一个在消费品行业摸爬十年的供应链总监，其简历上可能工整地写着“管理过 200 家供应商、将采购成本降低了 12%”。但没有任何一行能告诉你，他在面对突发的缺货危机时，潜意识里是倾向于激进锁仓还是柔性腾挪；也没有一栏能标注，他深夜打给工厂老板那通电话里的信任尺度，以及这种信任是如何在无数次危机中建立起来的。职业发现这件事，过去二十年一直卡在标签化和筛选化的旧范式里——人们在静态表格里填写一个被简化的自己，再用僵硬的关键词在数据库里互相检索。位于班加罗尔的 AI 初创公司 Profound 认为，这套机制不仅低效，而且在 AI 已经能够理解人类判断力的时代，已经构成了一种根本性的错配。
Profound 正在构建一个 AI 原生的职业网络，其核心是一个会与每位使用者进行长达半小时语音对话的“AI 代表”。该产品试图捕捉的不是扁平的关键词，而是决策风格、工作哲学和职业雄心——那些传统简历无法承载、却最终无声地决定了一个人能否在一份工作中生存并出彩的深层次信息。这家成立不久的公司刚刚获得 150 万美元种子轮融资，用以将这种基于智能匹配的职业发现，从概念推进到规模化验证的战场。
| 字段 | 内容 |
|---|---|
| 公司 | Profound |
| 轮次 | 种子轮 |
| 金额 | 150 万美元 |
| 投资方 | Sriharsha Majety |
| Nandan Reddy | |
| Pankaj Chaddah | |
| Harshil Mathur | |
| Kunal Shah | |
| Bhuvan Gupta | |
| Stellaris Venture Partners | |
| 3one4 Capital | |
| 总部 | 班加罗尔 |
| 创始人 | Anuj Rathi |
| Prashant Parashar | |
| 官网 | https://profound.me/ |
只用一场语音对话，就为职业身份构建一个动态数字镜像
Profound 的产品核心逻辑，是在职业身份层做一次彻底的“逆简历化”。用户不再上传 PDF 或手动填写技能标签，而是与一个 AI 驱动的语音界面进行一次深度对话。根据 CTO Prashant Parashar 的解释，这场对话并非机械问答，而是“机器能够进行真正充满好奇心的对话”。系统通过一个推理层，将对话中的上下文、语气、优先级和决策偏好转化为一个可计算、可匹配的“AI 代表”。这个 AI 代表随后会持续运作：推荐职业机会、促成人际引荐，并在雇主端主动构建人才需求模型。
从产品形态上看，Profound 不是在简历上叠加一个 AI 助手，而是试图将简历本身变成一份活体数据。这与当前招聘科技赛道中仅用 AI 做简历解析或关键词筛选的产品相比，在信息采集的结构上构成了一层根本差异。传统的简历解析工具是在已有的、被简化的文本上做提取，而 Profound 试图在信息被文字化之前，直接从对话语境中捕获那些更具信号价值的隐性维度，比如一个人在描述项目挑战时反复提及“团队磨合”而非“技术攻坚”，这可能意味着一种截然不同的领导风格。但需要指出的是，公司目前仅披露了首轮早期体验计划，尚未公开任何关于匹配准确度、用户留存或招聘结果转化的量化指标。这一动态镜像的“成像精度”及其在真实职业匹配中的有效性，仍是一个待验证的核心假设。
用人经理也在抛弃 JD，这可能是产品最大的双边杠杆
Profound 的产品设计明确指向一个双边市场。在需求端，用人经理同样可以创建岗位或团队的“AI 代表”，通过自然语音对话来描述招聘需求，而非编写一份结构性弱、同质化严重的职位描述。这种设计意味着，平台上的两套 AI 代表——候选人端与雇主端——可以在同一套推理层上对话和匹配。如果双边 AI 模型能够运转起来，匹配的深度理论上可以超越薪资、岗位名称和技能树的对齐，进入判断力与工作风格的耦合层面。这是一个颇具雄心的构想：让两个关于职业的“数字孪生”在比特世界里先见一面，谈论彼此的决策逻辑，而不是让一张 A4 纸去撞击一份 JD 文档。
但这也是 Profound 最大的产品冷启动挑战。一个双边 AI 网络的价值，直接取决于双方 AI 代表的数量和质量。在候选人端，公司计划未来一年吸收全球 100 万名专业人士。“100 万”这一目标量级本身并不庞大，但如果考虑到每位用户的 AI 代表建立需要一场 30 分钟的深度对话，增长的瓶颈将不是纯粹的病毒传播，而是用户对新交互方式的信任成本和耐心。公司尚未披露该转化漏斗的首批数据。另一个不可忽视的变量是，雇主端的 AI 代表需要用人经理同样愿意花时间与系统对话以校准需求，而不是直接从现有的绩效档案中导入数据。这种双边行为改变的同步启动，可能构成一个比传统单边招聘平台更陡峭的冷启动鸿沟。
