Glean

1. 调研缘由

这次把 Glean 放进简调，主要是因为它已经从早期的“企业搜索”叙事，扩展成一个覆盖 Search、Assistant、Agents、Agent Builder、Agent Orchestration、Model Hub、API 与 MCP 支持的企业 Work AI 平台。[S1][S2][S6][S7][S12]

这篇简调重点想弄清三件事：一是 Glean 的生态位到底还是企业搜索，还是已经转向企业 Agent 操作层；二是它的差异化主要来自模型能力，还是企业上下文、权限和连接器这套基础设施；三是公开评价里，客户采用与 ROI 信号，跟成本、部署、Agent 落地摩擦之间，到底是怎么并存的。[S2][S3][S10][S15][S16][S18]

2. 简介与产品工作流

Glean 官方对自己的定位是 “Work AI platform”，目标是让企业员工在一个入口里就能搜索公司知识、向 AI 助手提问，还能用 Agent 去执行跨系统的工作。[S1][S2]

它的典型工作流大致可以拆成四步：

1. 先把 Google Drive、Microsoft 365、Slack、Jira、Confluence、Salesforce、GitHub 等系统接入 Glean。官方连接器页面说它支持 275+ native 与 MCP-based connectors，同时强调用户只能看到和执行自己有权限访问的数据与动作。[S3]
2. 员工通过 Glean Search、Glean Assistant，或者浏览器、移动端、Slack、Teams 里嵌入的产品入口，发起搜索、问答或任务请求。[S1][S2][S12]
3. Glean 会根据企业索引、Enterprise Graph、Personal Graph 和权限感知检索，把相关内容交给模型来生成回答。这背后用到的 RAG，可以简单理解成：先从企业资料里找到相关内容，再让大模型回答，降低“凭空编”的风险。[S2][S5][S12]
4. 遇到更复杂的任务，用户或管理员可以用 Glean Agents、Agent Builder 和 Agent Orchestration，把搜索、判断、写入、通知、审批这些步骤串起来。[S6][S7][S14]

所以说，Glean 的产品形态早就不只是“搜公司文档”了。它仍以企业搜索作为底层入口，但正在把搜索结果、企业权限、模型选择和自动化工作流放进同一个平台。[S2][S6][S12]

3. 团队与资本背景

Glean 官方介绍说，公司由前 Google 搜索工程师和行业资深人士创立，一开始是想解决工作场景里“找不到答案”的问题；官网 About 页还提到，它最早做的是 AI-powered enterprise search，后来才扩展到 AI assistant 和 Work AI platform。[S8]

融资上，Glean 在 2025 年 6 月宣布完成 1.5 亿美元的 Series F 轮，估值 72 亿美元，由 Wellington Management 领投，Khosla Ventures、Bicycle Capital、Geodesic Capital、Archerman Capital 以及 Altimeter、General Catalyst、ICONIQ、Kleiner Perkins、Lightspeed、Sequoia 等投资方参与。[S9] TechCrunch 也独立报道了这轮融资，并提到这轮发生在其上一轮 2.6 亿美元 Series E 之后不到一年。[S20]

增长信号这块，Glean 官方 Series F 公告称，公司在 Series E 之后 ARR 已超过 1 亿美元、团队超过 850 人，Glean Agents 年化处理超过 1 亿次 agent actions。[S9] Glean 官方 2025 Year in Review 又提到，公司 ARR 超过 2.5 亿美元、同比增长超 150%，年化 token 运行量超过 20 万亿，并记录了 2.7 亿+ Glean Assistant actions。[S10] 这些数据都是 Glean 自己披露的，可以看作公司自报的增长信号，不等同于独立审计数据。

4. 技术基础与生态位

Glean 在 AI 生态里的主位置是企业软件层，具体切入点是“企业上下文 + 权限治理 + 搜索/问答 + Agent 自动化”。它延伸到了 Agent 和 workflow automation 层，但底座仍然是企业内部的知识、人员、权限和业务系统连接。[S2][S3][S6]

