新聞速讀｜白領正在訓練可能取代自己的 AI：Mercor 把評測外包變成新零工

InfoAI 編輯部

管理的本質，是在不確定裡把「人的判斷」放到對的位置。

白領市場在降溫時，最先改變的往往不是「工作消失」，而是「找到工作的路徑變長」。也就在這段拉長的空窗期，一種看似矛盾、卻愈來愈常見的現金流選項浮上檯面：不再只是在找工作，而是去做「AI 的評測與回饋」，協助模型更像真實職場的標準。

矽谷新創 Mercor 透過平台管理與媒合大量約聘工作者（contractors），替大型 AI 公司處理模型輸出評測與修正相關任務。這類工作按專業與專案而異，報導形容部分案源的時薪上限可達每小時 250 美元；但它同時也更像一段被制度化的供應鏈流程，包含 AI 主導面試、工時追蹤軟體與防作弊機制。另一個讓人無法忽視的焦點，則是合約中的智慧財產權（IP）條款範圍疑慮，讓「接案」不再只是接案，而是一段關於權利邊界、信任成本與責任鏈如何被重新劃線的過程。

摘要：

1. Mercor 管理與媒合「數萬名」約聘工作者投入 AI 評測與回饋任務。

2. 公開口徑略有差異：部分轉述與專訪寫「逾 3 萬名」，但核心指向同一規模量級。

3. 報酬落差大：依專業與專案而定，部分案源上限可達 250 美元／小時，也有較低時薪案源。

4. 為了可交付性：AI 面試與工時追蹤等「管理與稽核機制」逐漸成為標配。

5. 合約風險成焦點：部分工作者擔心 IP 條款範圍過廣，公司則主張僅涵蓋專案中使用的內容。

白領的下一個零工市場，為何會長得像「模型評測供應鏈」？

這個新聞值得注意的是，零工經濟推進到白領與專業領域：心理師、工程師、研究者、律師、醫師等角色，被重新安放成「模型輸出品質」的把關者。Mercor 將分散的專業判斷，切成可外包、可管理、可交付的工作單元，提供給需要大量回饋資料與評測結果的 AI 公司。

美國勞動市場在 2025 年下半年呈現偏冷氛圍，失業率數字在 2025 年 11 月曾以 4.6% 對外呈現，後續因年度季節調整等修正下修為 4.5%；此外，2025 年 10 月因聯邦政府停擺，家戶調查資料一度未能蒐集，讓月序列解讀更需要保守。就算不把數字當成單一因果，現實仍很清楚：當「找到一份穩定正職」變成長跑，能快速變現、又能維持一定專業連結的案源，就更可能被一部分人視為過渡選項。

Mercor 怎麼把「人類判斷」拆成商品？關鍵不是標註，而是可稽核的回饋

外界談到 AI 訓練時，最常直覺想到「資料標註」。但這則新聞所描述的工作型態，更靠近「評測、批改、回饋」：工作者必須用領域知識判斷輸出好壞、指出錯誤、補足脈絡，並依指引規格交付可被比對的評分與文字回饋。換句話說，該平台販售的不是某個人的靈感，而是「穩定且可追溯的判斷過程」。

這也解釋了為何「白領評測」會成為一條獨立的供應鏈。模型越想跨進真實工作場景，越需要一套能重複運作的人類評測框架，讓模型改善不只停留在主觀感受，而是可以被記錄、被驗證、被交代。當企業端把「可交付性」當成採購條件，平台端就會把流程做得更像生產線，專業判斷因此被制度化、被切片，也更容易外包。

高時薪的背面：AI 面試、工時追蹤與防舞弊，正在變成新常態

根據外媒的報導指出，Mercor 的篩選流程包含 AI 主導的面試；在交付管理上，也要求使用軟體追蹤可計費工時，以防作弊。報導同時提到，有人曾嘗試用 AI 來完成「評測 AI」的工作，平台因此加強稽核。

這裡其實揭露了一個更大的現實：當評測外包成為供應鏈，平台要交付給企業客戶的不是「一份回饋」，而是「一份可以被信任的回饋」。信任一旦成為交付條件，管理與稽核機制就會自然加碼，包含流程控管、抽查、比對一致性與可追溯的交付記錄。對接案者來說，這更像一份被標準化的專業勞務；自由度可能降低，但也意味著它更接近可規模化的市場，而不只是零星的個人接案。

