Arvind Jain 谈 Glean 的打造与企业 AI 的未来
摘要
Glean 的创立逻辑是企业搜索，但早期押注 transformer，让 2019 年的产品在生成式 AI 到来时占据了异常有利的位置。 Arvind Jain 从一个普遍痛点切入——研究显示，员工有 1/3 的工作时间花在寻找信息上——并使用基于 BERT 的模型匹配概念，而不是关键词。随着生成和推理能力提升，Glean 从“工作生活里的 Google”演变成了“工作生活里的 ChatGPT”。
Glean 在通用能力已经成熟的地方使用 frontier models，同时自行构建企业级检索能力。 它在客户语料上训练小模型，生成定制 embeddings；同时单独微调小型开放域模型，用于拼写检查、同义词处理和缩略词扩展等窄域搜索任务。综合回答和多步推理则交给 GPT、Gemini 或 Claude。Jain 的原则很直接：“不要重新发明已经被发明的东西。”
权限和数据新鲜度，而不只是模型质量，才是企业 AI 的核心约束。 Glean 从 Google Drive、Slack 和 Salesforce 等系统导入治理规则，将权限写入索引，只检索当前登录用户有权访问的文档。由于 embeddings 本身可能泄露受限信息，针对客户的模型只会在 Glean 判断安全的子集上训练。
Jain 的连续创业模式，是在其他人已经放弃的市场里押注普遍存在的问题。 Lukas Biewald 追问 Rubrik 和 Glean 是否体现的是非凡执行力，而非新颖想法；Jain 同意，企业搜索曾经“只有失败”，并成为投资人不愿投入的“死区”。他的信念来自两个变化：SaaS 让碎片化数据问题恶化，却也让数据更容易获取；transformer 则让语义理解在技术上成为可能。他从 Google 带来的运营模式是把创新放在第一位，招募聪明的工程师，并基本放手让他们构建。
一个具体的 ROI 案例，是对企业 95% 的非结构化数据进行推理。 在出现客户流失后，Glean 财务团队一名非工程师员工要求一个 agent 汇总 Salesforce 客户名单、共享 Slack 中的情绪信息和产品使用数据，将客户风险划分为绿、黄、红三档。Jain 认为，这份结果优于传统仪表盘，因为它能够纳入带有主观判断的文本证据。
Glean 评估的是完整的回答链路，同时承认企业 AI 不可能消除错误。 它从真实互动中提取“黄金”问答集，例如获得良好反馈的 Slack 回复，用来测试检索和模型变更，并使用 LLM 作为评审。针对幻觉，它会将回答逐行与提供的源材料核对，并可能压制缺乏依据的表述或直接拒答；但 Jain 表示，过时、缺失或检索不佳的知识，比模型凭空编造本身造成更多失败。
Jain 不认为减少人力是最有价值的 AI 策略；他更希望每名员工身边都有一支可规模化的“梦之队”。 他设想 assistants、coworkers 和 coaches 帮助每个人完成所需工作的 90%，同时企业保留甚至扩大团队，让成员能够完成“10 倍的工作量”。这场变革可能显得渐进——一次只改变一个任务——直到员工发现，自己已经与 2 年前截然不同。
精读
1. 企业搜索成为 Glean 切入生成式 AI 的入口
Jain 于 2019 年初创办 Glean；据他所知，当时“生成式 AI”这个词还不存在。他要解决的是一个更早出现的问题：信息散落在各种企业系统中。研究显示，人们有 1/3 的工作时间花在寻找信息上，因此最初的目标是打造“工作生活里的 Google”——一个集中提供文档、数据、答案和相关同事的目的地。
Transformer 已经在改变 Google 内部的搜索。2018 年底，基于 BERT 的模型进入开放领域后，Glean 得以在企业语料上训练小模型，在几乎没有词汇重合的情况下识别文档之间的语义接近度。Jain 谨慎地表示，Glean “可能是第一家在企业中使用 transformer 的公司”，因为这项改进是被实际观察到的，而不只是预测出来的。
2019 年的模型既不能生成内容，也不能进行推理，但基于 embedding 的匹配为后续发展打下了基础。随着模型能力到位，Glean 从呈现文档转向阅读文档并生成精准答案：“过去工作生活里的 Google，如今更像工作生活里的 ChatGPT。”
2. Glean 构建企业级检索，同时借力 frontier intelligence
Jain 对技术团队的要求是“最大限度使用外部正在发生的创新”。Google、OpenAI 和 Anthropic 已经提供了能力强大的模型，重复造轮子既帮不了 Glean，也帮不了客户：“不要重新发明已经被发明的东西。”
在企业语境真正重要的地方，Glean 会训练小型、客户专属的模型。这些模型学习公司的语言、代码词和内部概念，生成定制 embeddings，比通用语义搜索更准确地将问题匹配到相关文档。
检索完成原材料组装后，由 GPT、Gemini 或 Claude 综合生成答案；最大的基础模型还负责推理，以及将复杂问题拆解成多步骤的 agent 工作流。对于拼写检查、涉及同义词和缩略词的查询扩展等窄域搜索操作，Glean 会微调小型开放域模型，因为使用 GPT 虽然有效，但属于“杀鸡用牛刀”。
