Arvind Jain

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。

🔗 原始收听与视频来源： 为什么 OpenAI 和 Anthropic 赢不了应用层｜Glean 创始人

Ali Ghodsi 的核心判断是：“我们已经有 AGI，真的已经有了。” 按他所在的 Berkeley AMP Lab 在 2009 年采用的定义，AGI 已经达标，如今行业只是在“移动门槛”。他将行业分成3派：追逐超级智能的前沿实验室，吸走大部分资本（“我会非常担心那一派”）；图灵奖研究者阵营（Sutton、LeCun），判断还要20年（“很可能他们才是对的，可惜了”）；以及 Databricks 和 Glean 所在的第三派，专注从我们已经拥有的 AGI 中提取经济价值。

LLM 是商品。 它们像加油站一样可以互换，“只要比价格”即可，用户一天之内就能切换模型，这在此前的平台大战中从未发生。模型公司仍可能很有价值（“TSMC 就很有价值”），但更像晶圆厂；真正的护城河是专有数据和业务流程——“没有任何 AI 理解你的独门诀窍和数据，那才不是商品。”

Arvind Jain 给出的解法是：AI 不是在延长软件，而是在把服务业收入转成 AI 收入。 从向 Nvidia 支付约2500亿美元、推导出约5000亿美元资本开支，再推导出需要约1万亿美元 AI 收入，而整个软件行业收入只有4000亿美元来看，服务业的规模是软件的25倍。Ali 的答案取决于阵营：如果超级智能落地，“那你的任何成本方程都相形见绌”；第三派则根本不需要超级智能。

泡沫确实存在，但不是非黑即白。 “有些零收入创业公司，估值却达到200亿、300亿美元，那就是泡沫。”但两人都预计 OpenAI 和 Anthropic 未来12个月上涨；ChatGPT 和 Gemini “势头正猛”，而编程目前“只吃掉了这个市场的一小部分”。

MIT 所说的95%失败率，恰恰是实验阶段想要看到的结果。 Ali 希望明年也出现类似统计，因为当前真正重要的是激进试错，而不是命中率。那5%的有效案例包括：RBC 在财报电话会后15分钟产出股票研究报告，而行业标准是2小时；Merck 用名为 Teddy 的 transformer 做基因调控药物发现；以及7-Eleven 完全由智能体驱动的营销体系。

Ali 认为大部分价值会流向应用层，“我只是不知道会是哪类应用”。 Arvind 则认为智能层会保持足够厚的价值占比，或许拿走企业价值的一半。Ali 借用1998年的教训：当年所有人都押注 Cisco 路由器和门户网站，最后的赢家却是 Facebook、Airbnb 和 Uber。软件并没有消亡（Salesforce 是“完整的工作流生态”，而不只是数据库），但数据录入是切入口——“Zoom 真的是完美的数据录入应用。”

Ali 看多智能体和语音。 “只要你还在用键盘，我们就还没解决语音问题”，而键盘“基本上会消失”。Arvind 认为编程和客服自动化“有点被过度炒作”。Brad 看多主动式 AI：AI 主动找到用户，把“5%的重度用户”扩展到“100%”。Glean 刚实现2亿美元收入年化规模，正在打造一个具备权限、面向个人的工作伙伴。

🔗 原始收听与视频来源： AI 企业——Databricks 与 Glean｜BG2 嘉宾访谈

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。

🔗 原始收听与视频来源： Arvind Jain 谈 Glean 的打造与企业 AI 的未来

Jain 认为，企业搜索是在 SaaS API、云基础设施和 transformers 到位后才变得可行。 他在 2018 年底开始思考 Glean，2019 年初创办公司，第一版使用 Google 的 BERT 模型，以及基于企业内容构建的客户专属 embeddings。Glean 最大的客户之一拥有超过 10亿份文档；按 Jain 的比较，这相当于 2004 年整个互联网的规模。

好的企业搜索，不能只靠向量搜索或不断扩大的上下文窗口。 企业系统必须区分当前有效、权威的信息与数十年来积累的过时材料，并以连贯方式呈现；把“100万份文档”按时间顺序打乱后全部塞进模型，仍然会制造推理难题。Jain 说，找到正确来源——或者发现根本没人记录过答案——往往比解决幻觉更难。

Glean 已从“工作中的 Google”扩展为建立在企业数据和知识之上的助手与 agent 平台。 Glean Assistant 将世界知识与经过权限控制的内部数据结合起来；面向特定职能的应用和 agents 则可以限定信息来源、指定语气，并在连接的系统中执行工作。最典型的场景是 HR：员工可以询问福利或 PTO，但答案只能来自 people team“授权或认可”的内容。

安全既是企业 AI 的准入门槛，也是 Glean 相邻的产品机会。 Jain 估计，公司知识有 90% 以某种形式属于私有信息，因此平台的所有访问都必须遵守源数据权限。更好的搜索暴露了原有治理漏洞——包括薪资和一份敏感的 M&A 文件——形成了“产品太好，反而卖不出去”的悖论，也推动 Glean 转向 AI-ready 和安全产品。

员工采用 AI 是行为改变问题，即使界面只有一个输入框。 20 年的 Google 使用习惯训练用户只输入 1-2 个关键词，很多人并不知道如何使用对话式助手；Jain 的结论是，“AI 实际上非常不直观”。除了短期 ROI，他认为企业现在就应培养 AI-first 劳动力，为 3 年后的组织形态做准备。

Glean 的自上而下销售模式由产品架构决定，尽管 Jain 最初的愿望是做 PLG。 即使只有 1名员工进行搜索，也需要索引整个公司的知识库，因此小席位部署成本高昂，而全公司推广才能跑通经济模型。在条件允许时，他建议 PLG 与企业销售同步启动，把 PLG 当作获客漏斗，而不是等 3 年后再建立商业化动作。

管理层仍将重心放在助手和 agent 平台上，因为它承诺的价值本身仍远未实现。 Jain 的销售话术是：用户提出任何问题或交办任何任务，Glean 都能安全调用公开知识和内部知识完成，但这距离现实仍“非常非常遥远”。最终目标是让每名员工拥有一支由助手、同事和教练组成的个人团队，“完成你 90% 的工作”，并“让我们所有人都成为 10Xers”；这显然是愿景，而非当前能力。

🔗 原始收听与视频来源： AI 正让企业搜索重新具备价值：Glean 的 Arvind Jain