對於美國的年輕人而言，networking 是一個很重要的工作。無論是獲得職業指導、內推機會，還是建立自己的行業人脈，networking 都是必不可少的工作。在歐美職場文化裡，「Networking」不是單純指「社交」或「人脈」——它更像是一種主動、策略性的關係構建，這些關係會成為每一個職場人未來的「資產」。但是當下，以 LinkedIn 為代表的職業社交平台，卻並不能真正高效地促成這種雙向連接。在 Articuler.ai 創始人申哲先看來，LinkedIn 更像是上一個時代的電話黃頁，只解決了「展示」，沒有解決「匹配」。申哲先想改變職業社交中人與人建立連接的方式。他想做一個 AI 驅動的 、像 Tinder 一樣的 LinkedIn，讓 AI 幫助使用者更高效地去連接、被發現，進而建構一個承載雙向關係的職業社交平台。在職業社交的網際網路化過程中，過去那些信息完成了網際網路化？那些還沒有？職業社交中，找到對的人並建立聯絡，其中涉及那些步驟？AI 能提升那些環節的效率？LinkedIn 和公開網際網路上沉澱了大量使用者的職業資料，這些資料在今天有怎樣的價值？以下是我們與申哲先的對話，經 Founder Park 編輯整理。在我們訪談後不久，LinkedIn 發佈了 AI 找人功能，Articuler.ai 團隊測試了產品效果的對比。超 15000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。進群後，你有機會得到：最新、最值得關注的 AI 新品資訊；不定期贈送熱門新品的邀請碼、會員碼；最精準的AI產品曝光管道01當你想認識一個人的時候，AI 能幫你做什麼？Founder Park：介紹一下 Articuler.ai 在做什麼？申哲先：我們現在做的項目叫 Articuler.ai，現在的形態是一款職場社交的 AI 產品。Articuler 的意思是把零碎的事物用邏輯組織起來。我們希望組織散佈在網際網路各個角落的資訊，建構每個人的職業社交profile，幫助大家去連接、被發現，認識到本就應該相遇的人。我們希望能做到：第一，在不同目的下，幫使用者連接到正確的人；第二，在交流過程中，不用再猜，見面之前就能瞭解對方的偏好和觀點，實現更高效的撮合。Founder Park：聽起來像「約會」類產品。申哲先：Dating 領域我們做了很多研究，團隊也有人之前做過這個領域的產品。一開始的確思考過，到底約會軟體還有沒有機會？但實際上，使用者的約會習慣，尤其北美市場，這幾年已經發生了很大的變化。Match Group（旗下 Tinder、Hinge 等），這幾年股價掉了 70%，因為疫情之後，年輕人已經不想玩線上 dating 了。反而 Ins、Snapchat 這類社交媒體，承接了不少 dating 的需求，ins 就是年輕人的 profile，這些社交媒體上的個人資訊，更加真實更加全面，不像 Tinder 上面那麼刻意。另外，陌生人 dating 還是不如有一些間接關係的 dating。Fun fact，LinkedIn 也承接了一部分約會需求，因為上面有真實的教育和工作背景，有共同好友，也有真實照片和帖子。Founder Park：「查戶口」的步驟省了。申哲先：荷爾蒙驅動的約會，已經沒有太大的增量市場了。它不是一個真正的雙向匹配，更像「選美」，最受歡迎的人會吸引到所有的注意力，大部分中腰部的使用者匹配不上，這個場景的根本問題很難解決。但在大模型出來之後，它能對一個很複雜的使用者背景進行解析，理解使用者的偏好和背景。這種能力，用在主觀且荷爾蒙驅動的約會場景上其實不太適用——但它非常適合做目的性明確的匹配，比如嚴肅的婚戀，因為它看的指標更客觀，不是一些像長相這樣比較主觀的東西。