# 「企业谷歌」失败20年，谷歌搜索老兵把它做成了年增4倍的AI生意 > Training Data No. 21 中文精读 - 原标题：How Glean CEO Arvind Jain Solved the Enterprise Search Problem – and What It Means for AI at Work - 发布日期：2024-10-29 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/021-how-glean-ceo-arvind-jain-solved-the-enterprise-search-probl-dvJOQv.html - 精读字数：约 4555 字（阅读约 10 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 「让员工像用谷歌一样搜公司里的东西」，这句话CIO们念叨了20年，没人做成过，连谷歌自己也没做成。2019年，在谷歌做了近十年搜索的工程师Arvind Jain下场创业，啃的就是这块硬骨头。他创办的Glean如今收入一年涨到4倍，红杉主持人Sonya Huang在2024年10月底这期节目里给了个定位：论应用层AI公司的成功程度，Glean大概只排在Copilot和Scale后面。 这期红杉的Training Data播客，Arvind把这门苦生意的底牌全翻了出来：为什么前人全做砸了，80%的成功率指标怎么来的，以及为什么他觉得AI助手才刚走到2%。 ## 为什么「企业谷歌」失败了20年 先认识嘉宾。Arvind Jain，Glean联合创始人兼CEO，早年在谷歌深度参与搜索研发，后来联合创办数据公司Rubrik并担任CTO，Rubrik做得很成功。Glean从企业搜索起家，如今进化成通用工作助手，定位一句话讲得清：**企业内部的谷歌，或者说企业内部的ChatGPT**。员工提问，Glean用公司自己的知识回答，不管这些知识散落在哪个系统里。它同时是个AI平台，企业可以用Glean的RAG平台快速搭自己的AI应用。 为什么这个方向20年没人做成？Arvind拆了三层原因。 第一，搜索的期望值天然拉满。用户可以问任何问题，并且默认系统必须给出正确答案，这本质上是在要求魔法。第二，企业信息散落在几十个系统里，先得把数据拿到手，还得判断哪些内容是好的、哪些早就过时了，后者比前者更难。第三，时机。SaaS普及之前，这事根本做不了：光是把一家企业的数据接进搜索系统，就得跟对方坐上一年，真正的搜索问题还没开工。而且这个方向需要的研发投入太重，对创业公司极不友好。 Glean自己也熬过冷启动。前四年，这是个没人竞争也没人感兴趣的「死市场」，团队只能自己教育市场，一个客户一个客户地讲这事为什么重要。直到ChatGPT出现，搜索一夜之间变成热词，现在每家企业都想自己做一个Glean。 ## AI登场前的三层苦活 主持人Pat Grady问了个好问题：在碰AI之前，你们到底先建了什么？答案是一套没人愿意干的脏活，分三层。 - 集成层。Salesforce、Confluence、Jira、Google Drive、SharePoint、ServiceNow，企业数据散落在这类系统里，Glean为它们做了深度对接，先把数据全部收拢到一处。 - 治理层。企业数据和公网最大的区别，是大部分内容天生私密。一份Google Drive文档可能只对两三个人可见。**搜索引擎不能把全公司知识一股脑倒给每个人，必须逐条理解权限，再按提问者的身份决定他能看到什么。**几百个系统各自的权限逻辑，都要吃透。 - 知识图谱层。Arvind说，过去大多数产品就死在这一层。搜索不能只做关键词或语义匹配，还得理解提问的人。新员工要onboarding指南，给市场部的和给工程部的完全是两份文档。Glean给每个员工建模，给每份文档建模，再算出人和文档之间的关系：哪些文档属于哪个部门、哪些最受欢迎、谁和谁经常围绕什么内容协作。 