3年即成獨角獸、獲紅杉資本青睞，企業內部AI搜尋引擎Glean怎麼挑戰微軟？

隨著ChatGPT和LLM的興起，新創和企業開始關注如何透過LLM來提升員工生產力和開始頭腦風暴思考內部Chatbot使用場景。最常聽到大家提到的一點是——好想要有一個可以回答公司內部問題的超級Wiki Chatbot！如果你也有想過這句話，或許你可以嘗試看看Glean（或是看看我的這邊介紹文）。

企業內部搜尋的普遍痛點：花了好多時間找內部資料

大家在上班的時候普遍來說，應該都有體會過一個情境，那就是需要耗時許久，且需要翻遍所有公司有採用的各種軟體工具，只為了查到一個文件、一份相關資訊或一個聯絡窗口。特別是對於那些身處在一定規模等級以上的企業員工，應該會是特別有感的事情。根據一份N年前的麥肯錫報告，企業員工平均每天花1.8小時在搜尋和聚集資料。而這個痛點，甚至也出現在以「資料搜尋功能」起家與聞名的Google內部當中，創辦人Arvind Jain擁有在Google擔任軟體工程師超過十年的經驗，並在2014年共同創辦了一家雲端資料管理公司Rubrik。在這兩個經驗當中，Arvind發現到阻擋員工生產力的最大要素是——「員工無法輕易找到他們所需的資料」。因此Arvind選擇在2019年創辦了Glean，致力於打造企業內部搜尋引擎。

細數以「搜尋功能」為主要價值的公司，大家第一家會想到的是Google這個針對網路公開資料搜索的龍頭，而其他主打提供搜尋功能公司如Algolia、Elastic、Lucidworks或是Coveo鎖定的場景並非是提供給企業內部員工使用的場景，而是提供Search-as-a-Service API給企業在其Consumer-facing的網站上或App內的搜尋功能。舉例來說，許多電商品牌上的官網搜尋功能是選擇串接Algolia的服務，主要原因是一般品牌端無法建立內部的工程團隊從頭打造一個好用的搜索服務，因此消費者在電商網站上使用搜尋功能的背後用到的技術其實是來自於Algolia。

企業內部搜尋引擎與一般公開資料搜尋引擎差在哪？

那為什麼沒人在做企業內部搜索引擎呢？做一個企業內部搜索引擎產品的困難點主要來自於什麼？

事實上，做一個企業內部搜尋引擎和Google在做的公開資料搜尋產品，在產品特性上有諸多不同，而這些不同也正是Glean需要去解決的困難點：

困難點一：去哪裡獲取企業資料？

企業內部資料分散性問題和不易獲取會是主要問題，企業內部有使用的軟體工具百百種，也是導致企業內部資料分散性的原因，且企業的資料來源大部分都是閉源（Closed-source），不像是公開網頁資料可「公開爬取」，也較沒有一定標準化的方式可以去爬取資料，使得若要做出一個類似統一數據的訪問介面變的更加困難。

困難點二：怎樣是好的搜尋排序結果？

Google當前的精準和個人化的搜尋結果來自於大量的用戶針對搜尋結果點擊的行為資料，因而可以優化呈現的搜尋結果精準度。然而，時常員工於企業內部的搜索行為一來是不夠「龐大」，甚至也需要其演算法需要在初期使用時便能非常精準的搜尋到正確的資料，二來是員工的點擊行為資料很常過時，因為員工需要獲取到的資訊不只是要精準，而是要最新、最即時、最正確。因此如何針對企業內部來設計演算法來排序搜尋結果，勢必要用的方法會需要不同。

困難點三：誰可以/不可以搜尋到哪些資料？

資料取用、權限管理及資安問題：企業員工有分職等、部門、等權限層級，因此當作為一個企業內部搜索引擎呈現出搜索結果時，特別需要一個控制系統，來針對不同部門、職級的員工進行調整搜尋結果。而在取用企業內部資料時一定會涉及敏感性機密資料，所以整套系統也特別需要在合規及資安面上特別建立起公信力。