IP 條款疑慮、資料使用權與「我到底交出了什麼」

在這個新聞事件中，有一個爭議焦點是落在合約的智慧財產權條款。部分受訪者擔心條款涵蓋範圍過廣，可能讓自己原本擁有的內容或專業輸出，在界線不清的情況下被平台或其客戶使用；Mercor 則回應，條款只會涵蓋工作者「在專案中選擇使用」的內容，未使用者不在範圍內。

需要特別說明的是：目前公開資訊主要停留在報導轉述與公司回應口徑，未見可公開取得、可逐條比對的完整合約版本，因此本文不對特定條文做更細推論。即便如此，這段爭議仍有它的價值：它提醒所有參與者，當你把專業輸出放進供應鏈的一格，權利邊界與責任邊界就不能只靠默契，而必須靠文字被寫清楚。否則爭議不會消失，只會延後爆發，並在最不利的時刻反噬彼此信任。

企業買到的不是資料，而是「責任可交代」的流程

如果你是企業端、正在導入生成式 AI 或 AI Agent，Mercor 現象提醒你：模型能力之外，評測、稽核、權利邊界與責任鏈，正在變成導入能否落地的關鍵。把評測外包不必然是壞事，但若規格不清，外包只會把風險一起外包不掉。

從這個新聞事件中所看到的落地建議：

把評測任務寫成可稽核的標準：哪些錯誤算重大、哪些偏差可接受、要不要附引用與證據，避免只得到「看起來合理」但不可追溯的回饋。

1. 合約拆開三件事：資料使用權、評測交付物的權利歸屬、既有 IP 與機密資訊排除條款，不要用一段包到底。

2. 把防舞弊當成品質系統的一部分：工時追蹤只能處理「時間」，還要加上抽查、交叉評分與一致性檢測，才能處理「可信度」。

3. 把專家評測視為長期合作：能持續的回饋網路，通常比一次性採買更能改善模型與流程。

4. 對內先定義「哪些工作不外包」：涉及客戶機密、法遵判斷、關鍵決策建議的場景，先做資料最小化與權限切割，再談外包與協作。

下一步觀察提醒：這個新聞值得後續追蹤的是，這類平台是否會從「評測外包」擴張到「工作流外包」，以及企業是否會把評測結果納入合規與稽核文件，讓它成為採購必備條件。

這是短期過渡，還是白領市場的新結構？

如果你想要判斷這波趨勢是景氣循環下的暫時現象，還是 AI 供應鏈重組後的長期結構，建議把觀測點放在兩條軸線：「規模是否持續」與「信任成本是否上升」。前者看市場量能，後者看制度化程度。

可追蹤指標：

1. 平台活躍約聘工作者規模：公開口徑是否持續維持「數萬名」量級，且專案量穩定增加。

2. 企業端的採購條款變化：是否開始把資料使用權、既有 IP 排除、再授權限制寫得更細，並要求供應商提供稽核證明。品質事件與回撤：若出現評測結果失真、外包資料外洩等案例，企業會更快改採內製或提高門檻。

3. 稽核強度：AI 面試、工時追蹤、螢幕分享等控管是否更普及，代表「信任」正被制度化、商品化。

4. 勞動市場溫度：失業率與白領職缺、薪資結構是否讓「接案型收入」成為更長期的常態補貼。

FAQ

1．這類「訓練 AI」的白領接案，實際在做什麼？

它更像「評測與回饋」工作：用你的領域知識去評分、挑錯、補脈絡、改寫，使其 AI 輸出更符合真實職場標準。這與一般資料標註不同，因為交付物往往包含判斷理由、錯誤類型、可改善方向，甚至需要依規格提交可比對的評分與文字回饋。從企業端視角，這等於把「人類判斷」拆成可外包的流程元件，並把它做成可稽核的交付。

對工作者而言，這類任務的關鍵能力不是「打字快」，而是「審題準」：你是否能看出模型在什麼情境下會誤解、會漏掉關鍵條件、會在語氣上看似合理但在專業上失真。這也解釋了為何報酬落差會很大，因為它高度取決於領域門檻與交付可信度。

2．為什麼需要工時追蹤或防作弊？不是不信任人嗎？

平台要交付給企業客戶的不是「一份回饋」，而是「可信的回饋」。若評測者用 AI 快速生成評語，結果可能變成模型的自我循環，無法提供真實世界的糾錯。工時追蹤、抽查與一致性檢測，都是把「信任」轉成流程與證據的方式。

從接案者角度，這確實會降低自由度；但從供應鏈角度，它是讓外包成果能被採用、能被稽核的前提。你可以把它理解為一種交換：用更可被監督的流程，換取企業端願意持續付費的穩定案源。