如何能利用 AI，讓人與人之間在職業社交中實現更高效的匹配？這才是我們真正想用技術去解決的事情。我們在做一個像 Tinder 一樣的 LinkedIn，幫助使用者去連接到他本來就應該認識的人。過去平台理解一個人，是把他壓縮成一組標籤，這個過程損失了太多資訊模態。我們是把一個人的所有資料，包括簡歷、觀點、項目經歷等等，在做完 embedding 之後，完整地變成一個高維度的向量資料。我們做的匹配，是基於語義理解的、向量和向量之間的匹配，這樣能更準、更高效。articuler.ai的Playbook功能入口Founder Park：這個創業想法是什麼時候開始的？申哲先：最開始是 GPT-4o 即時語音互動的發佈。當時 OpenAI 那場發佈會，AI 對人的語氣、對交流背後的 context 都有很好的理解，能夠很絲滑地參與到人的對話中。這對我的啟發是，AI 能夠參與到社交中，它會不會能夠去解構人與人之間的交流和關係？另一個產品，Plaud，在這方面也對我們有所啟發。我個人非常喜歡 Plaud，它的切入點很妙，用硬體的「超級按鈕」取代了原本手機裡三四次操作才能做到的功能，掌握了線下資訊的入口。我經常基於 Plaud 的記錄來分析我開會/見客戶時的表現，比如我們跟投資人聊完，那裡聊得好，那裡不夠好，AI 都能分析出來。當時我們並沒有特別考慮硬體的方向，反而想到了一個比較好的高頻打低頻的點：發 Cold Email。（Cold Email：破冰信，指跟對方關係並不熟，但試圖得到對方幫助或讓對方留下印象的 email，是職業社交裡非常常見的手段。常見的 cold email，包括客戶或投資人的郵件、初次聯絡客戶的介紹信，以及求職自薦信等。）現在在 LinkedIn 上，每個月花 30 美金訂閱費，只能發 5 封 InMail（站內信）。cold email 如何寫，是個挺有趣的課題。去年我做使用者訪談，一個做醫療器械銷售的朋友給了我一個特別反直覺的觀點，他寫一封 cold email 平均要半小時。我問為什麼這麼久，他說：「在醫療器械的銷售圈子裡，大家其實都會有千絲萬縷的關係，你得找到這些關係。」比如你們是不是同一個導師，有沒有在同一個期刊發過論文。ChatGPT 可以幫你寫一封語言優美的郵件，但它找不到這些點。在實際場景裡，你寫得內容比你的語言要重要得多得多。於是我們做了一個小外掛，使用者在 LinkedIn 上點一下對方，我們就能結合雙方的背景，幫他寫一封高效的 cold email。這個產品跑得相當不錯，今年上半年月度環比增長達到了 110%。articuler.ai為申哲先生成給投資人的cold emailFounder Park：發 cold email 的時候，這個人已經「匹配」到了。申哲先：對，到了今年的 3 月份，我們又去做了第二次的使用者訪談。我沒有直接問問題，而是讓使用者投屏給我看，當他們不用我們的軟體時，是怎麼在 LinkedIn 上做 networking 或者跟人建立連接。當時我們很驚訝地發現，其實寫 cold email 不是第一步，是很靠後的步驟。他們在整個流程裡面 60% 到 70% 的時間是用來找人的。比如說，假設我是一個 founder，我想找個投資人。在 LinkedIn 上搜「VC」，會出來一大堆人，但你根本不知道他們投不投你的領域和階段。使用者需要一個一個點開看，甚至要跳出去用 Google 搜尋，尋找對方機構的投資階段、投資方向等等。所以我們當時在想，其實發 cold email 和找到對的人是同一件事。「如果你沒有找到對的人，你這個 cold email 寫得再好，對方都不可能給你回覆。」