Arvind Jain：企业 AI、开放模型与未来工作

Glean 创始人兼 CEO Arvind Jain 与 Harry Stebbings 探讨企业 AI、模型竞争和未来工作。Jain 对企业搜索和 AI 平台的看法来自一位在该市场竞争的公司创始人。

被问及自己更受获胜的渴望还是失败的恐惧驱动时，Jain 选择后者。他说，尽管可以吸取此前创业的经验，每次创办公司都会面对新环境，而 AI 的快速变革使人不能只依赖过去的成功。

Jain 介绍，Glean 最初帮助员工搜索分散在企业内部多个系统的信息，后来发展为企业 AI 平台。他说，其产品将多个模型与公司背景信息结合；这是他对 Glean 的描述，并非独立的产品评估。

Stebbings 问，企业是否应该担忧依赖前沿模型提供商。Jain 说，企业领导者担心对知识产权、信息和工作方式的控制。如果智能体承担核心运营，他认为，依赖可能超越技术层面，进入企业实际运营的方式。

Jain 提到组织积累的经验：人们不断调整流程，但未必记录每一个变化。他预测智能体可能积累类似经验，并询问谁将控制它们。特定智能体是否以及如何保留此类经验，取决于其设计和部署方式。

Jain 说，随着开放模型质量提高、AI 账单增加，客户越来越希望使用开放模型。在他的客户交流中，成本是当前主要驱动力；他同时指出，一些组织也要求在私有数据中心进行推理。

他说，在签订适当合同的情况下，一些客户对向模型提供商发送数据变得更放心。这是他对客户态度的观察，并非对任何供应商数据处理方式的保证，也不能替代合同审查。

被问及 Anthropic 是否可能取代 Glean 或其他应用公司时，Jain 认为一些垂直产品相对浅层，并说自己没有看到大规模全面替换现有工具的情况。他认为这些产品可以让非专业人士参与原本由专家完成的工作；这些是他的竞争观察，并非独立核实的市场结果。

Jain 承认 Glean 在争取企业客户时会与模型提供商竞争，例如 Claude 可以连接内部系统。他认为，构建有用的企业上下文比通过连接器接入系统复杂得多，而 Glean 必须向客户解释这种区别。

Jain 说，先进入市场可以带来品牌认知和竞争机会，但既不是持久成功的必要条件，也不足以保证成功。他建议创始人在关注模型能力的同时解决客户问题，并认为 OpenAI、Anthropic、Google 和开放模型开发者的进步对应用开发者有帮助。

对于企业工作负载，Jain 估计许多模型，包括开放模型，能处理 90% 或以上的使用场景。他将此视为某种程度的同质化，并说 Glean 会按任务和成本选择模型。这个百分比是他的宽泛估计，不是公开基准，也不能保证适用于每个组织。

Jain 说，他的团队最近开始放心地把大量工作负载放到一个开放模型上运行，但现在还太早，无法知道客户会如何回应。他预计一些客户会担忧中国模型，包括假设性的后门和声誉风险；他没有提供具体后门的证据。

Jain 预计闭源实验室之间以及开放模型带来的竞争会压低价格，并质疑单独的模型业务是否会像一些人预期的那样有利可图。他提到听说过一项未获证实的价格传闻；这并不能证明供应商会改变价格。

他将 OpenAI 的消费产品与 Anthropic 正在发展的自动化、技能和连接生态区分开来，认为两者都不只是模型供应商。他预测三年内大多数企业工作负载会使用开放模型；这不是已经报告的采用率。

Jain 说 Microsoft 是 Glean 最重要的竞争对手之一。捆绑销售可能有效，但他认为专业产品可以凭质量取胜，而按使用量计费可能削弱将软件纳入套餐的优势。

Stebbings 反驳说，大企业可能更愿意选择已经批准的供应商，避免管理许多供应商带来的合规负担。Jain 同意这种负担存在，但他说，与捆绑产品竞争的公司过去主要面临价格挑战。

Jain 说，潜在客户更常告诉 Glean 自己已有 Microsoft Copilot，而不是已经选择某家实验室的产品、因此不需要别的工具。他称 Microsoft 是强劲对手，但认为现在判断哪类竞争者更难对付还为时过早。

话题转向 AI 投资回报。Jain 认为，某些领域已有可衡量的价值，例如客服团队在获得阅读和摘要辅助后解决更多案例。他举的例子用于说明，并非对某个具体部署进行的受控测量。

编码领域的情况不同：Jain 说开发者大量使用 AI，但一些公司告诉他，更快生成代码不一定意味着更快发布产品，因为编码只是交付的一部分。这些是他的交流和观察，并非普遍结论。

他说，Glean 发布功能的速度确实提高了，但团队规模变大、经验更丰富，使得很难单独分离出 AI 的影响。工程生产率很难衡量，代码行数增加本身不能证明价值增加。

Jain 估计，Glean 现在几乎所有初始代码都由 AI 编写，但仍保留人工审查。团队曾考虑取消审查，因为它可能成为瓶颈；但他说，公司对提交生成代码仍相对保守。

AI 可以生成大量代码，而这些代码日后必须被理解和维护。Jain 说，目前 AI 工具在这方面并不完美，因此 Glean 接受审查成本，同时受益于更快的初稿生成；Stebbings 追问审查是否会抵消速度优势。

Jain 认为，企业 AI 的投资回报部分是吞吐量和上下文问题。在他看来，粗略连接多个系统可能迫使智能体在开展有用工作之前花费时间和 token 收集信息。他认为，提供更好的上下文可以让应用更快、成本更低。

