企业AI应用层的控制权、模型选择、定价与组织变革——Glean创始人兼首席执行官Arvind Jain访谈要点梳理（20VC with Harry Stebbings，2026-07-11）

——据20VC with Harry Stebbings节目《Why OpenAI and Anthropic Won't Win the App Layer | Glean Founder》（2026-07-11）整理

摘要：本文对20VC with Harry Stebbings节目主持人Harry Stebbings专访Glean创始人兼首席执行官Arvind Jain的主要观点进行了梳理汇总。梳理了企业对前沿实验室的运营依赖顾虑、开源模型在企业负载中的渗透进度与模型定价走向，介绍了Glean与前沿实验室、微软（Microsoft）的竞争关系以及消费计价对捆绑销售的影响，最后阐述了嘉宾对企业AI投资回报、token支出分布与团队规模的判断。据其介绍，90%以上的企业用例已可由多种模型胜任，三年内多数企业负载将运行在开源模型上；Glean的一个分诊代理处理约95%的生产事故，每月成本约100万美元，高于原15人值班团队的人力成本。

关键词：应用层护城河；前沿实验室；开放权重；按量计费；企业采用；Glean；微软；Arvind Jain

一、企业对前沿实验室的运营依赖与控制权

Jain认为，企业对前沿模型供应商的顾虑有其合理性，核心在于代理运行权及其积累的制度性学习归谁所有。

（一）企业顾虑的性质

据节目介绍，Glean估值72亿美元，累计融资超过7.7亿美元；Jain此前联合创办已上市的Rubrik，更早在谷歌（Google）任杰出工程师十余年。

主持人引用Palantir首席执行官Alex Karp的说法，全球大型企业对前沿模型供应商的怀疑已达到空前程度。Jain的回应包括两层：一是这种担忧确实存在，与软件公司担心被模型“全部吃掉”性质相同，企业领导层担心核心知识产权、数据以及“做事的方式”对模型供应商形成过度的技术依赖；二是他认为Karp的真实所指是AI在企业中尚未起效，只是这样说“不够酷”，少有人愿意承认。

（二）制度性学习的归属

Jain表示，若让今天的多数工作由完全依托某家前沿实验室的代理完成，企业实际上已把大量运营转移给技术供应商，“这已经超出技术依赖，是对替你运行这些代理的公司的真实运营依赖”。他以工作流程的演化加以说明：一项任务初次执行时可能形成十个步骤的流程文档，此后人们持续优化与微调，大部分经验从未被记录，只在反复执行中实时运用；今后这些制度性学习将累积在执行任务的代理之中。基于此，他将企业面临的根本问题概括为：在使用AI技术的同时，保留控制权以及随AI复利增长的全部学习成果，“它们属于企业”。

二、开源模型渗透与模型定价走向

Jain认为，企业向开源模型迁移已处于拐点，驱动因素主要是成本，模型生意本身的盈利能力可能被高估。

（一）开源迁移的驱动因素

据其介绍，需求端早已存在，“我们接触的企业里，没有一家愿意说自己用OpenAI或Anthropic就够了”，企业普遍希望掌握主动、使用多个模型，此前欠缺的是开源模型本身的水平。推动迁移的因素主要有三：一是AI成本上升，企业设定的年度AI预算一两个月即告用尽的情况屡见不鲜；二是开源模型已切实可用；三是数据顾虑明显消退，数据驻留要求仅存在于部分须将推理负载留在私有数据中心的行业，AI出现初期企业普遍担心的数据外流与被用于训练问题现已基本消除，企业相信签订合适的合同后模型公司不会使用其数据训练。

（二）模型商品化与开源时间表

Jain将讨论限定在企业用例，表示“90%或更多的用例现在可以由许多不同的模型完全处理，包括开源模型”。这也是Glean的核心价值之一，即成本控制：用户在平台上完成任务时由Glean选择合适的模型，客户接受开源模型的，在判断其可生成高质量答案时即使用开源模型。

据其介绍，开源模型追到前沿能力三个月以内，是约一个月前才发生的事，GLM 5.2是Glean团队开始认为可以承载多数负载的开源模型。客户态度尚待观察，他认为问题将集中在客户是否接受中国模型，顾虑主要在心理层面，如担心出现问题或存在未知后门，以及使用情况被外界知晓后可能被竞争对手利用。他预计将由一批敢为人先的大企业率先采用，随后成为常态，并判断“三年内，多数企业负载肯定会跑在开源模型上”。