还有个容易被忽略的事实：Glean从2019年第一天起就在用语言模型，当时是BERT那一类。搜索从第一天就有语义理解，从不依赖用户输入的精确关键词。所以当ChatGPT引爆大模型浪潮，Glean的地基已经打了五年，正好接得住。 ## 排名的秘密：偷学公司里的人怎么干活 Google搜索好用，靠的是排名，排名靠全网的海量链接和点击数据。企业里没这个条件，信号得自己挖。Arvind举了几个例子。 - 一份文档全公司的人反复看，说明它重要； - 最近一两周写的文档还有人在互动，说明信息没过时； - 全公司层面没人看、某个团队内部却高频使用的文档，对这个团队是宝贝； - 有人在Slack提问，别人甩了个文档链接过去，提问者点了个赞。这组互动等于宣告：这份文档就是这个问题的好答案。记住这组关联，下次再有人问类似问题，直接顶上去。 关键差异在这里：Google只需要盯着自家搜索框里的行为，因为它是全网求知行为的入口。企业里大量知识活动发生在搜索框之外，必须去沟通工具、文档系统里到处收集人类行为的痕迹。**排名系统学的其实是这家公司的人怎么干活，信号收集得越全，排名越准。** ## RAG，就是把两个不完美的东西串起来 节目里Sonya要求把RAG讲给五岁小孩听，几个人还商量了一下，最后Pat拍板：就从五岁讲起。Arvind的讲法很干净：GPT、Gemini、Claude都是拿全世界公开知识训练出来的，你问ChatGPT「我的年假政策有几天」，它答不上来，因为答案藏在你公司的私有知识里，模型没学过。RAG做的事，是先让检索引擎根据问题找出可能相关的文档，把这些内容连同问题一起交给大模型，让它基于这些知识作答。今天绝大多数企业AI应用都是这个架构，中间那台检索引擎，是私有数据和大模型之间唯一的桥。 打个比方，RAG像一场开卷考试：大模型是考生，检索引擎是帮你翻到正确页码的图书管理员。页码翻错了，考生再聪明也答不对。 Arvind对这个架构的判断值得划线：**RAG是把两个都不完美的东西串在一起用。**模型会幻觉，检索会失败。很多RAG应用表现差，病根在检索环节：要么没找到对的知识，要么找到了过时的知识，模型再强也白搭。 > 「两小时，甚至一天，你就能做出一个很棒的AI demo。但要做到稳定、可靠、在企业里真正产生价值，是另一回事。」 那企业搜索和RAG是什么关系？Arvind的回答：核心是同一套技术，都是把企业知识放进一个能提问、能返回相关信息的系统。区别在于，市面上多数RAG应用用的是简化版检索，通常基于向量搜索，缺乏完整的企业上下文。Glean的标准苛刻得多：**检索系统必须好到能单独当产品卖给用户，这是检验搜索质量的真正测试。过了这一关，再把它放到RAG后台，AI体验才立得住。**自己花几周DIY一条数据管道加一个检索模块，和这件事差着量级。 ## 80%的成功率，2%的进度条 Glean到底怎么改变日常工作？Arvind按角色举了例子，用户拿它干的事常常超出公司预料。 工程师拿它排障。你遇到的报错，大概率别人早就踩过，Glean把前人的解法翻出来，省掉重复踩坑。客服的工作模式整个变了：以前收到客户问题，要跑去各个知识库翻答案，现在第一反应是看Glean给出的答案，验证一下，然后回复客户。**工作从「找东西」变成了「验证AI说的话」。**销售拿它备会，客户会议前问一句，Glean拉出这个客户的360度视图：上次聊了什么、有哪些在手商机。会上被问倒，当场再问Glean。Glean公司内部干脆立了规矩，销售前几通电话不许带销售工程师，问题必须自己答。 全公司通用的场景只有一个：找对人。根据你的问题，帮你连上对的专家。Arvind说这是他见每个员工都高频使用的功能。 怎么客观衡量？Glean的北极星指标是每天有多少提问得到了成功解答，这个数字被控制在80%。测量靠行为推断：用户点了前两三条结果，跳过去停留很久，没有马上回来换一种问法，就算成功。Sonya说这和谷歌内部的Search SAT指标一个思路。 离终极愿景还有多远？