Glean 企业搜索

5%的企业AI试点能成功，问题不在模型，在打通知识孤岛的公司大脑，Glean把企业知识串成一张可搜索的图谱，让 AI 开始"思考"

2026 年 7 月 17 日

企业 AI 试点为何只有 5% 成功？关键在于打通企业内部的知识孤岛，构建统一的“公司大脑”来驱动 AI 真正思考。核心内容： 1. 企业 AI 落地面临“知识孤岛”与“AI 孤岛”的困境与损失 2. Glean 构建“公司大脑”，将分散数据织成统一知识图谱的解决方案 3. 统一知识图谱如何赋能 AI 决策，提升组织效率与信息质量

文章来源：phData blog《How to Create a Company "Brain" with Glean》（Marcus Montenegro，2025-10-27）

一、前言：一个刺眼的 5%

企业 AI 搞了这么多年，结果怎么样？

phData 在他们的数据与 AI 咨询实践中得出一个数字：只有 5% 的企业 AI 试点能真正产生可衡量的业务影响。剩下的 95%，要么停在 Demo 里，要么用一阵子就被束之高阁。

这倒不是说模型不够强。GPT-4o、Claude Sonnet、Gemini 一个比一个能打，但企业落地时常常卡住。问题不是"AI 能不能答"，而是"AI 知不知道公司在想什么"。

财报在 Excel 里，客户记录塞在 Salesforce 中，项目沟通散落在 Slack 和飞书，决策依据留在老员工的脑子里。每个部门还各自买了 AI 工具。结果是：AI 越多，知识越碎；模型越聪明，公司越像一群聋子在那各自喊话。

Glean 给出的方案，不是再堆一个聊天机器人。它要建一个公司大脑（Company Brain）：把全公司数据、文档、对话、权限、人，织成一张统一的知识图谱，让 AI 真正理解这个组织。

二、背景：我们是怎么走进"AI 孤岛"的

phData 把企业的 AI 困境归结为一句话：知识孤岛养出了 AI 孤岛。

每个业务线都有自己的主战场。销售离不开 CRM，工程扎根在代码仓库和工单系统，市场围着内容管理系统和广告平台转，财务和 HR 各自守着 ERP。这些工具本身没问题，问题是它们互相不"认识"。

更麻烦的是，生成式 AI 爆发后，每个工具厂商都赶紧加了一个 AI 助手。Salesforce 有 Einstein，ServiceNow 有 AI 助手，GitHub 有 Copilot，Notion 也有 AI。每个助手都只能在自家数据里打转。你问"客户最近提了哪些需求？"，销售 AI 只能看 CRM 里的记录，客服 AI 只能看到工单，产品 AI 只知道需求文档。同一个客户，在公司内部被切成了三四个碎片。

这就是"AI 孤岛"：每个 AI 都局部聪明，但整体上谁也不比谁更了解公司。phData 认为，这种局面会导致三个具体损失：

沟通失真。部门 A 和部门 B 看的是不同版本的信息，开会时各说各话。一份客户反馈，销售记成"价格敏感"，客服记成"功能缺失"，产品只看到"优先级不高"。信息没有经过统一上下文，讨论就会失焦。

找东西的时间被浪费。员工为了回答一个问题，得打开三四个系统、翻十几个文档、问五六个人。phData 的调查显示，很多人一天里有相当一部分时间花在"找信息"上，而不是"用信息做决策"。

专家经验被埋没。某个技术难题，解决方案可能早就写在两年前的 Slack 线程里，但没人知道去哪找。久而久之，有经验的人离职，新员工重复踩坑，组织智商不升反降。

唯一的出路，不是换更多工具，而是建一个统一的工作 AI 平台。它给所有人一个入口，让搜索、创作、找专家、触发工作流都在同一个地方完成。

背景段（原图来源 phData blog）

三、方法：Glean 的"公司大脑"长什么样

Glean 是一家企业级 AI 平台。它的核心思路是：把企业里所有分散的数据，变成一张可被理解、可被引用、可被行动的知识图谱。

具体怎么做？分三步。

第一步：用连接器把数据接进来

Glean 通过原生连接器和自定义连接器，把企业里的文档库、即时消息、工单系统、CRM、代码仓库、数据库索引到一个统一的地方。phData 在文中举了自己的例子：他们的数据散落在 Snowflake、Google Docs、ServiceNow、Slack、Salesforce，甚至"人的脑子里"。Glean 的任务就是把这些数据源都接进来。