針對第一個困難點，隨著軟體公司在API體系的成熟，讓原先鎖在各個應用內的資料可以透過API的方式被整合和取用，讓資料整合逐漸成為可以被解決的問題。如今Glean已成功串接超過100+個軟體應用，軟體類別基本涵蓋了新創和Enterprise等級企業在各個環節會使用到的軟體工具，除了支援Google Workspace及Microsoft的Outlook及OneDrive以外，像是：行事曆、信件/溝通工具、檔案文件知識庫、軟體工程和分析工具、人資工具、公司內網系統、員工登入系統/SSO、專案管理、員工教育訓練、銷售及行銷及客服支援等。

針對第二及第三個困難點，Glean發展出基於Enterprise Graph的AI來將員工的角色、工作型態、職能、還有特定項目列入變數內，並根據客戶的數據來訓練其AI系統來學習公司、產業的慣用語、概念、組織名稱和縮寫詞等，讓員工在搜尋時便透過各式自然語也能查詢到他最需要且符合其權限的資料。員工目前可以直接透過開啟網頁應用、新分頁、Sidebar搜尋、自然搜尋或是直接透過Slack Command執行這些搜尋操作。

客戶若要選擇採用Glean，不需要數月的導入時間，該平台宣稱僅需要少於兩個小時的初步設定，也不需要複雜的軟體工程和手動微調導入（Manual fine-tuning for implementation）。目前Glean的客戶多為剛上市不久的公司（多半為位於2021年後IPO的）如Samsara（$15.3b）、Okta（$11.6b）、Confluent（$10.8b）、Duolingo（$6.4b）、Amplitude（$1.6b)或在快速成長階段的獨角獸新創公司如Databricks、Plaid、Vanta、Grammarly、Aurora、Outreach、Greenhouse、Coda。

無法利用PLG進行市場進入策略的Glean

Glean的產品牽涉到企業資料、資安、員工權限管理的產品，自然無法簡單透過Product-led Growth的方式來讓客戶採用，甚至市面上較少見同款訴求的產品類型，讓Glean在早期有可能需要花非常多的時間去教育市場。

在公司成立的頭兩年時，Arwind是唯一的銷售人員，前面的15-20家企業客戶都是他簽下的客戶。身為創辦人的首要任務便是驗證市場需求，而只有作為業務，才能第一手了解買家（像是：Chief Information Officer）對於產品的需求痛點、購買意願和決策過程。直到已經成立第三年時Arvind才招募了第一位業務，並在確認PMF之後，才開始建立起銷售團隊進行規模化的銷售。

所以研究Glean時，我覺得最讓我好奇的三個問題是——

如何打造其MVP並鎖定為期理想客群？

如何對客戶創造出Leap of Faith成功讓他們願意購買Glean？

如何確認此產品有達到「Product-Market Fit」？

如何在早期打造其MVP並鎖定客群？

Arvind在Podcast中提到，Glean產品的第一個使用者正是他們自己，而且他們內部的每名員工每日都在使用Glean，不管是軟體工程、客戶支持、行銷人員、業務銷售、客戶經理都會使用到，因此深刻了解怎麼樣的資訊在各個部門上是最需要獲取的，以及員工日常工作中會遇到的資料搜索相關痛點為何？當Glean團隊規模成長到50人時，基本上已經無法離開Glean。受惠於這些經驗，也讓Glean更好地可以描繪出他們早期想鎖定的客戶類型——快速成長需求的軟體科技新創公司。

如何對客戶創造出Leap of Faith成功讓他們願意購買Glean？

如同創辦人Arvind所說，他一開始在銷售產品時，最常見得到的客戶反饋是——「對公司來說，這是一個全新類型的產品，跟過去購買的軟體產品都不一樣，不知道購買產品的效益該如何衡量？」對於客戶來說，他們很難評斷Glean的價值，也因此Arvind對應此問題的方式是——利用量化方式的方式呈現出客戶面臨的痛點，像是呈現出企業員工平均每天花（浪費）上多少小時在搜索企業內部資料，相對應地其價值便是Glean能為此痛點解決多少小時的員工搜索時間，特別是在那些高薪資水準的崗位上，像是軟體工程團隊、業務團隊、產品管理等崗位。假設每次搜索可以節省員工將近30分鐘的時間，那兩千員工規模的公司，在一天十次的使用頻率下，將節省公司一天將近六十萬分鐘的時間。Glean也選擇採用「Free trial」的模式，讓其產品能在一段時間內能被公司完善體驗到其產品價值，降低適用的阻力門檻。