Arvind的答案是2%。他想要的Glean，是能用公司知识回答任何问题、将来替你干一半活的助手。而这类产品最难的地方在于期望值无限：用户默认它什么都会答，什么任务都能干，团队要盯的核心只有一件事，把越来越复杂的问题答对。**「我们大概只走了2%，AI的影响还处在非常早期的阶段。」**他补了一句，这个数字是拍脑袋的，为的是表达阶段之早。 从2%往前走，靠什么？Sonya提到编程领域的一组数据：纯RAG的编程agent，任务完成率3%到4%；加上agentic reasoning，让模型反思、多轮试错，能拉到14%到15%，好几倍的提升。Glean的做法却出人意料地克制：先不追求全自动。用户问「帮我写一份团队周报」，系统会生成一个工作流草案，先去HR系统查你团队有谁，再去各个系统拉这些人的工作产出，但每一步都请用户确认、修正，用户甚至可以完全自己搭工作流。**这些人工搭出来的工作流会成为训练数据，将来模型才能自动把复杂问题拆解成agent循环。**Arvind的理由很实际：Glean的问题面太宽，不可能为每种任务预先写死agent逻辑，只能先跟人学。 他还算了一笔账：agent把复杂任务拆成10步，每步准确率90%，错误层层叠加，最后整体可靠率只剩35%上下。**简单问题都答不利索的时候，复杂任务只会错得更厉害。**所以在复杂工作流里，人工辅助依然关键。 ## 第二幕生意，和五年后的职场 Glean的第二幕是平台。Pat点破了其中的商业逻辑：搜索产品帮Glean解决了最难的一关，信任。让企业把全部数据交给一家初创公司，前提是对方能立刻给出价值。搜索产品本身就是价值，装上就能用，数据顺手就接进来了。这时候再说「把Glean当你们的AI数据平台」，话就好谈了，因为不用第二次说服客户交数据。Pat给了个类比：特斯拉做自动驾驶有优势，因为它先卖车；Glean做AI agent有优势，因为它先卖数据平台。 开发者这边的故事类似。企业想搭自己的AI应用，结果发现90%的活是无聊的基础设施：接数据、跑ETL、建检索层，等这些都做完，才有资格碰AI。Glean把这些全包了，开发者拿到一个搜索API，只管专注业务问题。Sonya听完说，这像Snowflake的故事，只不过Glean做的是文本和非结构化数据的中央数据平台。 五年后会怎样？Arvind的判断值得整段听完： > 「我们今天做的大部分工作，五年后将不再由我们完成。AI助手掌握公司全部的数据和知识，记得所有过往对话和会议的上下文，它们不会遗忘任何东西，还有推理能力。我们想让Glean成为职场里那个助手，成为你大部分工作发生的地方。」 他还有个延伸判断：今天的AI是被动问答，你问它答；未来的助手会像高管身边的行政助理，主动告诉你接下来该做什么，替你安排一天。这种待遇以前只有少数高管享受，**未来每个人都会有这样一个AI助理。** 给创始人的部分，Arvind讲得直接。红杉有张幻灯片说软件市场是6000亿美元，AI会把它撑到12万亿到15万亿。盘子在变大，所以他从不操心别人在做什么，所有人加起来做的，也远远不够填满需要解决的问题。**找到重要的问题就去做，别管有没有人做，别人也不会用你的方式做。**至于OpenAI既是Glean的供应商又是竞争对手这种局面，他的态度一样：市场大到不用怕。 AI公司就是公司，AI只是武器库里的一件工具，Glean自己也不自称AI公司。模型策略上，他们不训练超大规模模型，但会为每个客户单独训练小模型，让模型读懂这家公司的黑话、缩写和项目代号。大模型的事，交给合作伙伴。 最后落到明天就能用的三件事。 - 企业里搭AI应用，先别急着调模型，把检索层单独拎出来测：把它当独立搜索产品给真人用，看解决率能不能站上80%。检索不行，模型越贵越浪费。 - RAG应用效果差，先查检索再怪模型：看是不是没找对文档，或者喂了过时内容。两个不完美的环节串联，故障往往出在前一个。 - 给AI助手定一个能测的北极星指标，比如成功解答的会话占比，用点击、停留、是否换问法这些行为信号去推断，别只靠点赞按钮。