Glean 创始人：90% 企业 AI 场景已不需要最强模型

企业 AI 独角兽 Glean 创始人 Arvind Jain 近日在做客创投播客《20VC》时抛出一个引发广泛讨论的判断：目前 90% 以上的企业 AI 场景，已经不再需要调用最强的前沿模型，开源模型完全可以承接。这一观点与他对"应用层 vs 模型层"竞争格局的系列分析紧密相关，也是理解当下企业 AI 落地逻辑的一把钥匙。

企业 AI 的真正瓶颈是上下文工程

大型企业部署 AI 时常见的做法是：购买模型服务，通过 MCP 等协议将其接入内部的文档、邮件、CRM、工单和代码库，再用模型去"理解"公司。但 Jain 指出，企业内部可能有数百甚至上千套系统，同一个客户在销售部门叫"账户"，在财务部门叫"主体"，到了交付部门又对应若干项目。权限、版本、业务口径和隐性规则层层叠加，模型能读取这些信息，却并不知道哪一条对当前任务最重要。

结果是大量时间耗在"找原材料"上，大量 Token 消耗在无效检索和上下文拼接中。企业买到了一个聪明的大脑，却没有给它配备记忆、地图和工作手册。Jain 认为，这里的"上下文"不仅是把文档塞进提示词，还包括知识体系、数据权限、术语关系、业务流程，以及从未写进制度、只存在于员工经验中的隐性知识。如果 AI 在长期工作中积累了这些组织经验，它们的归属又将变成比"数据归谁"更棘手的治理问题。

90% 的场景不需要最强模型

如果说上下文决定 AI 能不能用，那么成本决定 AI 能不能大规模使用。Jain 强调，无论是内部会议纪要还是销售跟进邮件，都不需要调用世界上最强的模型。只要质量达到业务要求，更便宜的模型就会自然胜出。这背后是软件行业熟悉的逻辑：稀缺能力逐渐变成标准供给，技术优势变成可替换商品。

Glean 的做法具有代表性：它并不要求客户押注某一个模型，而是根据任务自动选择合适的模型——简单任务交给成本更低的开源模型，复杂任务再调用更强的闭源模型。在这种架构下，模型厂商越"卷"、开源社区进步越快，应用公司的原材料就越便宜、越丰富。真正危险的不是模型继续升级，而是应用公司除了调用模型之外没有形成其他价值。

不过 Jain 也承认，开源替代并非毫无阻力：一些企业对中国开源模型仍有心理和合规顾虑，即使可以本地部署、数据不会外传，决策者依然担心潜在的安全风险与舆论风险。但在他看来，这更像新技术扩散中的"第一批采用者"问题，头部企业形成示范后，顾虑会逐渐从"能不能用"转向"怎样用得更安全"。长期看，企业模型市场更可能是多模型共存，模型层利润被竞争持续压缩，价值则向负责选择、连接和管理模型的应用层迁移。

微软的捆绑优势出现裂缝

Jain 认为，微软是比前沿模型厂商更现实的竞争者。许多客户拒绝 Glean 的理由是"我们已经购买了微软"，因为对一家大型企业来说，免费获得一个"七十分"的 Copilot，通常比重新采购一个"九十分"的独立产品更省事——后者要额外经过安全审查、法务审批、供应商管理和员工培训。

但 AI 的按量付费模式正在给捆绑逻辑制造裂缝。传统 SaaS 按席位收费，企业购买套件后会倾向于让员工尽量使用其中的产品；AI 更接近按任务量付费，无论工具是否捆绑，实际执行一次任务都要消耗算力。企业完全可以同时开放多个工具，让员工选择最适合的一个，再为真实用量买单。这意味着，捆绑依然拥有采购和分发优势，却未必还能锁定最终使用。软件时代的入口优势，正在被 AI 时代的任务完成质量重新定价。

AI 降本的真实路径

关于企业 AI 的投资回报，Jain 分享了 Glean 自身的经验：公司内部接近 100% 的初始代码由 AI 生成，但产品交付速度并没有爆炸式增长。原因在于写代码只是整个链条中最短的一环，代码量上去了，但代码审查、架构设计、跨团队协调、测试、部署等环节还是原来的速度。当 AI 把写代码变得极快，瓶颈就会迁移到代码审核。Glean 依然保留严格的人类审核，以短期效率换取长期可维护性。

基于这一观察，Jain 认为 AI 不会自动消除流程瓶颈，只会把瓶颈推向下一个环节。长期来看，AI 降本只存在两条出路：一是等成本自然下降，历史规律如此，开源模型已经把推理价格打到闭源的十分之一左右，Token 价格继续下行只是时间问题；二是用 AI 放大人均产能而非单纯裁员，用同样规模的人做十倍业务量。他认为，最终竞争力不只有成本，还有产出，企业老板对 AI 的理解应聚焦于"一个人能干更多事"，而非"一件事让更少人干"。

应用层的护城河在于嵌入核心工作流

面对 OpenAI、Anthropic 持续推出法律、设计、办公等垂直套件的态势，Jain 认为应用公司不必恐慌。以设计行业为例，Claude 推出设计辅助功能后，设计师们的主力工具依然是 Figma，Claude 更多是让产品经理、市场销售等"本来就不是设计师"的人能做简单素材生成——这是市场扩展，而非直接取代。

更深层的问题在于，模型厂商不理解企业内部的真实运作。通用模型靠 MCP 这类标准化协议对接企业系统，暴力检索所有数据后试图完成任务，效率极低，且完全不懂企业内部的权限体系、历史决策逻辑、专有术语和隐性规则。Glean 的做法是花几年时间打通成百上千套内部系统，建立一套基于权限的组织知识图谱，让员工搜索任何信息都能返回权限范围内最相关的结果。

Jain 的结论是，真正值得应用公司担心的，是自己的产品是否足够深入到核心流程。如果价值只是一层聊天界面，模型升级确实可能一夜之间将其抹平；如果产品掌握了企业上下文、权限、流程和长期学习，模型升级反而会放大其价值。这或许是这一代 AI 创业者面对的最真实矛盾：窗口期要求大胆投入，而模型成本、客户回报和商业模式又要求保持克制，如何在两者之间找到平衡，才是真正的考题。