رقابت در حوزه هوش مصنوعی سازمانی به‌سرعت در حال تشدید است. شرکت‌هایی مانند مایکروسافت، گوگل، OpenAI و Anthropic هر یک تلاش می‌کنند جایگاه خود را در بازار سازمانی تثبیت کنند.Microsoft در حال ادغام Copilot در مجموعه Office است، Google ابزار Gemini را در Workspace گسترش می‌دهد، و شرکت‌هایی مانند OpenAI و Anthropic مستقیماً به سازمان‌ها خدمات می‌فروشند. تقریباً تمامی شرکت‌های SaaS نیز اکنون یک دستیار هوشمند ارائه می‌دهند.در این رقابت برای تصاحب «رابط کاربری»، شرکت Glean مسیر متفاوتی را انتخاب کرده است: تبدیل شدن به لایه هوشمندی زیرساختی در معماری هوش مصنوعی سازمانی.
تحول استراتژیک Glean در هوش مصنوعی سازمانی
هفت سال پیش، Glean با هدف تبدیل شدن به «گوگل سازمانی» فعالیت خود را آغاز کرد. این پلتفرم یک ابزار جست‌وجوی مبتنی بر هوش مصنوعی بود که امکان ایندکس و جست‌وجو در میان ابزارهای SaaS شرکت‌ها مانند Slack، Jira، Google Drive و Salesforce را فراهم می‌کرد.
امروز اما استراتژی این شرکت از توسعه یک چت‌بات سازمانی فراتر رفته و به ایجاد لایه اتصال میان مدل‌های زبانی بزرگ و داده‌های سازمانی تغییر یافته است. این تغییر رویکرد، Glean را از یک ابزار جست‌وجو به یک زیرساخت مرکزی در اکوسیستم هوش مصنوعی سازمانی تبدیل کرده است.
چرا مدل‌های زبانی به تنهایی کافی نیستند؟
مدل‌های زبانی بزرگ مانند ChatGPT یا Gemini از نظر قدرت تولید محتوا و استدلال بسیار پیشرفته‌اند، اما ذاتاً عمومی هستند. این مدل‌ها درک مستقیمی از ساختار، افراد، فرآیندها یا محصولات یک شرکت خاص ندارند.
برای اینکه هوش مصنوعی سازمانی واقعاً کارآمد باشد، باید قدرت تولید و استدلال مدل با «زمینه داخلی شرکت» ترکیب شود؛ شامل سطوح دسترسی، ساختار تیم‌ها، جریان اطلاعات و سیاست‌های امنیتی.
Glean مدعی است این زمینه را از پیش نقشه‌برداری کرده و می‌تواند بین مدل و داده‌های سازمانی قرار گیرد.
معماری سه‌لایه‌ای Glean
۱. دسترسی چندمدلی (Model Abstraction Layer)
برخلاف رویکرد قفل‌شده در یک ارائه‌دهنده مدل، Glean به سازمان‌ها اجازه می‌دهد بین مدل‌های مختلف جابه‌جا شوند یا آن‌ها را ترکیب کنند. این مدل‌ها شامل ChatGPT، Gemini و Claude هستند.
این انعطاف‌پذیری باعث می‌شود سازمان‌ها وابسته به یک ارائه‌دهنده واحد نباشند؛ مسئله‌ای که در رقابت فعلی بازار اهمیت راهبردی دارد. برای نمونه، گزارش‌هایی مانند «رقابت غول‌های فناوری برای سرمایه‌گذاری در AI» در kingmember به این موضوع پرداخته‌اند:
https://kingmember.com/big-tech-race-for-ai-investments/
۲. اتصال عمیق به ابزارهای سازمانی
Glean به ابزارهایی مانند Slack، Jira، Salesforce و Google Drive متصل می‌شود و جریان داده میان آن‌ها را تحلیل می‌کند. این اتصال صرفاً خواندنی نیست؛ بلکه امکان اقدام عملی در داخل این ابزارها را نیز فراهم می‌کند.
