Mana，最終以失敗告終。他后來在采訪中非常坦誠地復盤了這段經歷：他犯的核心錯誤，是把社會使命和商業邏輯混淆了，過度相信"教育應該惠及所有人"這個宏大敘事，卻沒有真正理解市場的底層結構——歐洲家庭在非正式教育上的消費意愿遠低于中國，而且用戶（學生）和付款方（家長）之間的利益嚴重錯位。他還犯了一個典型的麥肯錫式錯誤：花太多時間做戰略規劃，而不是快速扔出產品、收集真實反饋。這些失敗的經歷，加上后來為了支撐家庭財務不得不離開創業的那段時間，構成了他再次出發時的底層認知。這種經過真實代價換來的認知，往往比任何商學院課程都更扎實。

04 Ethos 正在做的，比"專家網絡"大得多

表面上看，Ethos 是一個專家網絡平臺，幫公司找到需要的專業人才，專家在上面接咨詢項目賺錢。但我覺得這個描述遠遠低估了他們真正的野心。

James 在談到公司愿景的時候說了這樣一段話："我們最終的愿景是，不只是把你匹配到專家咨詢電話，而是匹配到你人生每個階段的機會。我們會把你匹配到電話、調研、顧問工作、演講、兼職、全職職位——所有這些都由一個核心邏輯驅動：你所有公開貢獻的內容，加上你愿意提供給我們的私人信息，幫助我們在規模上把你匹配到正確的機會。"

這句話的含義，我反復咀嚼了一下。他們實際上想做的是：把每一個人的專業能力變成機器可讀的，然后建立一套基礎設施，讓這些能力可以在經濟體里自由流通和被匹配。從咨詢電話到全職工作，從市場調研到投資顧問，從演講機會到分析項目，本質上是在構建一套"人才操作系統"。

這件事和現有平臺的根本區別在于起點不同。LinkedIn 的邏輯是"展示你是誰"，是一個展示平臺，被動等待機會找上門。Ethos 的邏輯是"發現你能做什么"，是一個主動匹配系統，基于你真實的能力去尋找最適合你的機會。這兩者之間的差距，不是功能層面的迭代，而是整套范式的不同。

a16z 在宣布投資時寫道："每個人在經濟中的某個地方都有比較優勢。問題從來不是人類能力的稀缺，而是大部分能力是非結構化的、不可見的，我們一直沒有基礎設施來把它們呈現出來。"我非常認同這個判斷。我們現在生活在一個信息極度豐富的時代，但關于"人的能力"的信息，依然是高度不透明的。這是一個巨大的效率缺口，也是一個巨大的市場機會。

05 為什么 AI labs 正在成為 Ethos 的助推器

有一個細節讓我覺得 Ethos 的時機選得非常好，值得單獨說一下。

James 在談到專家資源的增長來源時，說了一段很有洞察力的話。他說："AI labs 正在把一把巨大的資本槍對準世界上每一個有經濟價值的職業，試圖把每一個行業都映射出來。這對我們來說是一個驚人的順風。"

這句話背后的邏輯是這樣的：OpenAI、Anthropic、Google DeepMind 等頂級 AI 實驗室，正在構建覆蓋法律、醫療、金融、管理咨詢等各個專業服務領域的 AI 系統。要訓練這些系統，要驗證這些系統的質量，要獲取專業反饋，他們需要大量的真實專家。這些 AI labs 愿意為此付費，而且付得不少。

這意味著什么？意味著 AI 的崛起，不只是在取代專業人才，同時也在大規模激活對專業人才的需求。Ethos 正好站在這個需求的中間。AI labs 成了 Ethos 專家網絡里某類機會的重要來源，而專家們則因此有了更多樣的變現渠道。這是一個相當有意思的共生關系。

從目前披露的數據來看，Ethos 每周有約 35,000 名專家加入平臺，涵蓋律師、醫生、金融顧問、工程師、管理顧問等各類專業人士。平臺上排名靠前的專家，每個月的收入已經超過一萬美元。現有客戶包括頂級對沖基金、私募股權公司、領先的 AI 基礎模型實驗室和大型企業咨詢機構。收費模式是按項目收取 30% 或以上的傭金，視項目性質而定。公司表示年化收入正朝著八位數邁進。

