編輯評論

Listen Labs 的融資故事揭示了 AI 時代人才招聘與產品創新的雙重變革。首先，該公司用一個耗資 5,000 美元的看板謎題成功破解了矽谷人才戰的困境——在面對 Meta 等巨頭百萬美元年薪的競爭下，用技術導向的創意吸引了 430 位解題者，最終找到了頂級工程師。這證明了在 AI 領域，最優秀的人才往往更被技術挑戰所吸引，而非單純的薪酬包。

其次，從技術架構角度來看，Listen Labs 的核心創新在於將開放式視訊對話與 AI 攝談結合，解決了傳統市場研究「量化調查」與「質性訪談」的二元對立。更值得注意的是，該平台內建的「品質防護」機制（quality guard）能夠交叉驗證 LinkedIn 檔案與視訊回應，檢測回答一致性，自動過濾詐欺行為——這解決了線上調查產業長期存在的 20% 詐欺回應問題。

從市場競爭格局來看，Listen Labs 正在進入一個高度分散的 1,400 億美元市場，對手包括年營收超過 10 億美元的傳統研究公司。其策略是利用 Jevons悖論（資源效率提升反而增加總消耗）——當研究成本大幅下降，企業不會減少研究，反而會進行更多研究。目前該公司已服務 Microsoft、Sweetgreen 等知名企業，9 個月內營收成長 15 倍，執行了超過 100 萬場 AI 訪談。

結論摘要

  • 技術創新：Listen Labs 用 AI 攝談取代傳統調查與人員訪談，將客戶研究從數週縮短至數小時，同時透過開放式問題提升回應真實性
  • 詐欺防治：該平台內建的品質防護系統能交叉驗證身分、檢測回答一致性，將詐欺回應率從 20% 降至接近零
  • 商業模式：公司已達到 8 位數年化營收，估值 5 億美元，總融資額達 1 億美元，客戶包括 Microsoft、Simple Modern 等
  • 未來願景：正在開發「合成客戶」模擬功能，能基於歷史訪談數據生成虛擬用戶，並計畫實現從研究到自動化行動的閉環
  • 產業影響：該平台讓一間澳洲新創實現「日間寫程式、夜間做研究」的持續回饋循環，將 Y Combinator 的「寫程式、訪客戶」格言自動化

原文翻譯

Alfred Wahlforss 已經無計可施。他的新創公司 Listen Labs 需要招聘超過 100 名工程師，但與 Mark Zuckerberg 的 1 億美元報價競爭似乎是不可能的任務。於是他花了 5,000 美元——佔他行銷預算的五分之一——在舊金山租了一個看板，上面顯示著看似亂碼的內容：五串隨機數字。

這些數字實際上是 AI tokens。解碼後，它們指向一個程式挑戰：建立一個演算法來充當 Berghain 的數位門禁——這間柏林夜店以在門口拒絕幾乎所有人而聞名。幾天內，數千人嘗試解開這個謎題。430 人成功破解。有些人因此被錄用。冠軍得主全費飛往柏林。

這種非傳統的方法現在吸引了 6,900 萬美元的 B 輪融資，由 Ribbit Capital 領投，Evantic 和現有投資者 Sequoia Capital、Conviction 和 Pear VC 參與。此輪融資將 Listen Labs 估值定為 5 億美元，並使其總資本達到 1 億美元。自推出以來的 9 個月內，公司營收年化成長了 15 倍，達到 8 位數，並執行了超過 100 萬場 AI 驅動的訪談。

「當你痴迷於客戶時，其他一切自然跟隨而來，」Wahlforss 在接受 VentureBeat 採訪時表示。「使用 Listen 的團隊將客戶帶入從行銷到產品的每個決策，當客戶滿意時，每個人都滿意。」

為什麼傳統市場研究已崩壞，以及 Listen Labs 正在構建什麼來修復它

Listen 的 AI 研究員會尋找參與者、進行深度訪談，並在數小時內（而非數週）提供可執行的洞察。該平台取代了傳統的二元選擇：提供統計精確度但錯過細微差異的量化調查，以及提供深度但無法擴展的質性訪談。

Wahlforss 解釋了現有方法的局限性：「本質上，調查給你的是虛假的精確度，因為人們最終會回答相同的問題…你無法得到異常值。人們在調查中實際上是不誠實的。」替代方案——一對一的人類訪談——「給你很多深度。你可以問後續問題。你可以某種程度地再次檢查他們是否真的知道自己在說什麼。問題是你無法擴展它。」

該平台分四個步驟運作：使用者透過 AI 協助建立研究，Listen 從其全球 3,000 萬人的網路中招募參與者，AI 攝談者進行帶有後續問題的深度訪談，結果被打包成高管準備的報告，包括關鍵主題、精華片段和投影片。