在模型路线上，Glean 并没有把自己包装成单一的基础模型公司。官方 Model Hub 文档说，客户可以配置和管理商业与开源 LLM，用在 Glean Assistant 和 Agents 上；支持的模型提供方包括 OpenAI、Google Gemini、Anthropic 和 Amazon，可以用自己的 key，也可以用 Glean Universal Model Key。[S4] 这更偏向“多模型混合”路线：模型是可切换的组件，Glean 自己提供的主要是上下文、权限、索引、Agent 编排和治理这一层。[S2][S4][S12]

权限和安全是 Glean 的核心技术叙事。官方安全页提到，它支持隔离的单租户环境，可以由 Glean 托管，也可以跑在客户自己的 AWS、Azure 或 GCP 云上；同时强调单租户连接器、权限执行、RAG 架构能减少 LLM 数据暴露，以及与模型提供商的 zero-retention 安排。[S5]

在开放生态上，Glean 已经将 MCP 纳入平台能力。MCP 即 Model Context Protocol，通俗讲就是让 AI 系统能统一调用外部工具和数据源的一套接口协议。官方连接器页面说它支持 native 与 MCP-based connectors；官方 Agent 平台公告也提到更广泛的 MCP server support、Agent interoperability 和 governance。[S3][S14]

部署方式上，Glean 主体仍是 SaaS/API，但官方安全页提到客户自有云部署，Enterprise Flex 文档覆盖 API、Agent runs、模型与 usage credit；2025 年 Glean 还宣布与 Dell Technologies 合作推出面向本地数据中心的 on-premises 部署架构。[S5][S12][S13] 因此 frontmatter 中 delivery_modes 保留 saas、api、on_premise，但这不代表 Glean 是开源项目，开放状态仍按 closed-source 处理。

5. 市场与外部信号

客户案例方面，Glean 官网列出了 McCarthy、Wunderkind、SafetyCulture、Ericsson、Zillow、Motive、Nextdoor、DBS、TIME、GCash、Booking.com、Databricks、Webflow、Duolingo、Wealthsimple 等企业案例。[S11] 官方客户故事页面提到，SafetyCulture 用 Glean 把搜索时间减少了 50%，Motive 用 Glean 构建 agents 节省了数千小时，Booking.com 将 Glean 扩展到了 14,000 名员工。[S11] 这些案例都来自 Glean 官方，可以证明它有公开的客户案例，但不应直接当成独立评价。

定价方面，Glean 官方 Enterprise Flex 文档显示，它采用 FlexCredits 计量机制，Assistant query、Voice Session、Meeting Notes、Code Writer Query、Image Generation Query、Deep Research Run、Glean Agent Run 等功能都会以固定或可变的方式消耗 credits。[S12] 文档说明 Agent run 的 credit 消耗会受连接器数量、步骤数、memory、工具执行和所用模型的影响。[S12] 不过，它没有公开标准的美元单价；Slite 和 Cybernews 的评论也指出，Glean 的定价主要走销售报价，缺少公开的自助定价。[S17][S18]

第三方评价平台上，Gartner Peer Insights 的企业 AI 搜索对比页显示，Glean 在 Enterprise AI Search 市场下有 4.5 星、142 条评论；G2 页面评分也是 4.5/5，并展示了一些用户对 Glean Agents、MCP servers、Jira/JQL 等使用体验的评论。[S15][S16] 这些评分属于外部用户评价信号，但样本来自评论平台，不能单独推出“市场共识”。

在生态合作上，Glean 与 Dell 的 on-premises 部署合作值得留意：这说明 Glean 正在覆盖那些对数据驻留、私有部署和本地数据中心有更高要求的企业场景。[S13]

6. 公开评价与主要分歧

评价汇总：
看下来，公开评价大致分成几层：官方和客户案例强调的是采用率、节省时间和企业级安全；第三方用户评价多认可“跨系统搜索”和“企业知识集中入口”；负面反馈则主要集中在部署复杂、价格不透明、连接器依赖、部分搜索/Agent 结果不稳定，以及企业 AI 落地本身就有不少工作量。[S11][S15][S16][S18][S19]

正面评价（官方/客户案例，不算独立评价）：
Glean 官方客户案例强调它能缩短员工搜索时间、提高内部知识的可见性，并把搜索、问答和 Agent 用在客服、销售、工程、运营等场景。[S11] 这些内容可作为官方案例信号，但不应写成独立市场评价。