3．250 美元／小時是真的嗎？一般人也拿得到嗎？

報導呈現的重點是「差距很大」。部分案源的時薪上限可達 250 美元／小時，多半對應稀缺且高責任的專業領域；同時也存在較低時薪案源。你在評估時，應把它當作「專業接案市場」而不是「人人可做的零工」。

影響收入的常見因素包括：專業稀缺性、專案難度與風險、交付標準嚴格度、審核門檻、以及你能否持續穩定交付。更務實的問法是：在你的專業領域裡，你能不能提供「可被驗證」的判斷與回饋，而不是只提供意見。

4．合約的 IP 條款疑慮，實務上要怎麼看？

你要先把內容分成三類：你原本就擁有的既有作品與方法、你在專案中產出的交付物、以及你在專案中可能接觸的機密資訊。爭議多半出在「界線是否寫清楚」與「是否允許再授權」。在未能取得完整合約逐條比對前，外部評論很容易各說各話；對個人最務實的做法，是要求合約清楚寫出排除條款（既有 IP 與機密資訊）、交付物權利歸屬、使用範圍與期限，並保留你交付內容的證據鏈，避免事後爭議無從釐清。

如果你的專業高度依賴既有作品、範本、或你長期累積的方法論，更要把「哪些內容不得被視為交付物」寫清楚，並避免把客戶機密或你自己的可識別作品直接帶進專案環境。

5．這會不會變成「訓練 AI 來取代自己」？要不要做？

這不是非黑即白的道德題，而是一個現實的生涯與風險選擇。AI 要走進真實工作，就需要大量人類回饋與評測，這個需求短期內不會消失。對個人而言，關鍵在於你是否把它當成「賣時間」，還是把它當成「練審題、練規格化與品質控管能力」的過渡。

若你所在領域的價值主要來自「在脈絡中做判斷」而非「交付固定格式的產出」，那麼你反而可以把這類工作視為一種市場訊號：企業願意為可交代的判斷付費。相反地，若你的工作內容本就高度標準化，那你更要謹慎評估，避免在條款與交付範圍不清楚的情況下，把自己最核心的可重複資產交出去。

6．企業端為什麼要關注？我又不是要去接案。

因為它揭示了 AI 導入的成本結構正在改變。模型本身之外，評測、稽核、權利邊界與責任鏈，正在變成導入成敗的主戰場。即使你不使用 Mercor，你也會在其他供應商、其他採購案中遇到同樣問題：資料能不能用、回饋可信不可信、出錯誰負責、稽核怎麼交代。

更重要的是，這類平台把「信任」做成流程，會反過來抬高企業內部的標準。未來你在推動生成式 AI 專案時，主管與法遵單位更可能追問的，不是「模型有多聰明」，而是「你怎麼證明它在這個場景裡可靠」，以及「出了問題你怎麼交代」。提早把這些議題納入設計與採購標準，通常比事後補洞便宜得多。

參考資料：

• Job Seekers Find a New Source of Income: Training AI to Do Their Old Roles

• Mercor Series C Announcement

• Mercor valuation hits $10B after Series C

• US job growth slows; unemployment rate revised

• The Employment Situation – December 2025

• Mercor contractor pay and platform details

AI 素養｜AI 為什麼會亂講話？揭開大型語言模型的「黑盒子」運作邏輯
理解 AI 為何能回答、也會胡說八道的真正原因

AI 時代的思考力革命｜AI 素養，不是學技術，而是拿回主導權的能力升級
與 AI 一起思考，成為能定義方向的人

AI 時代的知識遷徙策略｜從「學會掌握」到「洞察驗證」
聞道不必有先後，高下立判見深用；術業專攻仍需要，深廣變通顯智慧。

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

用內容建立信任
用洞察塑造品牌

在 AI 時代，真正有力量的行銷不是廣告聲量，而是持續輸出的深度思考。InfoAI 把全球 AI 趨勢與報告，轉譯成清楚、精準、有觀點的內容，讓企業不只是跟上變化，而是成為洞察的提供者，讓品牌變成被信任的決策夥伴。如果你不想只是「談 AI」，而是想「透過 AI 影響市場與客戶」，那就從內容開始。歡迎來信： contentpower688@gmail.com

如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［QRCode］／［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。

InfoAI｜讀懂 AI 如何改變世界

在 AI 改變世界之前
助你先讀懂 AI 世界

每日精選全球 AI 新聞
AI 趨勢 + 新聞 + 深度解讀

Content Power ｜賦能你在 AI 時代的專業能力
專注於「AI × 專業 × 工作方法」的知識平台
透過框架、流程與方法
協助你在 AI 時代重建專業能力