所以從今年 4 月底開始，我們做了現在的版本。我們希望能把全世界的人都變成一個高維度的向量資料，做到知己知彼。換句話說，全天下的白領我都認識了，你只需要告訴我你是誰、想幹嘛，我們能幫你找到最匹配、最相關的這個人。articuler.ai的社群搜尋入口02沒有被 LinkedIn 滿足的使用者需求Founder Park：職業社交這些年發生了什麼樣的變化？過去的模式是怎樣的？申哲先：我去年和一個快 50 歲的老前輩聊天，他是上世紀 90 年代就在華爾街做投行。那時候沒有網際網路，更沒有 LinkedIn。想進去投行，就得靠 networking。他當時在華爾街街頭站了兩個禮拜，在每個投行的樓下堵著人聊，做 coffee chat。在前網際網路時代，職業社交就是以線下為主。比如，投行在美國都有所謂的「目標學校」，校友之間有一個強紐帶，在面試之前，他們通過一些線下聚會和關係網路就已經相互認識了。這種是「強關係」，人與人之間的關係質量比較高。通過地理和活動的篩選，篩掉了很多人。但存在兩個問題：一是地理限制嚴重，二是資訊也嚴重不對稱。你不知道對方是誰，看不到對方的簡歷，只能通過在活動上半個小時的交流去相互瞭解。之後進入網際網路時代，就是 LinkedIn 的時代。它在早期只幹了一件事情：把每個人的簡歷搬到網上。簡歷其實是一種社交貨幣，是個人品牌的呈現。在 LinkedIn 上，我們可以看到你的第二度和第三度的人脈關係，它通過這個能打破地理和已有社交圈的限制，幫你找到更多和你相關的人。LinkedIn 就像是一個超級電話本或黃頁，你可以通過關鍵詞找到任何人。Founder Park：但 LinkedIn 似乎並沒有完全滿足使用者的需求，它存在什麼問題？申哲先：LinkedIn 最大的問題是，只解決了「展示」，沒有解決「匹配」。LinkedIn 現在的收入大頭來自 B 端，比如賣銷售線索的 Sales Navigator 和賣人頭的 LinkedIn Recruiter。它並不在意你想不想看對方給你發一條消息，它只是把你去當做一個這個整個人頭去賣出去。所以在「知己知彼」這件事情裡，LinkedIn 只做了一半，這也導致很多人打開 LinkedIn 之後，能看到很多廣告郵件、騷擾郵件，浪費時間，浪費注意力。這些垃圾資訊的雙方，產生不了價值交換。你並不想要對方 offer 的服務、產品、崗位，但系統並不知道這件事。使用者想要的可能是找到最合適的 10 個人，但 LinkedIn 通過把一個人強行壓縮成一組標籤，給你推出 1000 個滿足最低要求的人，你需要做大量的篩選工作。而且，在 LinkedIn 的職業社交中，我們都是被動地等待被連接，如果別人不知道搜尋我的關鍵詞，就永遠找不到我。所以在這樣的情況，我覺得 LinkedIn 更像是上一個時代的產物，像一個電話黃頁。但我們想做的是一個 Tinder 版的 LinkedIn，不僅能讓使用者展示自己的品牌，並且能幫助使用者去連接、被發現。Founder Park：你們在做的匹配和 LinkedIn 的「匹配」有什麼本質區別？申哲先：能讓我們產品變得更好的，肯定不是公開資料。你只用公開資料，講得粗俗一點，「其實就是在別人的資料庫上做了個互動層」。 瞭解使用者隱性的偏好，才是我們的「壁壘」。使用者在我們平台上的每一步互動，推薦人、建立連接、見面的準備、見面後的管理，我們能接收到使用者真實互動的反饋訊號。通過這個訊號，在我們下次做匹配時，就知道使用者的偏好性到底是什麼樣的。比如，我想找投資人，系統給我推了 15 個，但我最終只聯絡了其中 4 個。為什麼我選了這 4 個，沒選另外 11 個？這背後反映了我很多隱性的偏好，這些甚至是使用者自己都說不清楚的。