（三）模型定价与盈利能力

主持人追问，若九成企业工作流可由开放模型完成，前沿模型格局是否被错误定价。Jain表示，即便仅是三家实验室之间的竞赛也会带来相当大的定价压力，开源模型的价格还要低一个数量级；他还提及听闻OpenAI拟大幅下调模型价格以回应竞争（传闻）。据此他认为，“模型生意本身，可能没有大家以为的那么赚钱”，但这些公司的业务早已超出模型：OpenAI拥有出色的消费产品；Anthropic平台上已形成开发者生态，大量用户搭建自动化与技能，为内部系统编写模型上下文协议（MCP）服务器并接入Claude，因此“应当把它们视为应用层公司”。主持人提出不同看法，认为若在邻近领域只做浅层产品，难以实现Dario Amodei所说的万亿美元收入，Jain未就收入规模正面回应，仍坚持实验室的业务已超出模型本身。

值得注意的是，Jain观察到，过去六到九个月每个模型都提高了单token价格，而十五个月前业内普遍预期token价格将延续下跌，他称这一现象“怪异”、原因不明。主持人认为这与实验室上市前需要证明盈利能力有关，Jain未置可否，但表示自己押注AI将比今天便宜得多，推理成本将以数量级下降。主持人据此推论，若AI大幅降价，这些仍在亏损的公司将受到威胁，Jain表示“我的看法不变”。

三、应用层的竞争格局

Jain认为，前沿实验室的垂直产品目前较浅，微软的捆绑销售在企业拓展中更常构成阻碍，消费计价可能削弱捆绑优势。

（一）与前沿实验室的关系

主持人转述投资人的关切，询问是否担心Anthropic像进入Figma、法律、医疗等领域那样进入Glean的领域。Jain表示，应审慎评估实验室在这些领域“实际做了什么”，其推出的垂直产品包“在我看来相当浅”，他尚未看到有人把工作负载整体从Figma等工具迁往Anthropic；他看到的是净增量与市场扩张，设计师仍用Figma，非设计师开始用Claude做设计。

与此同时，他承认竞争每天都在发生。客户常问Claude也能通过MCP连接企业系统，Glean有何不同，Glean需要解释“上下文究竟是什么、为什么构建它很复杂”。据其介绍，Claude企业产品（Claude Cowork与桌面端）的主要用例一直是问答，而信息寻找与问答是当前全球AI用量居前的用例，正面重叠难以避免。

对于先发优势，Jain表示，Glean较早将检索增强生成（RAG）与概念语义搜索引入企业，由此获得品牌与参与竞争的资格，即便公司规模已远小于OpenAI与Anthropic，“这是巨大的资产，但既不是必要条件，也不是救星”。他认为，“对几乎所有不做前沿模型训练的AI公司，应该把模型公司看作巨大的资产”，Anthropic、OpenAI、谷歌与开源阵营的进展对Glean都是利好，“它们让我们交付了一个没有这些帮助绝不可能做出的产品”。

（二）微软捆绑与消费计价

Jain表示，微软是Glean的主要竞争者之一，将Copilot捆绑进企业套件的策略确实有效，Glean的立足点在于同类领先软件始终有生存空间，客户愿意在微软套件之上追加投入。据其介绍，在客户拓展中，“我们是微软客户、已经拿到Copilot、所以没必要考虑你们”，比“已经采用了某家实验室的产品”出现得更为频繁；与微软正面竞争过的公司多将定价视为关键因素，“很难和免费竞争”。

他进一步提出，AI正转向消费计价，“一旦转向消费计价，捆绑就没有内在优势了”：企业可以同时采购六个工具，由员工自主选择在哪里工作，并按工作单元付费。主持人从采购流程角度提出不同看法，认为大型企业已将微软作为合规供应商纳入审批，同时审批十五家供应商将带来新的供应商管理问题，Jain承认这一点成立。

四、企业AI投资回报与采用节奏

Jain认为，AI价值已在部分环节实现，投资回报不及预期在很大程度上源于上下文缺位导致的吞吐问题。

（一）价值实现的分布

主持人将2026年下半年至2027年视为企业集中追问AI投资回报的时点。Jain表示价值实现存在于局部环节。一是客服，其效果易于度量，一名客服每天解决10个案例，使用AI后可解决12个，客服工作的大部分时间用于阅读知识并向客户概括，正是AI擅长的领域。二是编码，他判断当前多数AI支出花在编码上，多数开发者已用AI写代码，但多数公司表示交付速度并未提升，原因在于写代码只是产品交付的一小部分。三是Glean自身，功能上线确实加快，但团队规模更大、更加资深，效应难以拆分；其代码“差不多100%由AI写”，但公司强制人工审查，不允许大量AI代码直接入库；内部曾有取消代码审查的提议，他的顾虑是AI生成的百万行代码长期难以维护、理解与管理，AI做重构与安全审计“现在还不够完美”，公司宁可承担审查成本。