领导者是否应要求员工用 AI 取代自己？Jain 认为这是错误目标，并说当前系统无法完全取代许多工作。Stebbings 则认为，即使只自动化某个岗位的大部分工作，也可能减少对该岗位的需求；两人对临界点在哪里存在分歧。

Jain 认为，接受部分解决方案的组织可能输给将同样 AI 工具与人类判断结合的竞争对手。Stebbings 质疑更多员工是否必然带来更好的产品，尤其是大团队可能减慢决策。

Jain 说，Glean 现有超过 1000 名员工，他希望五年后能达到 5000 人。这是一种愿望，而非招聘承诺。他预计企业会利用生产率提升来完成更多工作、改善产品，而不是自动缩减团队。

Jain 同意规模过大的团队可能相互拖慢，并回忆在当前 AI 讨论之前就有公司裁员。他的反驳是，如果把人安排到合适的项目上，人也是资产；两位发言者都没有确立适用于所有公司的人员配置规则。

两人对 AI 相对于人工的价格也有分歧。Stebbings 认为有价值的编码工具可能定价偏低；Jain 预计技术成本会下降，并质疑某些智能体工作流程的当前成本是否合理。

Jain 描述了 Glean 的一个工程事件分诊智能体。他说，该智能体处理了一个 15 人值班团队约 95% 的问题，但每月成本约为 100 万美元，高于团队成本，因此他质疑其效率。他没有说整个团队已被取代。

他承认，与开发人员薪酬相比 3.8% 的支出单独来看并不高，但他说开放模型有时能以低得多的成本完成类似工作。结果取决于任务和部署方式；他没有提供详细的比较研究。

Jain 预测推理价格将下降数个数量级，尽管他观察到一些 token 价格近期上涨。Stebbings 对提供商的动机提出自己的猜测；两人都没有提供证据证明个别价格变化的原因。

Jain 预计，人均生产率提高的同时，产品竞争门槛也会提高。他预测，公司需要为相同收入提供显著更多的价值，因此他主张用 AI 扩大产出，而不是认定员工人数必然下降。

Jain 说，Glean 最初让员工在没有严格 token 预算的情况下进行实验。他描述支出差距很大，有人每月花 20 美元，有人花 1 万至 1.5 万美元；更高级的使用场景集中在少部分员工中。

Jain 说，提问和摘要等常见用法已经普及，而他估计高级用法只集中在约 5% 的员工中。他倾向于在全员会议上分享有用案例，而不是单纯奖励消耗更多 token 的人。

谈到招聘，Jain 说，随着大型雇主放缓招聘或裁员，一般技术岗位的招聘比 SaaS 高峰期容易，但顶尖 AI 和机器学习人才的需求与薪酬则明显增加。他的说法来自市场经验，也包括对个别公司员工数量的不确定判断。

两人讨论种子期高昂的招聘成本。Jain 倾向于募集规模足够大的融资，但回忆 Glean 的 C 轮价格尤其高：他估计当时收入只有几百万美元，估值却超过 10 亿美元，并说自己记不清准确收入。

Jain 说，这轮融资还有助于向潜在员工传达公司的雄心与可信度。两位发言者都认为投资人声誉有助于吸引候选人，但这是他们的经验，并非对每次招聘都适用的规则。

Jain 说，在 AI 市场争夺机会的背景下，自己重视支出纪律的做法正受到压力。他仍认为公司需要创造客户重视的产品并获得营销回报，但也承认过于保守可能导致公司错过快速变化的机会。

被问及未来的工作时，Jain 预测会出现更多复合型岗位，结合产品、工程和设计，或结合销售与技术演示。Stebbings 指出，合并专业职责可能意味着更小的团队；Jain 回应说，更高的生产率也可能让公司尝试完成更多工作。

Jain 预计，一些范围狭窄的数据分析和招聘寻源任务会被吸收到更广泛的岗位中，业务人员也会更直接地获得答案。这些是他对任务和岗位变化的预测，并非某个具体岗位已经消失的证据。

关于主权模型，Jain 说他听到了相互矛盾的信号，自己并非专家，不知道这一趋势是在增强还是减弱。Stebbings 认为近期事件使主权问题更紧迫；两人没有给出对任何国家政策或限制的全面说明。

Jain 认为，训练模型需要大量前期投资，使传统的无资金支持的开源开发模式难以适用，同时他认为美国在其他领域拥有强大的开源社区。他预计，美国国内开发开放模型的兴趣会增加。

Stebbings 提到中国模型在一个路由服务上的突出表现。Jain 说，在受控环境中运行模型可以让一些用户更放心，同时预计美国政策制定者和技术人员会关注本国能力。他没有证明隔离部署能够消除所有安全风险。

Stebbings 推测 OpenAI 可能涉及政治利益交换和对竞争者的限制。Jain 说，他希望这不会发生，也怀疑监管能解决竞争问题。这段对话属于猜测；两人都没有提供存在此类安排的证据。

在快问快答环节，Jain 告诉计算机科学学生不必过度气馁。他认为 Google 作为一家成熟公司积极拥抱 AI，同时承认它本身就是 AI 公司，因此不能与所有传统企业直接比较。

Jain 担心，充足的创业资本可能鼓励不可持续的成本，例如种子期公司支付极高的工程师薪酬。同时，他认为如今创办公司并实现良好退出可能比过去某些时期更容易，但强调创业仍然艰难。

他认为创始人工作压力很大，并不光鲜，创始人需要强烈的使命感。他说，经济上的安全可能帮助他不必担心养家糊口，但他相信持续努力和打造重要事业的愿望仍然不可或缺。