این رویکرد با روند کلی صنعت هم‌راستاست. نمونه‌هایی از همکاری‌های زیرساختی را می‌توان در گزارش «همکاری Caterpillar و NVIDIA در حوزه AI» مشاهده کرد:
https://kingmember.com/caterpillar-nvidia-ai-collaboration/
۳. لایه حاکمیت و مدیریت دسترسی (Governance Layer)
شاید مهم‌ترین بخش در هوش مصنوعی سازمانی، مدیریت دسترسی و امنیت باشد. در سازمان‌های بزرگ، هر کاربر سطح دسترسی مشخصی دارد. سیستم Glean پاسخ‌های تولیدشده را بر اساس سطح دسترسی فرد فیلتر می‌کند.
همچنین خروجی مدل‌ها با اسناد منبع تطبیق داده می‌شود و استناد خط‌به‌خط ارائه می‌گردد تا از «توهم مدل» جلوگیری شود. این مسئله به‌ویژه در محیط‌های حساس مانند سلامت اهمیت دارد؛ موضوعی که در تحلیل «تحول سلامت با ChatGPT Health» بررسی شده است:
https://kingmember.com/chatgpt-health-ai-healthcare-transformation/
چالش بقا در برابر غول‌های پلتفرمی
سؤال کلیدی این است: آیا لایه میانی مستقل می‌تواند در برابر گسترش عمودی شرکت‌هایی مانند Microsoft و Google دوام بیاورد؟
اگر Copilot یا Gemini بتوانند با همان سطح دسترسی به سیستم‌های داخلی متصل شوند، آیا هنوز به یک لایه هوشمندی مستقل نیاز است؟
مدیرعامل Glean معتقد است سازمان‌ها تمایلی به قفل‌شدن در یک اکوسیستم واحد ندارند. آن‌ها ترجیح می‌دهند زیرساختی خنثی و منعطف داشته باشند که امکان تغییر مدل یا پلتفرم را فراهم کند.
وضعیت مالی و اعتماد سرمایه‌گذاران
در ژوئن ۲۰۲۵، Glean موفق به جذب ۱۵۰ میلیون دلار سرمایه در دور Series F شد و ارزش‌گذاری آن به ۷.۲ میلیارد دلار رسید. برخلاف آزمایشگاه‌های پیشرو در هوش مصنوعی، این شرکت نیازمند بودجه‌های عظیم پردازشی نیست؛ زیرا خود مدل پایه را توسعه نمی‌دهد، بلکه آن‌ها را بهینه و یکپارچه می‌کند.
این مدل کسب‌وکار با روند کلی بازار که در گزارش «درآمد ۱۴۳.۸ میلیارد دلاری و پرسش بزرگ بازار AI» بررسی شده، هم‌راستاست:
https://kingmember.com/143-8-billion-revenue-and-the-big-question/
جایگاه Glean در آینده هوش مصنوعی سازمانی
با افزایش رقابت در لایه رابط کاربری، تمرکز بر لایه زیرساختی ممکن است مزیت رقابتی پایدار ایجاد کند. اگر سازمان‌ها به‌دنبال انعطاف‌پذیری، حاکمیت داده و استقلال از ارائه‌دهندگان مدل باشند، نقش Glean می‌تواند تقویت شود.
از سوی دیگر، اگر پلتفرم‌های بزرگ کنترل کامل اکوسیستم را در دست بگیرند، فضای فعالیت برای بازیگران مستقل محدود خواهد شد.
جمع‌بندی
بازار هوش مصنوعی سازمانی وارد مرحله‌ای شده که تنها کیفیت مدل تعیین‌کننده نیست. اتصال به داده‌های داخلی، مدیریت دسترسی، جلوگیری از توهم مدل و انعطاف‌پذیری چندمدلی اهمیت فزاینده‌ای یافته است.
Glean با تمرکز بر لایه هوشمندی میانی تلاش می‌کند این خلأ را پر کند. موفقیت یا شکست این رویکرد، به میزان تمایل سازمان‌ها برای حفظ استقلال زیرساختی در برابر غول‌های فناوری بستگی دارد.
برای تحلیل‌های عمیق‌تر درباره روندهای هوش مصنوعی، رقابت پلتفرم‌ها و تحولات بازار، می‌توانید سایر گزارش‌های تخصصی را در kingmember.com مطالعه کنید.
