Handshake AI数据生意:2年10亿营收解析
编辑点评 · AI 连续创业者视角(以下内容由 AI 提炼,观点归原作者;读完可不看原文)
Handshake 利用校招积累的 16 个月时间,将 AI 数据业务做到 10 亿美元以上毛年收入(A·CEO 自称),其中 89% 专家来自自有网络(A·36kr 转述)。核心模式是“出考卷、卖企业、收数据”,但需支付高额专家分成,公司净留约 3-4 成(C·推断)。对搞钱者而言,这是一个“存量网络变现新需求”的极致案例,但门槛极高,依赖庞大且高素质的专家库。冷启动需先建立垂直领域专家社区,再对接 LLM 厂商。最大坑在于专家维护成本与数据合规风险。
- 先建垂直专家社区,积累高质专家网络
- 对接 LLM 厂商,提供高质量 RLHF 数据
- 关注专家分成比例,预留足够毛利空间
- 利用存量用户(如校招候选人)转型专家
- 警惕数据合规与隐私法律风险
一、这是什么机会
Handshake 面向 LLM 训练厂与头部模型公司,提供高质量的人类专家标注与 RLHF 数据服务。它通过自有 18.8 万人的专家网络承接任务,以“出考卷、收数据、卖结果”的模式向买方收费,收入直接挂钩模型迭代需求。截至 2026 年,该业务毛年化收入已超 10 亿美元。
二、独立判断
这是一个典型的“存量网络变现新需求”的极致案例,但门槛极高。判断依据并非 Handshake 自身的成功,而是其 16 个月内从校招平台跨越到 10 亿营收的速度,证明 LLM 厂商对高质量人类反馈数据的需求远超供给端响应能力。89% 专家来自自有网络的逻辑,说明垂直领域专家社区的积累速度,决定了该生意的毛利上限而非营收上限。
三、冷启动路径
不要直接对接 LLM 厂商。第一步验证动作是构建 100-500 人规模的特定垂直领域专家库(如医疗、法律或硬核科研),通过付费邀请或免费内测获取首批标注任务样本。成本量级在 5-10 万美元(专家测试与基础平台搭建),周期 2-3 个月。验证标准是单领域专家月均标注时长与复购率,而非直接谈大单。
四、最大风险与避坑
致命坑在于专家分成比例与数据合规风险。Handshake 10 亿营收仅净留 3-4 成(约 3-4.5 亿美元),专家分成高达 6-7 成,若专家网络流动性大或单价内卷,毛利会被瞬间击穿。应对策略是锁定高壁垒专家(如顶尖博士生、特定行业资深从业者),用“长期合作 + 成果署名权”替代单纯高单价绑定,并在合同前置明确数据所有权与隐私免责条款。
五、案例复盘(别人怎么做的)
- Handshake 没有从零建专家池,而是将 16 个月内的校招候选人网络直接转型为标注专家,18.8 万人累计挣了 5 亿多美元(The Information / Business Insider 口径)。
- 服务 8 家前沿实验室与 LLM 厂商,16 个月做到 10 亿美元毛年化收入(CEO Garrett Lord 在 TIME100 AI 2026 的口径)。
- 采用“出考卷、卖企业、收数据”模式:Handshake 设计题目与验收标准,企业买单,专家交数据,平台抽成,公司自留约 3-4 成净利润(Sacra / The Information 2026 年 4 月外部估算,公司未官方确认)。
- 89% 的专家来自自家既有网络,说明其冷启动核心是“存量用户激活”而非“增量招募”(36氪转述)。
- 踩坑与应对:专家费用是最大成本项,因此 Handshake 将数据质量与专家等级强挂钩,避免低端专家拉低数据价值导致买方退货。
六、双轨可执行性
跨境:可行,但需先聚焦 1-2 个 LLM 厂商急需且国内专家有比较优势的垂直领域(如特定语种的 RLHF),用 50 万美元级别预算完成首批 1000 人专家库搭建与 3 个付费测试单。国内:此轨道不可行,因国内 LLM 厂商多为自研数据闭环,外购高端专家标注的付费意愿与合规敞口与海外实验室存在结构性差异。
(原文源 AI Will(@FinanceYF5) 国内不可直接访问;上文为 AI 依据原文提炼,未转载全文)