如何證明Glean已否有達到Product-Market Fit？

雖然說Glean的銷售模式仍是偏向TopDown，但真正重要的仍是公司員工是否有在實際使用該產品，因此Product-Market Fit的關鍵衡量指標之一是需要觀察導入後，員工對此產品的黏著度和使用率究竟為何？通常客戶的採用情境是公司發布一則內部公告給員工說當前有此工具可使用。可想而知，一開始僅有少部分員工會嚐鮮使用，而此時Glean能善用「生產力工具」常見的散播方式——「口耳相傳」的推薦分享方式，來增加該工具在公司內部的滲透率。此時，Glean能獲取更多用戶使用數據，包含哪些部門、層級、產業的員工會巨量的使用到Glean的服務，各類型員工的使用頻率為何？究竟是一天十次還是一週三次，這也將巨幅影響企業在適用期過後的採購意願

從企業搜尋引擎 > 企業智能中心 > 企業CoPilot工具

Glean從企業內部搜尋功能作為出發，但實際上其所佔據的戰略位子非常好，因為Glean本質上來說是企業內部所有資料的一種Aggregator（聚合器），對於生產力、知識管理需求高的產業來說會是非常強的智慧知識管理中心（Enterprise Intelligence）。

LLM技術在泛用使用場景和語境辨析比一般關鍵字搜索更強，這也讓Glean於2023年5月，宣布將整合LLM功能，提供三項新的功能，包含AI Answer、Expert Detection和In-Context Recommendation。

針對AI Answer部分，Glean將如何解決LLM著名的胡言亂語（Hallucination）問題？Arwind表示透過其產出答案的過程將會是系統先透過Enterprise Graph等方式集成搜尋結果，再利用LLM進行整合提供最終建議答案。而In-Context Recommendation功能將根據用戶提供的資料，自動生成補充性內容和前後文補充，將加速整體搜尋和資料探索和初步文件撰寫的體驗，這讓我想起了Microsoft 365 Copliot的強大Demo影片。Glean和許多僅作為薄薄一層LLM的生產力工具相比，已有過去三年所累積起來的企業員工在軟體和搜尋上的行為動作和在各產業累積上所奠基出來的產業理解能力，將會是其在與新進玩家競爭上的優勢。

Glean未來的天花板？

其產品潛力讓Glean直到今日已成功募資了將近1.5億美金也讓紅杉資本（Sequoia Capital）的Partner Sonya Huang，於2022年主動找上Glean領投其Series C將近一億美元的募資，且給予其超過十億美金的估值，據稱是前一輪估值的三倍。其投資人陣容星光熠熠，除了紅杉資本以外，還有眾多Tier1的創投基金包含凱鵬華盈（Kleiner Perkins）,General Catalyst和Lightspeed Venture Partners。

Glean初期鎖定的類型的客戶內部工具使用範圍較傾向靈活、彈性、雲端化、協作，願意使用新型態的生產力工具，較不願意使用傳統的Microsoft。翻開Glean的客戶組合，客戶數量從2021年的40家左右的客戶成長至2022年的70家左右，但大多仍是員工人數規模在五百至兩千人左右的Late-stage新創，少數是剛IPO三年內的軟體公司。

儘管作為一家當前估值為獨角獸的公司，野心不可能不看向Fortune 50的公司，畢竟這是一群最肥的羊，但此客群大多已深度採用Microsoft 365的生產力生態系，想要侵蝕到Microsoft的程度，將會是非常有挑戰性的。據稱Microsoft客戶願意支付超過40%的議價來使用具備AI協作的能力Microsoft 365 CoPilot，以此可以證明企業對於生產力的追求是很願意支付額外的成本和預算。

根據Crunchbase統計，目前在美國約有近700家獨角獸公司與180家估值落在5億至10億估值的新創公司，因此大約至少有900家後期新創可以算是落入其ideal customer profile的範圍，以當前Glean的客戶數量規模，約還有10x的成長空間，此估算還不算入團隊規模更小的新創公司。Glean能不能邁向下一哩路的關鍵指標是——有沒有辦法成為這900家公司在「非Microsoft體系的智慧搜尋和生產力Co-Pilot方案」首要選擇？