LinkedIn只解决展示不解决匹配，他想用AI重做一遍

每个月花30美金订阅LinkedIn，只能发5封站内信。这个价格背后，是一个被反复验证过的需求：在欧美职场，networking不是社交，是资产。

但Articuler.ai创始人申哲先认为，LinkedIn更像上一个时代的电话黄页——只解决了「展示」，没有解决「匹配」。他想做的，是一个AI驱动的、像Tinder一样的职业社交平台。

从Cold Email切入，发现找人才是真正的痛点

Articuler.ai的起点，是一个高频打低频的场景：发Cold Email。

申哲先做用户访谈时，一个做医疗器械销售的朋友给了他一个反直觉的观点——写一封Cold Email平均要半小时。原因不是语言问题，而是「在医疗器械的销售圈子里，大家其实都会有千丝万缕的关系，你得找到这些关系」。比如是不是同一个导师，有没有在同一个期刊发过论文。ChatGPT可以帮你写一封语言优美的邮件，但它找不到这些点。

于是团队做了一个小插件：用户在LinkedIn上点一下对方，就能结合双方背景，帮他写一封高效的Cold Email。这个产品跑得相当不错，今年上半年月度环比增长达到了110%。

但到了今年3月，第二次用户访谈推翻了他们的假设。申哲先没有直接问问题，而是让用户投屏演示——不用他们软件时，是怎么在LinkedIn上做networking的。结果很惊讶：写Cold Email不是第一步，是很靠后的步骤。用户在整个流程里60%到70%的时间是用来找人的。

「如果你没有找到对的人，你这个Cold Email写得再好，对方都不可能给你回复。」

从今年4月底开始，Articuler.ai转向了现在的版本：把全世界的人都变成高维度的向量数据，用户只需要告诉平台你是谁、想干嘛，系统帮你找到最匹配的那个人。

LinkedIn的「匹配」和他们的「匹配」有什么本质区别

申哲先的判断很直接：LinkedIn最大的问题是只解决了「展示」，没有解决「匹配」。

LinkedIn的收入大头来自B端——卖销售线索的Sales Navigator和卖人头的LinkedIn Recruiter。它并不在意你想不想看对方发来的消息，只是把你当作整个人头卖出去。所以在「知己知彼」这件事上，LinkedIn只做了一半。

结果是：用户打开LinkedIn，看到大量广告邮件、骚扰邮件，浪费时间，浪费注意力。这些垃圾信息的双方，产生不了价值交换。你并不想要对方offer的服务、产品、岗位，但系统并不知道这件事。

用户想要的可能是找到最合适的10个人，但LinkedIn通过把一个人强行压缩成一组标签，推出1000个满足最低要求的人，你需要做大量筛选。而且，在LinkedIn的职业社交中，用户是被动等待被连接的——如果别人不知道搜索你的关键词，就永远找不到你。

Articuler.ai的做法不同。申哲先强调，能让他们产品变得更好的，肯定不是公开数据。「你只用公开数据，讲得粗俗一点，其实就是在别人的数据库上做了个交互层。」

了解用户隐性的偏好，才是壁垒。用户在产品上的每一步交互——推荐人、建立连接、见面的准备、见面后的管理——都能被接收到真实反馈信号。比如系统推了15个投资人，用户最终只联系了其中4个。为什么选了这4个，没选另外11个？这背后反映了用户自己都说不清楚的隐性偏好。

这些交互数据会沉淀下来，让平台越用越好用，推荐越来越准。申哲先把这比作关于白领的「大众点评」——每一次交互的反馈，都会成为你的一个社交标签。

和传统推荐系统相比，申哲先认为差异在于冷启动。淘宝一开始不知道你是谁，需要上百次购物行为才能猜出偏好。但Articuler.ai用户一进来，平台就能知道ta的背景是什么，通过大盘数据推测这类背景的用户通常有哪些共通喜好，所以冷启动阶段的推荐质量就很好。

技术路径上，他们把一个人的所有资料——简历、观点、项目经历等等——做完embedding之后，完整地变成一个高维度的向量数据。匹配是基于语义理解的、向量和向量之间的匹配。

为什么是现在？为什么是职业社交？

这个创业想法的最初触发点，是GPT-4o实时语音互动的发布。OpenAI那场发布会上，AI对人的语气、对交流背后的context都有很好的理解，能够很丝滑地参与到人的对话中。申哲先的启发是：AI能够参与到社交中，它会不会能够去解构人与人之间的交流和关系？

另一个产品Plaud也给了他们启发。Plaud用硬件的「超级按钮」取代了原本手机里三四次操作才能做到的功能，掌握了线下信息的入口。申哲先经常基于Plaud的记录来分析自己开会、见客户时的表现——跟投资人聊完，哪里聊得好，哪里不够好，AI都能分析出来。

但团队没有选择硬件方向，而是想到了Cold Email这个高频打低频的点。

在更宏观的层面，申哲先观察到职业社交的演变。前互联网时代，职业社交以线下为主。他去年和一个快50岁的老前辈聊天，对方上世纪90年代在华尔街做投行，当时没有互联网，更没有LinkedIn。想进去投行，就得靠networking——他在华尔街街头站了两个礼拜，在每个投行的楼下堵着人聊，做coffee chat。投行在美国都有所谓的「目标学校」，校友之间有强纽带，面试之前通过线下聚会和关系网络就已经相互认识了。这种是「强关系」，关系质量比较高，但存在两个问题：地理限制严重，信息也严重不对称。

之后进入互联网时代，就是LinkedIn的时代。它在早期只干了一件事情：把每个人的简历搬到网上。简历是一种社交货币，是个人品牌的呈现。在LinkedIn上，可以看到第二度和第三度的人脉关系，它通过这个打破地理和已有社交圈的限制，帮你找到更多相关的人。LinkedIn就像是一个超级电话本或黄页，你可以通过关键词找到任何人。

但申哲先认为，这个模式到今天已经不够了。

从数据上看，美国社招中超过85%的工作在每个公司的官网都没放出来，是通过人与人之间的推荐来拿到工作机会。他们今年上半年在美国做了一些研究，访谈样本有200多个人，主要是大厂员工和一些做专业服务的白领，里面超过95%的人都做过networking这件事。

LinkedIn今年第一季度的C端订阅收入已经突破20亿美金，年增速达到50%。在一个渗透率95%的产品上还能有这样的增长，说明这个需求非常强劲。用户每月花30美金，核心就是为了能看到更多人的资料和发送更多站内信，都是为了networking。它的主要用户是18-35岁的年轻人，占比75%，因为年轻人在一段工作中的平均在职时间越来越短，他们需要建立自己的职业社交形象，连接到关键的人和机会，同时能被别人发现。

申哲先本科的教授给他讲过一句话：「Your network is your net worth.」在美国，networking是一个非常常见的文化。他爸爸朋友的女儿刚上大一，因为没有提前联系社团的学长学姐做coffee chat，结果开学后想加的社团名额都满了。

Articuler.ai想做的，就是让AI帮助用户更高效地去连接、被发现，进而构建一个承载双向关系的职业社交平台。申哲先说：「我们在做一个像Tinder一样的LinkedIn，帮助用户去连接到他本来就应该认识的人。」