這些互動資料會沉澱下來，讓我們的平台，越用越好用，推薦越來越準。而且這個資料是別人拿不到的。你可以把我們理解成一個關於白領的「大眾點評」，你每一次互動的反饋，都會成為你的一個社交標籤。articuler.ai的聯絡人狀態管理Founder Park：聽起來和推薦系統有點像，和傳統推薦系統的區別是什麼？申哲先：我們使用者的背景資訊更豐富。傳統的推薦，比如淘寶，它一開始其實不知道你是誰，需要你產生上百次購物行為後，才能大概猜出你的偏好。但我們不一樣，使用者一進來，我們就能知道 ta 的背景是什麼，通過我們的大盤資料，能推測出這類背景的使用者通常有那些共通的喜好，所以我們的冷啟動階段給使用者的推薦質量很好，使用者很滿意。其次是，我們在中間加了一層大模型，我們把使用者在產品上的互動作為強化訊號，比如 ta 選擇了和誰聯絡，拒絕了和誰聯絡，都通過 embedding 模型，加入到了使用者自己的向量化的 profile 中。Founder Park：在美國職場文化中，networking 是一個很普遍的需求嗎？申哲先：我本科的教授給我講過一句話，讓我特別難忘。他說：「Your network is your net worth.」在美國，networking 是一個非常常見的文化。比如我爸爸朋友的女兒，剛上大一，因為沒有提前聯絡社團的學長學姐做 coffee chat，結果開學後想加的社團名額都滿了。所以你會發現，networking 這件事情，本身就是人與人之間去充分瞭解資訊、建立聯絡的方式。在美國的傳統職場文化裡面，這已經是一個很重要的文化組成部分了。從資料上看，美國社招中超過 85% 以上的工作在每個公司的官網都沒放出來，是通過人與人之間的推薦來拿到工作機會。我們今年上半年在美國這邊做了一些研究，訪談樣本有 200 多個人，主要是大廠員工和一些做專業服務（professional service）的白領，裡面超過 95% 的人都做過 networking 這件事情。LinkedIn 今年第一季度的 C 端訂閱收入已經突破 20 億美金了，年增速達到 50%。在一個滲透率 95% 的產品上還能有這樣的增長，是一件很恐怖的事情，說明這個需求非常強勁。使用者每月花 30 美金，核心就是為了能看到更多人的資料和傳送更多站內信，都是為了 networking。它的主要使用者是 18-35 歲的年輕人，佔比 75%，因為年輕人在一段工作中的平均在職時間越來越短，他們需要建立自己的職業社交形象，連接到關鍵的人和機會，同時能被別人發現。03從 LinkedIn 上長出來的產品Founder Park：在職業社交的線上化處理程序中，已經做好的是什麼？還沒做好的是什麼？申哲先：第一步被網際網路化的，其實是每個人的身份資訊。網際網路就是一張巨大的網，把人都連到一塊了。你可以在這個網上去找到所有的人。第二步出來，其實是在這個網上去加入更多模態的資訊。比如說，這個人發了帖子，這個人發了一些照片等等，它會讓一個人更加豐富起來。那站在 2025 年看這個事情，我們經過網際網路這麼幾十年的發展之後，你會發現每個人的社交身份是散佈在各個平台或者網際網路的各個角落裡的。那我們現在的問題是，如何把這些散佈在各個角落裡面的身份資訊充分利用，同時整合成一個更好用的新產品？我們認為，現在這個時代，使用者需要的不是「我要看見」，而是「我要一個結果」。我要的東西就是要跟一個關鍵的人產生連接、建立連接、發生關係。但是我們現在都只能看到他的帖子，只能去關注他，他不知道我是誰，也不知道跟我這個人之間有那些關係的互動。但不可否認，LinkedIn 是一個很值得尊敬的產品，因為但凡能起網路效應的產品都有著最強的「壁壘」，沒有之一。