Arvind Jain
前沿洞察
基础模型正加速商品化与多模互换，顶层霸权终将被稀释；AI应用的真正决胜盘绝非盲目堆砌参数或上下文，而在专有数据上下文、权限安全治理与深度嵌入业务流的执行吞吐。企业若仅沉迷模型能力，必将受困于治理漏洞与失效代理；唯有掌控机构学习与高可信度的Agent协同闭环，方能撬动服务业规模化转化的持久护城河。
观点集合
为什么 OpenAI 和 Anthropic 赢不了应用层｜Glean 创始人
开源模型正进入企业拐点：Jain称90%以上用例已可由多种模型处理，Glean团队也首次信任 GLM 5.2 承担大多数工作负载，预计3年内占多数。前沿模型业务将面临降价压力，企业更需要控制 agent 和机构学习；Glean 95%的工程分诊自动化表明，ROI取决于吞吐量、上下文和执行，而不只是模型能力。
查看摘要（7段）
- 开源模型刚刚跨过企业应用拐点。 Arvind Jain 表示，如今包括开源模型在内的众多模型，已经可以完整处理90%以上的企业用例；GLM 5.2 在距离前沿能力不到3个月、也就是“就在上个月”的情况下出现，是Glean团队首次愿意将“大多数工作负载”交给它。Jain的判断是：3年内，企业工作负载的多数“肯定”会运行在开源模型上，唯一的门槛是能否接受中国模型——“这不是开源对闭源的问题。”
- 前沿模型生意可能被错误定价。 单独看，模型业务“可能没有所有人想象的那么赚钱”：即便是3家实验室的竞争格局也已极其激烈，而开源模型便宜“一个数量级”；Jain还“听说 OpenAI 可能会大幅下调模型价格”。与此同时，过去6-9个月每家模型公司都反常地上调了token价格；Stebbings讽刺说，“他们需要证明自己是好生意，才能上市”，并警告，如果AI大幅降价，这些“支撑着整个全球经济”的亏损实验室将受到严重威胁。
- 实验室向应用层的推进仍然很浅。 Anthropic面向Figma、法律和金融的垂直产品包“相当浅”，带来的是扩张市场的新使用量，而不是替代既有工作负载；企业则“非常恐惧”运营依赖：机构知识会沉淀在执行工作的agent里，因此企业必须控制agent及其不断复利的学习。Jain给创始人的建议是：把实验室视为“巨大的资产，而不是竞争对手。”
- Jain认为团队应该变大——这是本期最尖锐的分歧。 Glean目前有1,000多人，Jain希望5年后达到5,000人：在所有人都能平等获得AI的情况下，仍然维持人数的竞争对手会交付好10倍的产品，“他们会打败你”。对于劳动力与token的取舍，Jain认为技术成本应该下降：“我们过去从未把技术成本和劳动力成本放在同一句话里……技术不是这样运作的”——推理成本会下降几个数量级。
- AI回报的核心是吞吐量，而不是模型。 Glean近100%的代码由AI编写，但在企业层面，“产品实际发布速度并没有提高”。其triage agent为一支15人的on-call团队自动解决95%的生产问题，每月成本100万美元，Jain也曾拿它与人工成本比较。先进用例目前只覆盖约5%的员工；解决办法是投资上下文，而不是让模型通过原始MCP连接“暴力搜索”出答案。
- 按消耗计费可能打破捆绑。 Microsoft如今是重要竞争对手（“很难和免费竞争”），但“一旦转向按消耗计费，就不存在天然的捆绑优势”——企业会在用户选择的任何工具中按工作量付费，这会削弱Stebbings所强调的Copilot锁定逻辑。
- 中国拥有领先的开源模型，美国正在追赶。 OpenRouter按使用量排名前6的模型都是中国模型，Anthropic作为首个美国模型排在第7；Jain表示，中国是美国之外唯一能产出模型的国家，Stebbings则提到法国“可能有一点”活动。Jain的解释是，模型训练需要前期资本投入，无法由开源式的秘密研发项目负担。美国需要打造自己的开源模型，Nvidia等公司正在成为有动力的出资者。
Arvind Jain 谈 Glean 的打造与企业 AI 的未来
Glean早期押注基于BERT的企业搜索，后来成为生成式AI入口：它将客户专属检索和权限控制，与GPT、Gemini或Claude的通用推理结合。商业价值来自对非结构化企业数据的推理，但可靠性更取决于新鲜且获授权的证据，而非流畅生成；更大的机会是让员工完成10倍工作，而非单纯裁员。
查看摘要（7段）
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。