（二）上下文缺位与token消耗

Jain将投资回报问题归结为吞吐问题。多数企业推广AI的方式是用MCP服务器以粗放方式连接全部企业系统，让模型对每项工作自行摸索、拼装完成任务所需的原料，这种模式下AI速度慢、成本高，“大部分token烧在为给定任务拼装正确上下文上”，AI还被用于其并不擅长或无需使用的事务。他主张在AI周围投入，提供正确的上下文，使其运行更快、成本更低。

（三）技术成本与人力成本

主持人认为开发工具仍被严重低估，并以Benioff在Anthropic上花费3亿美元仅相当于开发者薪酬约3.7%为例。Jain认为“贵得离谱”，并以Glean为例：公司原有15人值班团队负责分诊全部生产事故，现由一个分诊代理自动处理约95%的事故，但该代理每月成本约100万美元，高于该团队的人力成本；开源模型已能以十分之一的成本完成同样工作。他表示，“就我记忆所及，历史上从未把技术成本与人力成本放在同一句话里”，模型应当越来越便宜，好的技术总会设法让自身变得极其便宜。

（四）token支出的幂律分布

据其介绍，Glean对内部token预算尚未设限，处于让员工自行摸索的阶段。在Glean及其客户处，AI使用呈现三方面特征：一是token支出呈幂律分布，部分员工每月消耗1万至1.5万美元，另一些仅用20美元；二是提问、基础摘要与信息综合已全员覆盖；三是高级用例仅限于约5%的员工。在推动采用上，Glean限制了“token消耗排行榜”式的仪表盘，他认为奖励多消耗token的做法并不正确，公司改为在每次全员会上固定安排一节，由团队分享正在使用的新代理。对于主持人转述的派拓网络（Palo Alto Networks）做法，即每周领导会上由每人展示一项用AI替代或改进自身工作的事项，他认为是好主意，曾考虑但尚未实施。

五、组织变革与增长策略

Jain认为，“用AI替代自己”是错误目标，人均产出将显著上升，维持同等收入所需的产出门槛也将同步上升。

（一）岗位替代与团队规模

Jain认为，要求员工用AI替代自己高估了AI当前的能力。主持人以行政助理为例，认为AI可完成九成工作；Jain表示，“你想在自己做的事情上表现到极致，我不认为你会接受一个90%的解决方案”，竞争者拥有同样的AI工具，若其在AI之上还配有人手，将难以与之竞争。

Glean目前员工超过一千人，他希望五年后达到五千人。他以可口可乐与百事为例：两家拥有相同的AI工具，一家缩编，用更少的人做同样多的工作，另一家保留更多人手，做出十倍好的产品或十倍多的产出，“他们会更大，会打败你”。他承认人员过多会相互拖慢，疫情后不少公司裁员15%至20%并称效率提升20%，但这与AI无关。

（二）复合角色与岗位演变

Jain表示，人均生产率会大幅提升，但维持同等收入所需的产出也会同步上升，“未来你必须做出十倍好的产品”。岗位演变主要体现在三方面：一是角色趋于通用化，兼具工程、产品与设计能力的复合型人才，以及既能谈商务又能演示产品的销售将增多，客户经理与解决方案工程师的分工将会消失；二是只按需求搭建仪表盘、配置后台的数据分析师将被取代，业务负责人可直接获得答案；三是招聘中的寻源岗位将并入全周期招聘角色。主持人指出复合角色本身意味着团队缩小，Jain表示认同，但重申“未来要做十倍的工作才能拿到同样的收入”。

（三）增长策略与资本纪律

Jain表示，过去十二个月他改变看法之处在于，自己“过于纪律化”的风格可能已不再适用，团队反馈公司过于保守、过于在意资本效率，“在这种心态下我们可能会输掉土地争夺”。与此同时，他仍认为生意须建立在纪律之上，产品必须收费、须为客户创造价值、每一美元营销投入须有回报。主持人以Uber依靠规模扭转商业模式为例，他承认这正是令其反思的案例。人才方面，他认为顶尖AI与机器学习人才的争夺空前激烈，薪酬尺度已完全改变，初创公司也不得不支付高薪，他因此主张一开始尽量多融资；但种子期公司给工程师开出50万美元年薪并不可持续。他判断当前“绝对是土地争夺，世界上每一家公司今天都想要一个我们这样的产品，现在进不去，未来进入的难度会是十倍”。

总的看，Jain认为企业需要在使用AI的同时保留代理运行权与学习成果，开源模型有望在三年内承接多数企业负载，模型价格与推理成本可能以数量级下降；应用层公司可将模型公司视为资产，依托上下文层提升AI的效率与性价比，并在消费计价下与捆绑销售竞争；人均产出的提升将伴随产出门槛的同步上升，企业在土地争夺期仍需加大投入。