Listen 方法區別於他人的地方在於它使用開放式視訊對話而非多選表格。「在調查中，你可以猜測你應該回答什麼，你有四個選項，」Wahlforss 說。「噢，他們可能希望我點選高收入。讓我點選那個按鈕，相對於開放式回應。它只是產生更多的真實性。」

1,400 億美元市場研究產業的骯髒秘密：猖獗的詐欺

Listen 在其全球 3,000 萬人的網路中尋找並篩選合適的參與者。但建立這個小組需要面對 Wahlforss 所稱的「我們進入這個行業時學到的最令人震驚的事情之一」——猖獗的詐欺。

「本質上，這涉及財務交易，這意味著會有不良行為者，」他解釋道。「我們實際上有一些最大的公司，其中一些營收數十億美元，向我們發送聲稱是某種企業買家的人，而我們的系統立即檢測到，詐欺、詐欺、詐欺、詐欺、詐欺。」

該公司構建了所謂的「品質防護」，它會交叉驗證 LinkedIn 檔案與視訊回應以驗證身分，檢查參與者回答問題的一致性，並標記可疑模式。根據 Wahlforss 的說法，結果是：「人們說話多了三倍。當他們談論政治和心理健康等敏感話題時，他們更加誠實。」

使用 Listen 的線上教育公司 Emeritus 報告稱，大約 20% 的調查回應以前屬於詐欺或低品質類別。使用 Listen 後，他們將這個數字降至幾乎為零。「我們不必因為詐欺或廢話信息而更換任何回應，」Emeritus 客戶洞察助理經理 Gabrielli Tiburi 說。

Microsoft、Sweetgreen 和 Chubbies 如何使用 AI 訪談來構建更好的產品

速度優勢已被證明是 Listen 推廣的核心。Microsoft 的傳統客戶研究可能需要四到六週才能產生洞察。「當我們拿到它們時，要麼決策已經做出，要麼我們失去了實際影響它的機會，」Microsoft 高級研究經理 Romani Patel 說。

使用 Listen，Microsoft 現在可以在幾天內獲得洞察，在許多情況下，甚至在數小時內。

該平台已經推動了幾項高知名度的倡議。Microsoft 使用 Listen Labs 為其 50 週年慶典收集全球客戶故事。「我們希望使用者分享 Copilot 如何賦予他們展現最佳自我的能力，」Patel 說，「我們能夠在一天內收集這些使用者視訊故事。」傳統上，這種工作需要六到八週。

位於奧克拉荷馬州的飲具公司 Simple Modern 使用 Listen 測試新產品概念。這個過程大約花了一小時撰寫問題，一小時啟動研究，以及 2.5 小時從全國 120 人那里收到回饋。「我們從『我們甚至應該有這個產品嗎？』到了『我們應該如何推出它？』」該公司首席行銷官 Chris Hoyle 說。

短褲品牌 Chubbies 使用 Listen 克服了兒童傳統焦點小組的排程挑戰，實現了年輕研究參與的 24 倍增長——從 5 人增加到 120 人。「有學校、運動、晚餐和作業，」洞察與創新總監 Lauren Neville 解釋道。「我必須找到一種方法來聽取他們的意見，適合他們的時間表。」

該公司還通過 AI 訪談發現了可能未被發現的產品問題。Wahlforss 描述了 AI 如何「透過對話，發現兒童短褲產品線存在問題，並決定訪談數百名兒童。我了解到短褲內裡存在問題，根據受訪者的說法，它們很『刺挠』。」重新設計的產品成為了「熱門產品」。

Jevons 悖論解釋了為什麼更便宜的研究會創造更多需求，而不是更少

Listen Labs 正在進入一個龐大但分散的市場。Wahlforss 引用了 Andreessen Horowitz 的研究，估計市場研究產業每年約為 1,400 億美元，由傳統參與者佔據——其中一些營收超過 10 億美元——他認為這些參與者容易受到顛覆。

「有非常多的現有預算項目正在被我們取代，」Wahlforss 說。「我們取代它們的原因是，第一，它們超級昂貴。第二，它們有點卡在調查或訪談的舊範式中，而且它們還需要數月時間才能合作。」

但更有趣的動態可能是，AI 驅動的研究不僅僅取代現有支出——它創造新需求。Wahlforss 引用了 Jevons 悖論，這是一種經濟原則，當技術進步使資源使用更高效時，但效率提高導致總消費增加而不是減少。

「我注意到的是，當東西變得更便宜時，你不會需要更少。你想要更多，」Wahlforss 解釋道。「對客戶理解的需求是無限的。所以團隊中的研究人員可以多做一個數量級的研究，其他以前不是研究人員的人現在也可以將其作為工作的一部分。」