这里的连接器不是简单的搬运工。它会保留每个源系统的元数据：谁创建的、什么时候改的、属于哪个项目、关联哪些人。这些信息在后面构建知识图谱时至关重要。

第二步：复刻权限，做权限感知索引

这一步非常关键。Glean 不会把全公司数据"一锅炖"后让所有人都能搜。它复刻源系统的权限规则：用户只能看到自己在原系统里本来就能看的内容。查询时，这些访问规则会被实时执行。

这个设计给企业吃下了一颗定心丸。没有它，AI 搜索就变成了一场数据泄露事故。试想一下，如果普通员工能搜到高管邮件、薪酬数据、未发布的财报，再好的 AI 也没有意义。权限感知索引是 Glean 区别于普通 RAG 工具的核心安全机制。

第三步：用知识图谱而不是倒排索引理解信息

Glean 的底层不是传统搜索引擎的关键词索引，而是知识图谱。它的基本结构是三元组：主体（subject）— 谓词（predicate）— 客体（object）。

用人话说，它会把"张伟负责 Snowflake 项目"表达成 `张伟 —[负责]→ Snowflake 项目`。同样，"Snowflake 项目使用 phData 工具包"会表达成 `Snowflake 项目 —[使用]→ phData 工具包`。

这种结构让 Glean 能做多步推理。你问"phData 工具包被哪些项目用过？"，系统能沿着图谱从 `phData 工具包` 反向找到 `Snowflake 项目`，再找到负责人 `张伟`。这种查询，传统关键词搜索很难做到，因为它不是靠关键词匹配，而是沿着"关系"一步步推理。向量检索能找出语义相似的文档，但无法回答"这个工具被哪些项目用过、由谁负责"这种多跳问题。

phData 特别指出，这种结构还能解决大语言模型的几个老毛病：实体歧义、实体混淆、精确事实召回困难。后面会详细讲。

两个图谱，一个大脑

Glean 把知识分成两层：

企业知识图谱（Enterprise Knowledge Graph）：动态更新，理解公司的人、项目、流程和数据。它是组织的"公共记忆"。

个人图谱（Personal Graphs）：基于每个人的工作习惯、协作对象、沟通风格，提供个性化的主动支持。比如 Assistant 能学习你的写作风格，自动起草邮件、安排会议，而且不需要你写复杂提示词。

只有这两层合在一起，AI 才既知道"公司发生了什么"，也知道"你此刻需要知道什么"。

举个例子：你下周一要做一个项目汇报，Glean 的企业图谱知道这个项目涉及哪些文档、哪些人和哪些历史决策；个人图谱知道你喜欢用什么格式、通常关注哪些指标、平时和谁协作。于是它给你的不是一份泛泛的搜索结果，而是一页按你风格整理好的汇报草稿。

方法段（原图来源 phData blog）

四、结果：当公司有了"结缔组织"

Glean 反复强调，公司大脑不只是一个更聪明的搜索框。它是企业 AI 的结缔组织：把所有应用、数据、流程、人串在一起，让 AI 按照企业的真实运作方式工作。

phData 列出了几个可衡量的业务结果：

减少跨部门沟通误解。当所有人都能基于同一个信息源回答问题时，开会不再是"你听到的版本"和"我听到的版本"之争。

节省大量查找信息的时间。员工不用再打开四五个系统反复检索，一个自然语言提问就能直达答案。

发现隐藏的专家。系统自动识别谁在某个话题上最有经验。对新人尤其有价值：他们不用猜"这事该问谁"，系统直接把人推出来。专家发现的价值不仅在于找人，更在于把隐性知识变成可调用资产。过去，一个资深工程师离职，他脑子里的大量经验就带走了。现在，这些经验可以通过 Agent 被编码、被搜索、被复用。公司不再怕"人走了就断层"。