LinkedIn 現在有這個網路效應，所有人都加入這個網路了，你不加就享受不到。那我們能幹的是什麼？我們希望在我們的平台上去建立起小的「原子網路」。articuler.ai的社群首頁Founder Park：最開始做了一個基於 LinkedIn 的寫作 cold email 的外掛，當時是怎麼想的？申哲先：我們一開始的野心更大，想成為每個人的「超級通訊錄」或者「個人 CRM」。不管是 Notta 還是 Plaud，它們都是以「一場會議」為最小單元。但我們認為，你所有的會議、通話，最終都是和「人」有關係的。所以我們想做一個更上一層的東西，能沉澱所有互動，幫使用者維護關係網路。但這條路，我們在今年 3 月份的時候發現走歪了，有點往 CRM 偏得太多。我們研究了美國市場後發現，這個方向最終只能做 ToB，因為願意為個人關係管理付費的 ToC 使用者太少了。而且中國團隊，在美國做 ToB 銷售沒有優勢。我們當時選擇做 LinkedIn 的外掛，因為它是一個無法繞開的生態，在北美的白領中，LinkedIn 的滲透率高達 95%。在這樣的基礎上，完全沒有必要再去搞一個新的個人資料平台。Founder Park：這個外掛和你現在的產品是什麼關係？申哲先：原來那個外掛現在已經成了產品的二級功能。我們後來想明白了，在職業社交中，「匹配」才是價值最高的點，它應該是一切互動的入口。資料也證明了這一點，我們加上「找人」和推薦功能後，cold email 的回覆率從 6% 提升到了 12%-15%。Founder Park：直接翻了一倍，怎麼做到的？申哲先：最關鍵的一點是：我們幫你找的人，是對的人。在內容生成上，我們用了一套比較複雜的 Agent 框架。我們會輸入使用者和對方的背景資訊，包括公開的 profile、search agent 從全網找到的相關資訊，以及針對融資、銷售、求職等不同場景的 know-how。這裡包括針對不同場景判斷共同點的邏輯，以及長度限制。比如針對銷售場景，郵件內容就不能太長，150 字以內能讓對方感興趣。一個 Agent 負責生成草稿，然後第二個「審查員」Agent，會參考行業裡的 best practice 來給草稿打分。最後，還有第三個 Agent 會根據評分結果，再重寫一遍，保證最終產出的郵件質量。Founder Park：「找人」這個動作，怎麼通向一個更完善的產品？申哲先：「找人」只是我們冷啟動的方法，背後真正的邏輯是「匹配」。因為職業社交的本質是一個雙向關係，一個是主動地以某個目的為索引去找人；另一個是被動地等著被別人連接。所以，如果要做下一代的職業社交平台，它必須有兩層。第一層，新的內容分發網路，我們希望基於語義理解的向量匹配，來替代 LinkedIn 的關鍵詞分發；第二層，在這個網路上長出來的內容。每個使用者、每個人就是內容本身，我們要交付的是一個人與人之間真實的、雙向的連接。articuler.ai為申哲先推薦的投資人列表Founder Park：不只想做一個找人工具，而是想沉澱人與人之間真實的互動資料。申哲先：對。如果只是一個找人工具，它就停留在建立連接上。但我們希望能做一個平台，使用者可以主動連接別人，也能被別人發現。人與人之間互動的上下文也能在我們的平台上沉澱下來。天底下有新技術、有新產品，但天底下幾乎沒有新生意。我們做的不是一個新生意，而是一個撮合平台，底層是一個雙邊網路。我們的任務就是讓供需雙方的匹配更高效、更高品質。我們把整個流程拆分成四個階段，每一個環節 AI 都能交付價值：匹配： 把人和需求都變成高維度的向量資料，進行基於語義理解的匹配。建聯： 基於雙方的共同點和價值交換可能，用 AI 生成能讓對方感興趣的 cold email。