考慮到他們 2024 年才成立，團隊目前只有八個人，這個增速相當驚人。而他們的目標也非常明確：保持團隊精簡，持續規模化。這種用小團隊撬動大網絡的模式，依賴的正是他們在 AI agent 和匹配算法上的核心能力。

06 這件事對"人的價值"意味著什么

我想在這里分享一個更深的思考。

AI 帶來的最大焦慮之一，是關于人的可替代性。很多人擔心自己的工作會被 AI 做掉，擔心自己的專業價值會被系統性稀釋。這種擔憂并非沒有道理，某些類型的任務確實在快速被自動化。

但 Ethos 代表了一種完全不同的敘事邏輯。a16z 在投資聲明里寫道："AI 不應該讓你變得可替代，而應該讓你變得不可替代。"這句話我反復想了很久。他們的意思是，AI 的角色可以不是替代人的專業能力，而是讓這種能力變得更可見、更可匹配、更可流通。換句話說，AI 可以成為一個放大器，而不是一個替代者。

我相信這個方向是成立的，但它有一個前提：你的專業能力必須真實存在，而且足夠有深度。這正是 Ethos 在解決的那個結構性問題——讓那些真正有深度的專業能力，不再因為表達方式的局限而被埋沒。

這讓我想起了 James 創業的原始驅動力。他在成長過程中深刻感受到了社會不平等，他一直在思考一個問題：如何用技術和商業的力量，推動真正意義上的社會流動性。Ethos 在某種程度上是這個問題的一個商業化答案——通過更好的匹配基礎設施，讓更多人的能力被看見，讓機會的分配更公平、更高效。他在采訪里說，他終于感受到使命和商業之間找到了某種對齊，雖然還不完美，但方向是對的。這種創始人和產品之間的深度共鳴，往往是一家公司能走遠的重要信號。

當然，Ethos 目前的服務對象主要還是白領專業人士，從對沖基金分析師到咨詢顧問。但 a16z 的投資聲明里特別提到，平臺的專家不僅包括律師、醫生，還包括電工、水管工這類技術工人。如果 Ethos 真的能把這個邏輯延伸到更廣泛的職業群體，那才是他們一直說的"讓機會真正豐盛"的那個世界。

07 我對這件事的判斷

我認為 Ethos 是一家值得認真關注的公司，理由不是因為他們拿到了頂級的投資機構，而是因為他們在解決一個真實的、長期被忽視的結構性問題。

專家網絡這個市場并不新，GLG 已經存在了二十多年。但我一直覺得這個市場存在一個根本性的缺陷：匹配質量的天花板被數據質量鎖死了。當你用來描述一個人的唯一維度是職位頭銜的時候，你能做到的最好結果也只是一個粗略的分類匹配，而不是真正的專業能力匹配。Ethos 用語音 AI agent 來采集更豐富的專家數據，這是一個在技術上可行、在邏輯上正確的突破方向。

我也注意到，他們并沒有試圖去重建一個全新的平臺，而是聚焦在最核心的那一層：如何更好地理解人，以及如何更精準地匹配需求。這種聚焦本身就是一種清醒。

接下來他們面臨的核心挑戰，我覺得有兩個。一是如何在快速擴張專家網絡的同時，維持匹配質量。35,000 人每周加入，數量很可觀，但如果質量參差不齊，客戶端的體驗就會下降，這是一個雞和蛋的問題，也是任何網絡效應平臺都會遭遇的核心張力。二是如何從專家咨詢網絡這個相對垂直的起點，逐步延伸到他們描述的那個更宏大的"人才操作系統"愿景。這兩者之間的跨度不小，需要在產品和市場上都做出精準的判斷。

但總體來說，我對他們的方向是認可的。在 AI 高速發展的今天，很多創業公司在做的事是用 AI 自動化某類工作流程，提升某個環節的效率。Ethos 在做的事不一樣，他們是在用 AI 重新構建人與機會之間的基礎設施。如果這件事做成了，受益的不只是那些頂級投資機構，而是每一個有真實能力卻沒有被正確看見的人。

這是一個我認為非常值得被做成的事情。

來源 | 深思圈（ID：Deep_Think_Circle）

作者 | Leo ; 編輯 | 蝦餃

內容僅代表作者獨立觀點，不代表早讀課立場