自动化重复工作。通过 Agent 接管流程，比如自动生成周报、汇总客户动态、跟进安全问卷。

创建主题助手。为法务、安全、BI、销售、人力资源等特定领域建立专业 Agent，让专家知识可以 7×24 被调用。

这些收益听起来抽象，但放在具体场景里就变得很真实。比如一个新销售想快速了解某客户的历史，他不再需要同时打开 CRM、邮件、Slack 和共享盘，问 Glean 一句就能拿到带引用的完整时间线。一个安全合规人员收到外部问卷，也不用翻遍政策文档，Agent 能直接基于最新制度给出答复。一个项目经理要组建新团队，系统能推荐有相关经验、且当前负载合理的人。

更进一步，Glean 设计了 "观察—学习—改进"循环（observe, learn, improve）。工作流被持续监测，瓶颈被识别，下一步最优动作被自动执行。价值不是一次性的，而是复合增长。更重要的是，这些收益会随着时间的推移而放大。知识图谱在越用越准，Agent 在越用越聪明，员工在越用越省时间。它不是一次性的工具采购，而是一个持续增值的企业资产。

phData 给出的是一个清晰的逻辑：AI 系统如果能"记住"公司，就能持续减少摩擦成本。

结果段（原图来源 phData blog）

五、专家解读：知识图谱为什么是大模型的"解药"

phData 作为长期服务企业的数据与 AI 咨询公司，对 Glean 的评价很高。他们认为，Glean 真正的护城河不是搜索速度快，而是用知识图谱解决大语言模型的结构性弱点。

大模型在企业环境里有三个软肋：

第一，歧义（Ambiguity）。同一个词在不同部门含义不同。"项目 Alpha" 在销售、工程、财务里可能指完全不同的三件事。纯靠文本搜索，AI 会张冠李戴。

第二，实体混淆（Entity Conflation）。张经理、张总、张伟，可能是同一个人，也可能是三个人。文本模型不擅长区分这些。

第三，精确事实召回。LLM 不是数据库。它记不太清准确数字、权限边界和具体条款。让它"硬背"公司制度，效果不会好。

知识图谱的三元组结构，把模糊文本变成结构化关系。它不是替代 LLM，而是给 LLM 提供一份"地图"和一份"参考书"。

Glean 的回答都带透明引用。你看到一个答案，可以点回原文出处。这个设计很重要：它不是说 AI 不会错，而是让错误变得可被追溯、可被纠正。

在企业里，实体歧义比比皆是。一份合同里的"甲方"可能指公司总部，也可能指某个子公司；一个产品代号可能在不同部门指不同版本。Glean 通过图谱把实体与其上下文绑定，让 LLM 在回答前先明确"说的是谁"。这就好比给 AI 装了一部企业版百科全书，而不是让它凭空背诵。

从专业角度看，这正是检索增强生成（RAG）在企业场景里的高级形态。普通 RAG 把文档切片扔进向量库，靠语义相似度召回。它的好处是简单、通用，但缺点是容易丢失上下文，召回回来的是"看起来像答案"的片段，而不是"确实是答案"的事实。

Glean 的图谱 RAG 则基于实体关系推理。它先理解问题里的实体，再在知识图谱里定位这些实体及其关系，最后把相关上下文喂给 LLM。召回更精准，解释也更清楚。

专家解读段（原图来源 phData blog）

六、产业影响：Glean 想做企业 AI 的"中央神经系统"

Glean 的野心，不是替代你现有的 AI 工具，而是成为它们的中枢神经系统。

它的 Agent 可以通过聊天界面、定时任务、API 调用、网页嵌入等多种方式被消费。这意味着：你已有的 Sales AI、Coding AI、BI 工具，都可以接入 Glean 的集中知识库，获得跨系统的上下文。

用 phData 的话说："你可以用强大的知识引擎，同时仍然保留那些必须保留的遗留或专用方案。"

这个定位非常清晰。它不像 Microsoft Copilot 那样深度绑定 Office 生态，也不像 Palantir AIP 那样面向高复杂度决策场景。Glean 选择的是横向、平台无关路线：它不做某个垂直场景的最强工具，而是做所有工具之间的"语义层"。

如果这条路线走通，Glean 将成为企业 AI 栈里不可或缺的中间层。它收集数据、理解语义、管理权限，然后为上层各种 AI 应用提供干净的上下文。

对 CIO 和架构师来说，这意味着：未来的企业 AI 架构可能从"每个工具自带 AI"变成"一个中央知识层 + 多个垂直执行器"。Glean 负责理解上下文和权限，上层工具负责各自擅长的事。这种分层比每个工具都自建一套知识库要干净得多。