見面前的準備：我們的 search agent 能全網抓取對方的最新動態和觀點，讓使用者在見面時有備而來。關係的維護：長期來看，通過沉澱使用者的互動記錄，我們可以瞭解關係狀態，並在合適的時機提醒使用者進行維護。比如 a16z 發了一篇關於 AI 社交的文章，我們的系統可能會提醒我：「嘿，你之前和誰聊過這個，要不要再聊一下？」04把「白領」看成一個高維度的向量資料Founder Park：剛才提到要把白領變成一個高維度的向量資料，怎麼理解？申哲先：我們最重要的任務是把一個人的資訊和背景做最全面的還原。現在每個人的職業身份資訊散佈在網際網路的各個角落，只看 LinkedIn 是不夠的。我們的資料來源分為兩部分，一是像 LinkedIn、Twitter、GitHub、Google Scholar 這樣的 public profile；二是我們做了一個 Search Agent，能抓取全網和這個人相關的動態，比如他發的帖子、所在公司的新聞、行業趨勢等等。在資料來源的選擇方面，我們更看重有效資訊的密度，會選擇一些職場屬性比較強的平台。拿到這些資訊後，我們用 embedding 模型把它變成一個高維度的向量，存在我們的向量資料庫裡。當使用者告訴我們他想找什麼樣的人時，他的需求也會被轉化成一個向量化的查詢（query），我們再去資料庫裡做基於語義理解的匹配。Founder Park：使用者散落在網際網路上的資料，你們是怎麼獲得的？申哲先：比想像的要簡單。美國沒有像微信那樣封閉的生態，資訊都是公開的。很多美國銷售都在用的一個方法是：見客戶前，把對方的「名字 + 公司名」扔到 Google 裡搜一下，能發現很多有意思的東西。這些能在公開網際網路上找到的痕跡，就是我們還原一個人的拼圖。舉個例子，我們最近在幫一個做無人叉車的中國公司找美國客戶。我們推給他的人，不僅僅是 title 符合，還能告訴他，根據新聞，這個人的公司最近剛買了一套倉儲自動化系統。說明他們對倉庫自動化已經有了很好的認知基礎，你現在去找他，就是事半功倍。如果我們只拿 LinkedIn 上他相關的 profile 資訊，是解析不到這一層的。articuler.ai推薦的無人叉車客戶（機器翻譯）Founder Park：LinkedIn 幾百萬的付費使用者，是你想切入的目標人群嗎？申哲先：是的。我們主要是在這群人裡再細分出兩類畫像。但我想先說一點，我們做獲客，不僅在意使用者增長，更在意的是使用者密度。因為我們不是一個單向的找人工具，是要促成雙向連接，平台上的使用者彼此之間就能直接匹配。基於這個觀點，我們現在只做兩群人：第一，是年輕白領，包括在校大學生和剛工作 1-5 年的人。他們想換工作、找導師，或者尋求職業發展，我們能幫他們撮合。年輕白領與在校大學生看到的社群首頁第二，是整個北美的創投圈。這裡有個很有趣的點：北美創投圈是沒有財務顧問（FA）的。所以創始人能聊到那個投資人，完全看他自己能聯絡到誰。我們做的是直接幫助這個圈子的供需兩側，做更好的匹配。北美創投圈使用者看到的社群首頁Founder Park：LinkedIn 現在也是一個社交媒體平台，使用者在上面消費別人發的東西。你們會像 LinkedIn 一樣鼓勵大家發 Post，用內容來輔助社交嗎？申哲先：Post現在不在我們的 roadmap 上。LinkedIn 做 Post，是因為它是一個展示個人職業「品牌」的平台，你發的內容是你品牌的一部分。但我們想做的是兩個人真實的連結。要不要做 post，就像 Sora 出來了，有必要專門去做一個 for AI-generated video 的抖音嗎？我幹嘛不在抖音上發呢？我們現在更想做的是一個「聚合器」。你但凡在任何平台發了和你職業相關的內容，我們把這個訊號捕捉到，它就會成為你個人資料（profile）裡的一個偏好性訊號。