正面评价（第三方用户评价）：
G2 上部分用户评论说，Glean 能把企业内部多个系统的资料集中起来查，也有人提到 Glean Agents、MCP servers 和企业上下文对洞察分析有帮助。[S16] Gartner Peer Insights 的产品页与对比页也把 Glean 放在 Enterprise AI Search 市场下，描述它的能力覆盖 enterprise search、AI assistant 和 agents，并显示有企业用户评分。[S15]

主要批评/质疑（独立媒体/第三方用户评价/竞品评论）：
Cybernews 的测评觉得 Glean 更适合大型企业，对小公司不太友好，主要问题在于价格不透明、连接器依赖和较高的设置成本。[S18] Slite 的评论也提到，Glean 更匹配大企业、复杂权限和治理场景，但如果原始知识库本身就过时了，AI 回答仍可能继承这些旧资料的问题；而且，部署和推广需要投入，不是光开通工具就能解决的。[S17]

G2 上也有用户反馈了更具体的使用摩擦：有人觉得 Jira/JQL 相关的动作存在幻觉问题，也有人提到希望 Glean Actions 能更稳定。[S16] 在 Axios 2024 年的一次活动报道中，Glean CEO Arvind Jain 也承认企业 AI 还是容易出错、不可预测，且在企业内部落地有难度；这属于创始人公开访谈里的风险表述，不是独立用户评价，但可作为落地难度的补充信号。[S19]

存在分歧之处：

• 搜索入口还是 Agent 平台： 官方叙事已经明显转向 Work AI 和 Agent 平台；但在外部用户评价里，最稳定、最常被提起的价值仍是跨系统搜索和知识入口。[S2][S6][S15][S16]
• 企业级治理是优势还是成本来源： 官方把单租户、权限继承、连接器和安全治理作为核心能力；外部评论也认可这些能力适合大企业，但同时也指出这带来了更高的部署、价格和推广成本。[S3][S5][S17][S18]
• Agent 能力成熟度： 官方已经将 Agent Builder、Orchestration、Agent API 和 MCP 支持放进了平台；用户反馈中仍能看到对 Agent 动作稳定性和部分搜索幻觉的抱怨。[S6][S7][S12][S16]

7. 同类对比（与头部/高知名度同类项目）

主要对标项目: Microsoft 365 Copilot、Atlassian Rovo、Coveo。

关键维度对比（事实，标来源）:

维度	Glean	Microsoft 365 Copilot	Atlassian Rovo	Coveo
核心定位	企业 Work AI 平台，覆盖 Search、Assistant、Agents、Agent Builder、Model Hub、API/MCP 等能力。[S2][S12][S14]	嵌入 Microsoft 365 应用和 Microsoft Graph 的企业 AI 助手，覆盖聊天、办公应用内生成、Agent 和 Copilot Studio。[S21][S22][S23]	面向 Atlassian Cloud 的 AI 产品，覆盖 Rovo Search、Rovo Chat、Rovo Agents，并连接第三方 SaaS 应用。[S24]	AI Search / Relevance 平台，覆盖网站、客服、电商、workplace、生成式搜索和 AI agents 场景。[S25][S26]
数据与上下文	官方称支持 275+ native 与 MCP-based connectors，并强调权限控制和企业上下文。[S3][S12]	依托 Microsoft Graph、Microsoft 365 应用和 Copilot connectors 连接工作数据与外部数据源。[S22][S23]	连接 Atlassian 数据与第三方 SaaS 应用；官方文档称 Rovo respects existing permissions set in third-party SaaS apps.[S24]	基于安全统一索引、hybrid AI Search、文档级权限和生成式 AI add-ons。[S25][S26]
Agent / 自动化	提供 Glean Agents、Agent Builder、Agent Orchestration，并在 Enterprise Flex 中把 Agent runs 计入使用额度。[S6][S7][S12]	提供 Copilot Studio 和 agent 相关能力；Copilot Studio 使用 Copilot Credits 计费。[S21][S23]	提供 Rovo Agents 和 Rovo Studio；Rovo FAQ 称 AI 关闭后 Chat 和 Agents 不可用。[S24]	官方把平台用于 AI agents、generative search、客户服务和电商等场景，但公开定位更偏 AI Search / Relevance。[S25][S26]
交付与部署	SaaS/API 为主，支持客户自有云选项，并与 Dell 发布本地数据中心部署架构。[S5][S12][S13]	Microsoft 365 云服务和企业订阅体系；需满足相应 Microsoft 365 / Office 365 授权前提。[S22][S23]	主要面向 Atlassian Cloud；官方 FAQ 称 Rovo 可用于 Jira、Confluence、Jira Service Management、Teamwork Collection 的 Standard、Premium、Enterprise Cloud 计划。[S24]	Coveo 公开强调 hybrid 部署和 AI Search 平台，价格与查询量、索引项目等指标相关。[S25]
定价公开度	官方公开 Enterprise Flex 的计费结构和 FlexCredits 机制，但未公开标准美元单价。[S12]	Microsoft 公开了部分 Microsoft 365 Copilot 商业计划价格，并单独公开 Copilot Studio credit pack 价格。[S21][S22]	Rovo 与 Atlassian Cloud 计划绑定，官网说明包含在部分 Standard、Premium、Enterprise Cloud 计划和 Teamwork Collection 中。[S24]	Coveo 公开计费维度包括查询量、索引项目等，但具体方案仍需询价。[S25]

