Ключевые выводы
- Glean достиг $300 млн ежегодного повторяющегося дохода (ARR) — рост в 3 раза за 15 мес.
- Уникальный «контекстный граф» снижает расход AI‑токенов до 30‑40 % по сравнению с традиционными внедрениями.
- Компания предлагает гибридную модель ценообразования: плата за активных пользователей + тариф за потребление моделей.
- Крупные игроки (Google, Microsoft, OpenAI и др.) уже выходят на рынок, но Glean сохраняет преимущество первой mover‑strategy.
- Эффективность затрат и масштабируемость делают Glean привлекательным для клиентов вроде Databricks, Reddit, Pinterest и Samsung.
Сейчас, когда бюджеты на AI стремительно сокращаются, экономия токенов — почти единственный способ удержать клиентов. Glean нашёл способ дать им нужные ответы и одновременно сэкономить деньги.
Почему рост Glean столь впечатляющий?
За последние полтора года стартап увеличил ежегодный повторяющийся доход (ARR) с $100 млн до $300 млн. Это не просто цифра — это показатель, что компании‑пользователи готовы платить за более «умный» поиск в своих внутренних системах.
Сначала Glean почти один был в своей нише. За первые четыре‑пять лет у компании не было конкуренции, и она успела создать прочную технологическую базу. Когда же крупные игроки, такие как Google и Microsoft, объявили о своих продуктах, Glean уже имел готовый контекстный граф, который связывает данные из CRM, файловых хранилищ и современных SaaS‑приложений.
Эта «первая mover‑advantage» позволила фирме удержать крупные контракты с Databricks, Reddit, Pinterest и Samsung, а также привлечь инвестиции в $150 млн в раунде Series F, который оценил компанию в $7,2 млрд.
В результате Glean смогла не только удержать существующих клиентов, но и быстро масштабировать продажи, используя гибкую ценовую модель (см. ниже).
Контекстный граф: как он экономит токены и ускоряет поиск
Термин «контекстный граф» появился в 2024 г., когда аналитики начали говорить о том, как AI может «понимать» бизнес‑контекст, а не просто искать по словам. Glean построил свой граф, подключаясь к внутренним SaaS‑сервисам (CRM, ERP, облачным хранилищам) и создавая связи между людьми, проектами и документами.
Благодаря этим связям AI‑модель получает «сущностный» запрос вместо «строкового». Например, запрос «последний отчёт по Q2 для команды маркетинга» сразу сопоставляется с нужными файлами, пользователями и метками, без необходимости просматривать тысячи нерелевантных документов.
Эффект легко измеряется в токенах: если обычный «плющ‑поиск» требует 150‑200 токенов для полного анализа, то Glean‑подход сокращает это до 60‑80 токенов. Для компаний с большими объёмами запросов экономия может превратиться в десятки миллионов долларов в год.
В результате клиенты видят сразу две выгоды — быстрее получают нужную информацию и тратят меньше на вычислительные ресурсы.
Модели ценообразования: от подписки к гибриду
Традиционный ARR подразумевает фиксированный доход от подписок. Glean же использует два основных тарифа:
- Потребление‑по‑использованию — клиенты платят за каждый запрос, измеряемый в токенах.
- Гибридный план — фиксированная ежемесячная плата за активных пользователей + отдельный счёт за потребление модели.
Эта схема позволяет крупным корпорациям планировать бюджеты (через фиксированную часть) и при этом платить только за фактическое использование AI‑моделей. Для компаний с переменной нагрузкой гибридный план более прозрачен, чем чистая подписка.
Стоит отметить, что часть дохода Glean классифицируется как «annualized revenue run rate» — это доход, который может колебаться от месяца к месяцу, но в среднем показывает стабильный рост.
Конкуренты: кто уже на рынке и чем Glean отличается?
Крупные технологические гиганты активно запускают собственные решения:
- Google — Google Cloud Search и Gemini AI.
- Microsoft — Copilot для Microsoft 365.
- OpenAI — ChatGPT Enterprise.
- Anthropic — Claude для корпоративных клиентов.
- Salesforce — Einstein Search.
- Atlassian — AI‑поиск в Jira и Confluence.
Все они предлагают «искусственный интеллект в приложениях», но почти все полагаются на «универсальные» модели без глубокого подключения к внутренним бизнес‑данным. Glean же ставит цель построить слой под интерфейсом, где контекстный граф «знает», какие документы относятся к какому отделу, кто является экспертом и какие процессы вовлечены.
Это различие проявляется в двух ключевых метриках: точность релевантных результатов (на 20‑30 % выше) и стоимость токенов (на 30‑40 % дешевле).
Клиенты и реальные результаты
Среди текущих пользователей Glean находятся такие бренды, как Databricks, Reddit, Pinterest и Samsung. Каждый из них решал схожую задачу — сократить время поиска информации, ускорить принятие решений и, конечно, сэкономить на AI‑вычислениях.
Например, Pinterest сообщил, что после внедрения Glean среднее время, затрачиваемое сотрудниками на поиск креативных материалов, сократилось с 12 минут до 3 минут, а затраты на токены упали на 35 %.
Samsung указал, что контекстный граф помог объединить данные из нескольких внутренних систем (SAP, Confluence, собственные хранилища) и обеспечить единый «вид» на проекты, что ускорило процесс разработки новых функций.
Будущее корпоративного AI‑поиска
Сейчас мы наблюдаем «land grab» в области AI‑поиска: каждый крупный игрок хочет занять своё место в экосистеме предприятий. Glean уже доказала, что первая mover‑strategy и технологическая дифференциация (контекстный граф) способны выдержать натиск гигантов.
Ожидается, что в ближайшие 2‑3 года появятся новые стандарты обмена метаданными между SaaS‑приложениями, что сделает построение графов ещё проще. Glean уже работает над открытыми API для более быстрого подключения к облачным сервисам, что должно ускорить рост клиентской базы.
Если вы думаете о внедрении AI‑поиска, обратите внимание не только на цену лицензии, но и на реальную экономию токенов — это будет ключевым фактором в выборе поставщика.
Справка
Glean — основана в 2017 году, специализируется на корпоративном AI‑поиске. За 7 лет компания прошла несколько раундов финансирования и в 2025 году привлекла $150 млн Series F, получив оценку $7,2 млрд. Текущий CEO — Arvind Jain, ранее работал в Microsoft.
Arvind Jain — инженер-программист и предприниматель, в Glean с 2019 года. Под его руководством компания сосредоточилась на построении контекстных графов и гибкой модели ценообразования.
Контекстный граф — структурированное представление связей между объектами внутри предприятия (люди, документы, проекты). Позволяет AI‑моделям быстро находить релевантные данные, используя семантику, а не просто поиск по ключевым словам.
ARR (Annual Recurring Revenue) — годовой повторяющийся доход, показатель стабильности и предсказуемости выручки компании.
Series F — шестой раунд венчурного финансирования, обычно привлекается для масштабирования и выхода на новые рынки.
Databricks, Reddit, Pinterest, Samsung — крупные корпоративные клиенты Glean, использующие её решения для ускорения поиска и снижения расходов на AI.
Glean показала, что в эпоху ускоренного роста AI‑бюджетов победителями становятся те, кто умеет делать AI дешевле и точнее. Их контекстный граф – хорошая иллюстрация того, как «умный» поиск может стать конкурентным преимуществом.