当资本结构几乎全是“印度消费互联网内阁”，宣告的是能力网络而非财务背书
这轮 150 万美元的种子轮，投资者名单几乎是一份印度消费互联网和金融科技的核心决策者名册：Swiggy 的 CEO Sriharsha Majety 和联合创始人 Nandan Reddy、前 Zomato 联合创始人 Pankaj Chaddah、Razorpay 的联合创始人兼 CEO Harshil Mathur、WhatsApp 全球负责人 Kunal Shah、OfBusiness 联合创始人 Bhuvan Gupta，以及机构方 Stellaris Venture Partners 和 3one4 Capital。
这笔融资的资本结构传递的信号，远不只是财务支持。创始人 Anuj Rathi 曾任 Swiggy 产品副总裁，Prashant Parashar 的工程履历则覆盖了 Swiggy、Zomato、Flipkart、Ola 和 Walmart Labs。种子轮的这些投资方，大多数是创始团队在上一段大型互联网公司生涯中积累的直接或间接的合作伙伴与前同事。这意味着 Profound 获得的是一个高密度的产业关系网络——可以快速接触到印度及全球互联网企业的人才决策者和招聘主管，这恰好是产品初期获取双边用户的命脉。反过来说，它目前尚未出现纯财务回报导向的独立天使或硅谷专门投 AI 基础设施的基金，这种高度集中在“前同事圈”的资本结构，在一个产品概念期意味着极强的内部信任与产业资源对齐，但也可能意味着外部独立验证尚不充分。换言之，这轮融资更像一次基于个人信用和能力网络的对赌，而非市场对产品或商业模式的初步定价。
资金将全部砸进 AI 和工程团队，但真正的瓶颈在行为改变，不在模型参数
Profound 明确表示这 150 万美元的核心用途是人才：扩大工程和产品团队，增强 AI 能力，加速匹配和引荐引擎的开发。CEO Anuj Rathi 的表述是，“我们最大的投资是人才，因为我们正在用 AI 构建一个解决非常人类的问题的 AI”。对于一个还处在早期体验阶段、没有任何公开收入模型的公司而言，将种子资金几乎全部用于技术团队扩张，是一个合理且预期内的配置。这反映出创始人当前的首要任务是将产品从概念打磨成一个足够流畅、使人愿意反复使用的体验。
但编辑推断，Profound 的真正瓶颈不太可能在语音识别准确率或推理模型的匹配效率上。今天的语音 AI 和 LLM 基础能力已足够支撑这类产品的技术原型。真正的坎，在于用户是否愿意每周花时间和一个 AI 谈论自己的职业困惑，并信任这个 AI 代理自己去建立关系。这是一个行为科学的命题，而非一个工程学命题。技术团队能优化延迟和对话自然度，但无法轻易解决“把职业身份外包给 AI”的深层心理迟疑。此外，职业身份的自我报告本身含有天然的修饰性偏差——人们在面试中会呈现一个“最好的自己”，这在语音对话中可能同样存在。AI 代表捕捉到的究竟是一个人的真实工作风格，还是他自我期待中的工作人设，这个问题的答案可能直接决定匹配质量的上限。公司目前未披露任何关于用户端行为验证的数据。
没有直接竞品，但替代方案的名字叫 LinkedIn 上下文键和猎头的私人微信
严格来说，目前没有一个主流产品在做和 Profound 完全相同的事——用一次深度语音对话构建动态 AI 职业身份，并以此驱动双边匹配。但替代方案非常清晰且根深蒂固：人才端，LinkedIn 仍然是全球不可撼动的职业身份存储库，其“Open to Work”信号和 InMail 构成了最广泛使用的被动求职基础设施；高端人才层，猎头在 WhatsApp、微信和邮件里的私人关系网，则承载着大量不通过任何平台流通的“暗交易”。