我們通過這些訊號，幫你匹配到更多你本該認識的人，去交付一個「連接」的結果，而不是再造一個內容消費的平台。Founder Park：你之前提到，最後要做的是社區？申哲先：對，雙向連接，一定會通向社區。現在從工具切入，是因為找人這個環節效率最低，目標是建立一個個小的「原子網路」。比如一個 MBA 項目的 700 多個學生，他們彼此之間有強烈的 networking 需求。我們可以把這些人組成一個社群，在裡面做精準匹配。一個線下活動、一個校友組織，都可以成為一個原子網路。當這樣的小社群越來越多，我們就可以把它們打散再重組，最終形成一個大的、流動的「社交網路」。我們甚至不需要這些人都註冊我們的平台。因為他們的公開資訊都在網上，我們可以主動給他們建立社群，比如「過去三年加入 Meta 的 CMU 校友」，然後用這個社群作為內容去吸引真正有需求的使用者。我們最近就在用這種方式做行銷郵件做了效率驗證，比如告訴創始人「我們平台有 72 個投資人上周剛投過你這個方向」，或者告訴投資人「昨天有 63 個創始人在找像你這樣的投資人」，他們就來了，轉化率很高。因為人其實只對與自己強相關的東西才感興趣。我們知道他的職業背景和 intention，我們是可以直接找到他感興趣的內容，我們先給他創造出來，然後給到他。05每個人都在做一件事：跟人建立關係Founder Park：介紹下你過往的經歷，創業前在做什麼？申哲先：本科在南加州大學（USC）讀數學。讀書時就在創業，當時做了一個量化模型，出發點是想把美國升學這套很玄幻的東西變得「可解釋」，可以根據使用者的背景給出對應的升學建議，在那個專業、那個學校有更高的錄取率。這個項目賺了錢，但它沒法規模化，需要靠人力交付。我當時最大的感觸是：這是一個現金流特別好的生意，但不是事業，因為它沒有辦法 scale up。如果 21 歲能做這事，31 歲、41 歲也能幹，那我現在就不應該幹這個。當時還是想創業，但沒見過好東西，肯定就做不出來好東西。所以我想去全世界最厲害的公司看看，我當時給自己的答案是做管理諮詢。我大三去了麥肯錫實習，幫頂尖的網際網路企業做戰略，但我發現管理諮詢太不落地，只出一個報告，浮於表面。畢業以後，我去做了投資，先後在兩家機構，從一家早期機構到一家覆蓋更全面的機構，也趕上了 GenAI 的這波浪潮，看了很多基模、infra 和應用層公司。投資人的工作本身就是跟人打交道。不光是我的老闆、同事，還有我投過的一些成長期創始人，大家每天都在幹一件事：跟人建立關係。不管是找下輪投資人、找客戶、招聘、找合作夥伴，無一例外都特別耗時間。在看項目的時候我就一直在想，AI 怎麼能讓我們的工作更簡單？怎麼給兩個人做一個更高效的撮合？於是慢慢有了創業的想法。Founder Park：回過頭來看，當初做投資有什麼可以做得更好的？申哲先：現在回頭看，我覺得在美國，很少有年輕人能做好早期投資人，是有道理的。因為做早期需要經驗，你再名校畢業，再聰明，你沒經驗、沒創過業，你沒有看過整個公司從成立一步一步走到上市，或者走到退出，或者是走向死亡的全過程，判斷不了。你看到的永遠是別人想讓你看到的最好的東西。我覺得做投資本質就是一個消除噪音、發現價值的過程，如果連事情的本質都不知道，很難做。Founder Park：創業以來，最重要的 learning 是什麼？申哲先：凡事都要有敬畏之心。創業之後我發現，一個公司能成功是因為各種各樣“不起眼”的事情堆積起來，而每件小事都有學問在。這一年來最大的領悟就是要把自己的過去“清零”，當作一個小學生來快速學習、快速試錯、快速迭代。創始人不能有ego，後面需要學習的事情有很多，這是一場自我的修行。 (Founder Park)