产业影响段（原图来源 phData blog）

七、局限与争议：每个"大脑"都有门槛

Glean 的方案听起来理想，但落地并非没有门槛。

第一，数据治理得先过关。 Glean 复刻源系统权限，但它不修复权限混乱。如果公司在数据访问、分类、生命周期管理上本来就一团糟，接入 Glean 只会把混乱放大。换句话说，Glean 是放大镜，不是清洁剂。

第二，幻觉没有消失。知识图谱能降低错误率，但 LLM 生成部分仍然可能"一本正经地胡说"。引用机制让错误更可追溯，但不是说 AI 永远不会错。尤其是当图谱本身有错误、关系过时的时候，AI 会跟着错。

第三，成本与复杂度。连接器、索引、图谱、Agent 编排、权限同步——这一套对企业 IT 架构和预算都是考验。小公司或数据基础薄弱的公司，可能一时半会儿玩不转。部署不是一天两天，而是持续的运维。

第四，供应商锁定风险。一旦全公司知识都沉淀在 Glean 的图谱里，迁移成本会很高。这是所有"平台级"产品的共同宿命。

第五，"企业超智能"（enterprise superintelligence）这个词可能过誉。在真实组织里，知识不是越集中越好。过度集中可能压制部门自主性，甚至让错误决策更快传播。Glean 给的只是一种技术可能，组织能不能用好，是另一回事。

局限争议段（原图来源 phData blog）

八、同类对比：Glean 站在哪里

Glean 的核心差异是横向（horizontal）平台无关策略。把它和同类产品放在一起，位置很清楚。

Microsoft 365 Copilot / Google Workspace AI：深度绑定自家生态。在 Office 或 Workspace 里的体验最好，但跨出生态就明显变弱。如果你公司主要用微软服务，Copilot 的局部体验可能更顺滑。

垂直工具（如 Salesforce Einstein、ServiceNow AI）：在各自场景里很强，但企业-wide 需求覆盖不足。它们适合解决特定问题，但难以成为"公司大脑"。

Palantir AIP：强调 Ontology 与本体论，适合高复杂度、高风险的决策场景（如国防、金融、医疗）。部署和成本也更重。

Notion / Confluence AI：擅长文档和知识库，但缺少真正的连接器生态和权限感知。它更像一个"知识库"，不是"公司大脑"。

Glean：不跟任何一家应用强绑定，而是把企业的异构数据统一起来。这种定位在"多应用混战"的大企业里最有价值。

选择哪一种，取决于企业的数据现状。如果公司已经深度绑定某一家生态，垂直方案可能更顺手，短期部署成本更低。如果公司是"万国牌"应用堆起来的，Glean 的横向路线更合理。因为它不假设你的数据都在一个地方，而是接受"数据本来就散"这个现实，并试图在之上建一个统一的语义层。

九、结尾：公司大脑不是产品，是一种组织能力

回到开头那个 5% 的数字。

企业 AI 失败，很少是因为模型不够聪明。更多时候，是因为公司自己的知识先碎了。AI 只能记住你让它记住的东西；如果知识分散在 100 个应用里，AI 也只会跟着你一起迷路。

Glean 的"公司大脑"本质上是在回答一个问题：如何让组织像一个人一样记住和思考？

技术答案也许很清晰：连接器、知识图谱、权限感知、Agent 编排。但组织答案更难：它要求先承认数据孤岛的存在，然后舍得花时间打通它。这涉及数据治理、权限梳理、流程规范，甚至文化改变。

这可能不是一年两年的项目。但当数据、流程、权限、人都被织进同一张图里，公司的决策速度、新人流失速度、跨部门协作成本，都会发生质变。

说到底，Glean 只是一个工具。真正的"公司大脑"，是企业愿意持续治理自己的知识、打破部门墙、让数据流动起来。这种能力，短期内看不见，长期却是一家公司最不容易被复制的竞争力。

到那时，公司才真正会思考。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

5%的企业AI试点能成功，问题不在模型，在打通知识孤岛的公司大脑，Glean把企业知识串成一张可搜索的图谱，让 AI 开始"思考"

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单