نبرد برای تسلط بر بازار هوش مصنوعی سازمانی در حال شدت گرفتن است: مایکروسافت کاپیلوت را در آفیس یکپارچه می‌کند، گوگل جمینی را به ورک‌سپیس می‌آورد و شرکت‌هایی مانند OpenAI و Anthropic مستقیماً به مشتریان سازمانی می‌فروشند. در این رقابت بر سر رابط کاربری، استارتاپ Glean رویکردی متفاوت اتخاذ کرده و به جای نمایان شدن در جلو، تلاش می‌کند لایهٔ هوشمندیِ پنهانی شود که بین مدل‌های زبانی و سیستم‌های داخلی سازمان قرار می‌گیرد.

Glean هفت سال پیش با هدف تبدیل‌شدن به «گوگل سازمانی» آغاز به کار کرد: یک موتور جستجوی مبتنی بر هوش مصنوعی که می‌تواند محتوای پراکنده در ابزارهای SaaS سازمان (از Slack و Jira تا Google Drive و Salesforce) را فهرست و جستجو کند. اما امروز استراتژی شرکت تغییر کرده و تمرکز از ساخت یک چت‌بات سازمانی بهتر به فراهم کردن «لایهٔ اتصال‌دهنده» بین مدل‌ها و داده‌های سازمانی منتقل شده است — لایه‌ای که زمینهٔ کاری، کاربران و جریان‌های اطلاعاتی درون شرکت را می‌شناسد و به مدل‌های عمومی توان عملیاتی می‌دهد.

در گفت‌وگو با TechCrunch و در حاشیه Web Summit قطر، جین توضیح داد که تجربهٔ ساخت محصول جستجوی قوی به آن‌ها کمک کرده تا نحوهٔ کار و ترجیحات افراد را دقیقاً درک کنند؛ دانشی که اکنون برای ساخت «ایجنِت‌های» (agents) با کیفیت ضروری است. به گفتهٔ او، مدل‌های زبانی بزرگ قدرتمند اما عمومی هستند و به‌تنهایی دربارهٔ ساختار کسب‌وکار شما اطلاعاتی ندارند — بنابراین باید قدرت تولید و استدلال آن‌ها را به «زمینهٔ سازمانی» متصل کرد.

پیشنهاد Glean این است که آن‌ها همین زمینه را از پیش نگاشت کرده‌اند و می‌توانند بین مدل‌ها و داده‌های داخلی سازمان قرار بگیرند. دسترسی به مدل‌ها یکی از مزایای اصلی Glean است: به‌جای مجبور کردن سازمان‌ها به انتخاب یک ارائه‌دهندهٔ واحد، پلتفرم Glean به‌عنوان یک لایهٔ انتزاعی عمل می‌کند که امکان جابجایی یا ترکیب مدل‌های مختلف (از جمله مدل‌های اختصاصی و متن‌باز) را فراهم می‌سازد. به همین دلیل جین رقبا مثل OpenAI، Anthropic یا گوگل را تهدید نمی‌داند بلکه آن‌ها را شرکایی می‌بیند که نوآوری‌شان به محصول Glean کمک می‌کند.

نکتهٔ دوم، کانکتورهای عمیق هستند: Glean به‌طور گسترده با سیستم‌هایی مانند Slack، Jira، Salesforce و Google Drive یکپارچه می‌شود تا جریان اطلاعات بین این ابزارها را ترسیم کند و به ایجنت‌ها اجازه دهد در داخل همان ابزارها عمل کنند. این سطح از یکپارچگی به سازمان‌ها امکان می‌دهد تا پاسخ‌ها و عملیات اتوماتیک را دقیق‌تر و کاربردی‌تر در بسترهای کاری روزمره پیاده‌سازی کنند.

موضوع سوم و شاید حیاتی‌ترین نکته، حکمرانی داده و حق دسترسی است. Glean لایه‌ای از قوانین و مجوزها را پیاده‌سازی می‌کند که تضمین می‌کند تنها اطلاعات مجاز به پرسشگران نمایش داده شود. در سازمان‌های بزرگ، وجود چنین لایه‌ای می‌تواند تفاوت بین اجرای آزمایشی پروژه‌های هوش مصنوعی و استقرار آن‌ها در مقیاس وسیع باشد. جین هشدار می‌دهد که نمی‌توان تمام داده‌های داخلی را صرفاً وارد یک مدل کرد و سپس امیدوار بود که مسائل مجوز و امنیت بعداً حل شوند.

کنترل «هالوسینیشن» یا تولید اطلاعات نادرست توسط مدل‌ها نیز از دیگر دغدغه‌هاست. Glean می‌گوید خروجی‌های مدل را با اسناد منبع تطبیق می‌دهد، استناد خط‌به‌خط تولید می‌کند و تضمین می‌کند پاسخ‌ها با قوانین دسترسی و منابع معتبر همخوانی داشته باشند. چنین مکانیزم‌هایی برای اعتمادسازی در میان واحدهای حقوقی، امنیتی و مدیریتی سازمان‌ها ضروری است.

اما پرسش کلیدی این است که آیا این لایهٔ میانی در مواجهه با نفوذ روزافزون غول‌های پلتفرمی به سطوح پایین‌تر استک باقی خواهد ماند؟ مایکروسافت و گوگل بخش بزرگی از جریان کاری سازمانی را در اختیار دارند و اگر Copilot یا Gemini بتوانند به همان سیستم‌های داخلی با همان مجوزها دسترسی پیدا کنند، آیا لایهٔ مستقل معنایی خواهد داشت؟ جین معتقد است سازمان‌ها تمایلی به وابستگی به یک مدل یا یک مجموعهٔ ابزاری عمودی ندارند و ترجیح می‌دهند زیرساختی بی‌طرف و قابل تعویض داشته باشند.

سرمایه‌گذاران نیز به این دیدگاه اعتماد کرده‌اند: Glean در ژوئن ۲۰۲۵ دور سرمایه سری F به‌مبلغ ۱۵۰ میلیون دلار جذب کرد و ارزش‌گذاری شرکت را به حدود ۷.۲ میلیارد دلار رساند. برخلاف آزمایشگاه‌های Frontier AI، کسب‌وکار Glean نیازی به بودجه‌های عظیم محاسباتی ندارد و تمرکز آن بر ترکیب هوشمندی نرم‌افزاری با یکپارچگی‌های عمیق در سازمان‌هاست.

نتیجهٔ کلی برای سازمان‌ها این است که هنگام انتخاب راهکارهای هوش مصنوعی، تنها قدرت مدل را در نظر نگیرند؛ حکمرانی، یکپارچگی با ابزارهای موجود و قابلیت تغییر مدل‌ها از اجزای کلیدی پذیرفته‌شدن در سطح سازمانی هستند. رویکرد Glean نشان می‌دهد که در میانهٔ رقابت پلتفرم‌های بزرگ، هنوز فضایی برای لایه‌های مستقل هوشمندی وجود دارد که می‌توانند به‌عنوان زیرساختی برای استفاده مطمئن و قابل کنترل از هوش مصنوعی در سازمان‌ها عمل کنند.

تبدیل صوت به متن فارسی

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

اسکرول به بالا