安全机制被嵌入检索层。Glean 从 Google Drive、Slack、Salesforce 等系统同时读取内容和治理规则，再将权限写入索引，确保每名用户只能检索到获授权的材料。对于定制 embeddings，它不会在完整语料上训练，而是通过启发式方法选取安全子集，因为模型内部状态可能以不可预知的方式泄露受限信息。
3. 技术条件改变后，失败品类也可能变得有吸引力
Biewald 认为，Jain 的履历很难仅仅归因于运气：按他明确保留余地的回忆，Rubrik IPO 时的估值超过 200亿美元，而实现 100亿美元以上的结果，概率可能是“千分之一”或“万分之一”。但他的追问也很关键：Rubrik 和企业搜索都是市场熟悉的故事，其他人也曾反复失败，这说明真正的差异化可能在执行力。
Jain 的回答依旧刻意克制，但选题逻辑很清楚。Rubrik 于 2013 年进入构想阶段，并于 2014 年初启动，解决的是保护数据这一普遍需求；当时勒索软件和其他攻击不断增加。Jain 表示，最优秀的技术人才和注意力集中在消费科技，企业市场却相对落后，现有企业产品往往已经存在超过 20 年。Glean 同样瞄准几乎每名员工都能感知的问题，但包括 Google 在内的数十年失败经历，已经让投资人相信企业搜索要么无法解决，要么并无必要。他还指出，过去 10 年里没有一家知名搜索公司成立。
让一个糟糕品类变成反共识机会的，是两项技术变化同时发生。SaaS 让信息问题严重得多，却也让问题变得可处理，因为 SaaS 系统允许 Glean 读取企业数据；transformer 则提供了概念理解能力。Jain 仍觉得自己的判断不可思议，因为“怀疑是我存在的一部分”，但最终认定，大型公司必须解决“具有普遍性的”问题。
4. 企业 AI 正从搜索框走向运营层
Jain 预计，无论资历高低，每名员工都将拥有 assistants、coworkers 和 coaches，帮助他们完成所需工作的 90%，同时帮助他们持续提升。如今，这样的支持团队主要是 CEO 的特权——assistant、coach、chief of staff 和高管团队——但 AI 可以让它普及到所有人：“你不再是一个人。”
Glean 目前有一个 agent，可以在不召开进度会议的情况下产出最新技术教程。它读取设计文档，检查已经解决的 Jira 项目和后来提交的代码，再将过时描述与当前实现对照。Jain 将其称为“常青文档”：系统生成的是最新解释，而不是返回最显眼却已经过时的文档。
客户流失案例展示了这种运营杠杆。出现一定程度的流失后，一名没有软件工程背景的财务员工要求 Glean 从 Salesforce 枚举客户，检查共享 Slack 对话中的情绪，结合产品使用数据，并将每个账户划分为绿、黄或红三档。
Jain 认为，这份报告优于仪表盘，因为仪表盘主要处理结构化指标，而 agent 可以在分析使用数据的同时解读主观文本。他更大的判断是：“企业数据中有 95% 是非结构化的”——其中包含大量洞见，只是过去没有人手提取。
支撑这一愿景的组织模式，部分来自 Jain 在 Google 的经历：把技术和创新放在首位，招募聪明且有动力的工程师，提供资源和自主权，并基本放手让他们组织和构建。在 Glean，他表示自己的角色往往是少干预，同时维持以创新为先的文化。
5. 可靠性更取决于证据质量，而不是自信生成
Glean 把自己当作“客户 0”，但评估也延伸到客户部署。真实对话本身就包含潜在的黄金数据集：一个 Slack 问题、一条人工回答，以及积极反馈或点赞，可以帮助确定优质回答应当是什么样子，而不必手动构建每个基准。
每次搜索、检索、模型或其他系统变更，都会在这些问答集上运行测试。由于质量部分取决于主观判断，Glean 还使用 LLM 作为评审，将生成回答与黄金答案进行比较，并衡量端到端系统，而不是孤立地评估模型表现。
Jain 坦率承认，Glean 不会“始终以完全正确的方式回答问题”。信息可能缺失、过时，或来自错误的来源；模型本身也可能产生幻觉。Glean 会将生成的主张逐行与输入证据核对，为其附上支持性的人工撰写材料作为引用；如果找不到依据，就压制回答或直接拒答。
因此，模型幻觉只是众多失败模式之一，而且在 Jain 看来并不是最大的那个。“大多数损失”发生在更早的环节：从多个系统中找到正确的信息，判断信息是否最新，以及确认信息是否来自该领域专家。如果不存在答案，Glean 也可以转而找出正在处理相关议题的人；Jain 还认为，未来 agent 主动向人类追问缺失事实是合理的发展方向。
6. 增强人力的回报高于削减人数
Jain 认为，关于微型团队或“一人独角兽”的预测“从根本上偏离了重点”。一家企业的价值、智力和产能都来自人，因此 AI 应该增强这套基础，而不是主要用来取代它。
他的策略十分明确：“我不想真正缩小团队规模，我其实想扩大团队”，同时让每个人都能完成“10 倍的工作量”。企业可以选择用 AI 缩减团队，也可以继续投资于人才，大幅提升收入端。
持久有效的成功因素仍然是“努力、投入和成功的欲望”，但任务组合会发生变化。工程师可能不必再记住那么多 API 和框架，而是投入更多时间进行思考和设计，减少写代码的时间。Jain 预计，适应会以渐进方式发生——“每天都有一个新任务”——直到这些累积变化最终带来转型。