Ethos؛ استارتاپ لندن که شبکه‌های کارشناسان را با مصاحبه‌های صوتی و هوش مصنوعی بازتعریف می‌کند

شرکت‌های جستجوگر برای دریافت نظر تخصصی درباره پروژه‌ها معمولاً سراغ لینکدین یا شبکه‌های قدیمی کارشناسان مانند GLG، Third Bridge و AlphaSights می‌روند، اما اغلب از کیفیت نتایج رضایت ندارند. مشکل اصلی این پلتفرم‌ها اتکا صرف به عنوان شغلی و فرم‌های کوتاه است که سیگنال‌های عمیق درباره توانمندی‌ها و زیرتخصص‌ها ارائه نمی‌دهد. استارتاپ لندن Ethos ادعا می‌کند با ترکیب مصاحبه صوتی و جمع‌آوری داده‌های گسترده می‌تواند این خلأ را پر کند.

چطور کار می‌کند؟
Ethos از یک فرایند onboarding مبتنی بر صدا استفاده می‌کند تا از کارشناسان مجموعه‌ای گسترده‌تر از پرسش‌ها را بپرسد و توانمندی‌ها، تجربه‌های جزئی و زیرتخصص‌ها را ثبت کند—اطلاعاتی که عناوین شغلی معمولاً نشان نمی‌دهند. برای مشتریان سازمانی نیز پلتفرم به جای جستجوی صرفاً مبتنی بر عنوان، پرسش‌های طبیعی زبان را تحلیل کرده و بهترین مطابقت‌ها را ارائه می‌دهد. به‌عنوان مثال Ethos می‌گوید می‌تواند افراد «فعال در استارتاپ‌های سرمایه‌گذاری شده توسط سرمایه‌گذاران رده‌بالا و متخصص در اتوماسیون مالی» یا پزشکانی که هم در یک حوزه تخصصی کار کرده‌اند و هم مقالات علمی یا تجربه در فرایند توسعه دارو دارند را پیدا کند.

منابع داده و استخراج بینش
علاوه بر اطلاعات مستقیم کارشناسان، Ethos از منابع عمومی مانند بلاگ‌ها، مقالات آکادمیک و لینک‌های اجتماعی استفاده می‌کند و از طریق عوامل صوتی داخلی خود مصاحبه می‌گیرد و بینش‌های ساختاریافته استخراج می‌کند. این رویکرد به پلتفرم اجازه می‌دهد سیگنال‌های دقیق‌تری از مهارت‌ها و تجربه‌ها به دست آورد و جفت‌سازی‌های دقیق‌تری برای نیازهای پیچیده بسازد.

سرمایه‌گذاری و تیم
Ethos امروز اعلام کرد که در دور سری A مبلغ 22.75 میلیون دلار جذب کرده است؛ دوری که a16z آن را رهبری کرده و General Catalyst، XTX Markets، Evantic Capital و Common Magic نیز در آن مشارکت داشته‌اند. یکی از سرمایه‌گذاران، Anish Acharya از a16z، معتقد است پلتفرم‌های سنتی تنها سیگنال‌های سطحی از طریق عنوان شغلی نشان می‌دهند و مصاحبه صوتی Ethos زیرتخصص‌ها را بهتر آشکار می‌کند: «صدا شکل اصلی ارتباط انسانی است. بسیاری از افراد نمی‌توانند داستان خود را به‌صورت نوشتاری به‌خوبی منتقل کنند؛ صدا یک گشایش بزرگ برای Ethos است.»

بنیان‌گذاران و پیشینه
Ethos در 2024 توسط James Lo و Daniel Mankowitz تأسیس شد. جیمز لو پیش‌تر در McKinsey و سپس SoftBank کار کرده و روی تحول شرکت‌هایی مانند WeWork و Arm فعالیت داشته است. دنیل مانکویتز پیشینه پژوهشی در DeepMind دارد و روی پروژه‌هایی مثل فشرده‌سازی ویدیو و الگوریتم‌های پیشرفته کار کرده است. هر دو بنیان‌گذار از زاویه متفاوتی به مسئله شبکه‌های کارشناسی نزدیک شده‌اند: یکی بر فراهم کردن فرصت‌های اقتصادی تمرکز دارد و دیگری اقتصاد را به‌مثابه یک گراف دانشی می‌بیند که با الگوریتم‌های مناسب قابل پیوندزدن است.

رقبا و بازار
رقبایی مانند Listen Labs و Outset نیز مصاحبه‌های مبتنی بر مکالمه را ارائه می‌دهند، اما Ethos معتقد است شبکه کارشناسان و داده‌های صوتی‌اش برای برخی مشتریان سازمانی مناسب‌تر است. Ethos نام مشتریان خاص را فاش نمی‌کند، اما می‌گوید صندوق‌های سرمایه‌گذاری پوششی بزرگ، شرکت‌های خصوصی سرمایه‌گذاری، آزمایشگاه‌های پایه‌ای در حوزه هوش مصنوعی و شرکت‌های مشاوره‌ای سازمانی از سرویس آن استفاده می‌کنند.

مدل کسب‌وکار و رشد
Ethos برای هر پروژه از کسب‌وکارها کارمزدی حدود 30 درصد یا بیشتر دریافت می‌کند و اعلام کرده در مسیر رسیدن به «درآمد سالانه هشت رقمی» قرار دارد، هرچند ارقام دقیق را منتشر نکرده است. همچنین اشاره شده هفته‌ای حدود 35,000 نفر از طریق دعوت به پلتفرم ملحق می‌شوند—چالشی که Ethos باید آن را برای حفظ مرتبط‌بودن پایگاه کارشناسان با نیازهای مشتریان مدیریت کند.

چالش‌ها و فرصت‌ها
یکی از چالش‌های کلیدی Ethos رشد و نگهداری پایگاه کارشناسان مرتبط با نیازهای مشتریان است. اما بنیان‌گذاران این را با موجی از سرمایه‌گذاری و فعالیت آزمایشگاه‌های هوش مصنوعی که در حال نقشه‌برداری از نیروی کار انسانی هستند، فرصتی می‌بینند. این آزمایشگاه‌ها در حال توسعه خدمات حرفه‌ای در حوزه‌های قانون، سلامت، مالی و مدیریت‌اند و به شبکه‌ای از متخصصان برای ساخت مدل‌ها و دریافت بازخورد نیاز دارند که می‌تواند به رشد Ethos کمک کند.

جمع‌بندی
Ethos با ترکیب مصاحبه صوتی، تحلیل‌های مبتنی بر هوش مصنوعی و استفاده از منابع عمومی، تلاش می‌کند خلأ بین عناوین شغلی سطحی و نیازهای دقیق مهارتی سازمان‌ها را پر کند. حمایت سرمایه‌ای اخیر و رویکرد داده‌محور این استارتاپ، آن را به گزینه‌ای جذاب برای شرکت‌هایی تبدیل کرده که به دنبال دسترسی سریع‌تر و دقیق‌تر به دانش تخصصی هستند.

تبدیل گفتار به نوشتار فارسی

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

اسکرول به بالا