在有工作馬桶之前就打造 Listen Labs 的精英工程團隊

Listen Labs 的起源可以追溯到 Wahlforss 和他的共同創始人在哈佛相遇後構建的消費者應用程式。「我們構建了這個消費者應用程式，一天內獲得了 20,000 次下載，」Wahlforss 回憶道。「我們有這些使用者，我們在想，好吧，我們能做什麼來更好地了解他們？我們構建了今天的 Listen 原型。」

創始團隊擁有不尋常的背景。Wahlforss 的共同創始人「是德國競爭性程式設計的全國冠軍，他在 Tesla Autopilot 工作。」該公司聲稱其工程團隊的 30% 是國際資訊奧林匹亞競賽的獎牌得主——這是產生 AI 編碼新創公司 Cognition 創始人的同一競賽。

根據 Wahlforss 的說法，Berghain 看板特技在社交媒體上產生了約 500 萬次瀏覽。這反映了灣區人才戰的強度。

「我們必須做這些事情，因為我們的一些早期員工在公司有工作馬桶之前就加入了，」他說。「但我們現在解決了那個情況。」

該公司在 2024 年從 5 人增長到 40 人，並計畫今年達到 150 人。它在行銷、成長和運營等非工程職位招聘工程師——這是一個賭注，即在 AI 時代，技術素養到處都很重要。

合成客戶和自動化決策：Listen Labs 接下來構建的東西

Wahlforss 概述了一個雄心勃勃的產品路線圖，深入到更具推測性的領域。該公司正在構建「模擬客戶的能力，這樣你就可以拿我們做過的所有訪談，然後基於此進行推斷並創造合成用戶或模擬用戶聲音。」

除了模擬，Listen 還旨在基於研究發現實現自動化行動。「你不僅能做出建議，還能創建代理來更改程式碼中的內容或某些客戶流失？你能給他們折扣並嘗試將他們帶回來嗎？」

Wahlforss 承認了倫理影響。「顯然，正如你所說，這裡有點倫理問題。關於自動化決策整體可能是不好的，但我們將有相當多的防護措施，以確保公司始終參與其中。」

該公司已經小心處理敏感數據。「我們不會在任何數據上進行訓練，」Wahlforss 說。「我們還會自動清除任何敏感的 PII，以便模型可以檢測到它。有些時候，例如，你與投資者合作，如果你不小心提到可能是重大的非公開信息，AI 實際上可以檢測到並刪除任何此類信息。」

AI 如何重塑產品開發的未來

也許 Listen 模型最 provocative 的含義是它如何重塑產品開發本身。Wahlforss 描述了一位客戶——一家澳洲新創公司——它採用了相當於持續反饋循環的模式。

「他們位於澳洲，所以他們白天編寫程式碼，然後在晚上，他們與美國受眾發布 Listen 研究。Listen 驗證他們白天構建的任何內容，並獲得反饋。然後他們可以將該反饋直接插入 Claude Code 等編碼工具並進行迭代。」

這一願景擴展了 Y Combinator 的著名格言——「寫程式碼，與使用者交談」——進入自動化循環。「寫程式碼現在正在自動化。我認為與使用者交談也將如此，你將擁有這種無限循環，你可以開始運送真正令人驚嘆的產品，幾乎某種程度自主地。」

這一願景是否實現取決於 Listen 無法控制的因素——AI 模型的持續改進、企業對自動化研究的意願，以及速度是否真正與更好的產品相關。一項 2024 年 MIT 研究發現，95% 的 AI 試點未能進入生產環境，Wahlforss 引用這一統計數據作為他強調品質而非演示的原因。

「我必須不斷強調，讓我們確保品質存在，細節正確，」他說。

但該公司的成長表明對實驗有著濃厚的興趣。Microsoft 的 Patel 表示 Listen 「消除了研究的苦差事，將樂趣和喜悅帶回了我的工作」。Chubbies 正在推動其創始人給公司裡的每個人一個帳號。穩定幣支付新創公司 Sling Money 可以在十分鐘內創建調查並在同一天收到結果。

「這是一個徹底的遊戲規則改變者，」Sling Money 的行銷經理 Ali Romero 說。

Wahlforss 對他構建的東西有不同的說法。當被問及速度與嚴謹之間的張力——長期以來的信念是快速行進意味著偷工減料——他引用了 Nat Friedman，前 GitHub CEO 和 Listen 投資者，他在他的網站上保存了一份單行語錄。

其中之一是：「慢是假的。」

對於一個建立在謹慎方法論之上的行業來說，這是一個激進的聲明。但 Listen Labs 正在打賭，在 AI 時代，聽得最快的公司將是贏家。唯一的問題是客戶是否會回應。