公开评价中的对比（标源，非个人裁决）：

Slite 的评论把 Glean 放在“大企业、复杂权限、多系统知识分散”的场景里来看，同时也指出，如果企业的主要问题是文档维护和知识新鲜度，光靠 Glean 搜旧资料，并不能解决源头内容过时的问题。[S17] Cybernews 则认为 Glean 更适合大企业，对预算较小、工具栈较简单的团队不一定友好。[S18] 这两种观点都有各自的来源立场：Slite 是竞品/知识库厂商的内容，Cybernews 是独立测评媒体；所以这里仅作为公开评价中的参照，不做优劣裁决。

8. 信息缺口与后续观察

• 真实部署成本不透明： 官方已经公开了 Enterprise Flex 的计费结构，但没有给出标准的美元单价；后续需要留意合同价格、FlexCredits 消耗、Agent runs 成本以及大规模推广的实际成本。
• Agent 成功率缺少独立评测： 官方已经把 Agent Builder、Orchestration、API 和 MCP 放在了核心平台里，但公开的独立测试还很有限，尤其是跨系统执行任务的成功率、失败类型和安全边界案例，目前还比较缺。
• 官方增长数据需要外部交叉验证： ARR、token 运行量、Assistant actions 等数据都是官方自己披露的，后续可以用独立媒体、客户访谈或监管资料来交叉验证。
• on-premises 部署成熟度仍待观察： Glean 与 Dell 发布了本地数据中心部署架构，但这次没找到足够多的公开资料，来说明该方案的大规模客户数量、交付周期和实际维护成本。
• 企业知识质量不是单靠搜索就能解决的： 如果公司内部文档本身过时、权限混乱或系统字段不一致，Glean 的检索和生成质量还是会受源数据拖累；后续要重点看它在知识治理、数据清洗和结果可解释性方面有哪些公开进展。

9. 归纳洞察 ★

从 Glean 身上能看出企业 AI 的一个清晰走向：企业光有一个会聊天的助手是不够的，还需要一层能理解公司资料、权限、人员、应用和工作流的上下文系统。搜索依然是入口，但产品的重心已经在向“把知识变成可执行动作”移动。

它的差异化并不主要在单一模型上，而是把连接器、权限继承、企业图谱、RAG、模型选择、Agent 构建和治理整合到了同一套企业软件平台里。对大企业来说，这类能力的价值在于“能安全接入复杂组织里的真实数据”。而同一件事也带来了落地成本：接入的系统越多，权限、数据质量、推广和使用成本就越需要认真管理。

跟 Microsoft 365 Copilot、Atlassian Rovo、Coveo 这类项目相比，Glean 的定位更像一个横向的企业 AI 层：它不只是绑定某一个办公套件或项目管理套件，也不只是一个传统的搜索相关性平台。这个位置给它带来了跨系统整合的空间，同时也让公开评价更容易聚焦在一个问题上：企业已经在用办公套件、项目管理套件和搜索平台之外，还能不能从一个独立的 Work AI 平台中获得足够清晰的增量价值。

10. 来源与更新时间

• 信息截至(as_of): 2026-07-08
• 最后复查(last_checked): 2026-07-08
• 最后更新(last_updated): null