Profound 的核心价值主张——捕捉判断力与工作风格——恰好是在攻击 LinkedIn 最弱的数据层和猎头最不规范的规模化能力。LinkedIn 的个人资料本质上是一个结构化的历史年表，它记录你去过哪里、做过什么、认识谁，但对“你为什么在那个节点做出那个职业选择”“你在压力下会如何决策”这类问题几乎不提供任何直接信号。而猎头的私人关系网虽然包含了深厚的信任与判断力信息，却无法规模化。Profound 试图用 AI 在规模化与深度之间架一座桥。但这并不意味着替代方案会轻易退让。LinkedIn 已经在其高级订阅中嵌入 AI 写作建议和智能匹配，其数据飞轮是 10 亿会员的行为痕迹，而非仅靠一场对话的自我陈述。反过来说，Profound 如果真能在匹配精度上跑出差异，其数据资产将不会是简历语料库，而是一套关于“人如何做职业选择”的判断力向量。这种资产一旦形成规模并经过有效标注，护城河可能远深于一个信息聚合平台，但形成这一数据资产的前提是用户愿意持续贡献深度对话数据，这本身仍是一个未闭环的前提。
一年内验证不了商业化，但必须验证一个更危险的命题：信任
Profound 目前的商业模式未披露。在 AI 招聘平台领域，常见的路径包括向雇主端收取 SaaS 订阅费或按成功招聘收费。但 Profound 的产品形态——AI 代表长周期伴随、理解深层判断力——更可能指向一种长期订阅或交易抽佣的模式。这在一百万用户之前谈论都太早。
对这家公司而言，接下来一年真正需要验证的并非收入，而是三个连续的假设：第一，用户是否愿意完成 30 分钟的深度语音对话并认为其结果准确反映了自身；第二，由此生成的 AI 代表是否能持续为用户带来他们此前无法自己发现的职业机会或人际连接，且这种连接的质量明显高于现有渠道；第三，雇主端是否愿意付费获取这种深度匹配信号，并将其纳入真实的招聘决策流程。这三环中任何一环断裂，产品都可能退化为一个“高级语音简历工具”，而非其愿景中的职业发现协议。截至目前，根据公开信息，仅第一环处于“首轮体验计划已启动”的状态，后两环完全未经验证。这意味着公司的价值主张目前仍停留在产品演示和创始人的叙事层面，尚未进入市场证据阶段。
当 AI 开始介入职业关系，谁拥有你的 AI 代表就变成了产权问题
CTO Prashant Parashar 明确指出，他们将职业发现的底层逻辑从“基于关键词的搜索”转向“智能驱动的匹配”。这一转向一旦实现，连带产生的是一个更深的产业问题：如果一个专业人士的 AI 代表长期运行在 Profound 的平台上，不断学习和更新其职业判断模式，该 AI 代表的数据产权、可携带性和隐私边界将如何界定？假设一个用户使用 Profound 三年后，其 AI 代表积累了关于其决策偏好、职业价值观和人际网络互动的海量推理数据，若该用户希望将这份“数字职业镜像”转移到另一个平台，是否存在技术上和商业上的可移植性？
Stellaris 合伙人 Rahul Chowdhri 的观点是，“简历和 LinkedIn 个人资料只能捕捉头衔，无法捕捉判断力”，而 Profound 正在用语音优先的方式构建一种始终在线的 AI 代表，其表示深度远高于传统档案。3one4 Capital 的管理合伙人 Pranav Pai 则补充道，传统简历和资料“无法捕捉判断力、工作风格或真实背景”，而 Profound 正在为 AI 优先的世界“从零重建这一层”。这些投资逻辑本身是自洽的，但它们都将牌押在了用户的长期信任和深度数据授权上——在一个数据主权意识日益增强的市场，这两样东西的获得成本可能远高于模型训练成本。目前，Profound 还没有披露其数据治理框架或用户对自身 AI 代表的控制权细节。在这个问题上保持模糊，对于一个处于早期体验阶段的产品是可以接受的；但对于一个试图承载人们职业身份的产品而言，透明的窗口期并不会太长，尤其是在欧盟 GDPR 和印度《个人数据保护法》等法规对 AI 决策可解释性和数据可携带性提出日益严格要求的背景下。
RecodeX 极客视：职业发现这块顽石，二十年没被真正撬动过，不是因为缺少技术，而是因为缺少一套能够捕捉判断力、工作风格和人与人信任尺度的数据模型。Profound 选择用 AI 语音对话切入，是在职业身份的源头做重、做深，其产品直觉令人信服。但将一个 30 分钟的对话转化为可持续更新的动态职业镜像，并让市场两端的参与者为其买单，是一场行为科学、数据资产和商业模式的同时验证。150 万美元种子轮的真正价值，不在于支撑一次产品迭代，而在于买下一年时间，去回答一个最危险的问题：用户究竟敢不敢，把自己的职业身份交给一个 AI 来代表。而这个问题，远超任何一行代码所能解答的范畴。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。