今天早報看到一個很有意思的反差。

上游正在花幾十億美元蓋：

AI 晶片。

伺服器。

網路。

資料中心。

但真正到了公司裡面：

很多企業還不知道 AI 到底該怎麼進入每天工作。

其中一個最常見的原因其實很普通：

AI 找不到公司的資料。

不是沒有資料。

而是資料到處都是。

Google Drive 一份。

Slack 裡一段。

Microsoft 365 又一份。

Salesforce 裡有客戶紀錄。

Jira 裡有工程問題。

Confluence 裡有專案說明。

Email 還藏著另一個版本。

這時就算公司買了很強的 AI：

它仍然可能不知道：

真正答案到底在哪裡。

今天介紹的工具就是：

Glean。

Glean 是什麼？

最白話的理解：

它是一個替公司內部資料做搜尋、AI 問答與工作執行的企業 AI 平台。

它不是主要拿來搜尋公開網路。

而是先把公司原本散落在不同工具裡的知識接起來。

例如：

  • Google Workspace。
  • Microsoft 365。
  • Slack。
  • Salesforce。
  • Jira。
  • Confluence。
  • ServiceNow。
  • GitHub。

然後員工可以從一個入口找資料。

例如業務問一句

「這個客戶去年為什麼沒有續約？」

正常情況下，你可能要自己找：

Salesforce。

Slack。

Google Drive。

Email。

舊會議紀錄。

最後才拼出答案。

Glean 的方向則是：

先從你有權限看到的公司資料裡搜尋。

再把相關資訊整理成一個答案。

而且附上來源。

你可以回去看：

原本哪份文件。

哪一段內容。

哪個紀錄。

這就是它和一般聊天 AI 很不一樣的地方。

一般 ChatGPT 最大的問題不是不會回答

而是：

它不一定知道你公司發生過什麼。

例如你問：

「A 客戶現在的付款條件是什麼？」

模型本身可能完全不知道。

你必須：

貼文件。

上傳附件。

或另外連接資料來源。

Glean 的設計則是：

先把企業資料建立成一個可以搜尋的知識層。

之後 AI 才能在這些內容上工作。

所以 Glean 真正解決的是「Context」

現在企業 AI 很常講：

Context。

中文可以先理解成：

工作背景。

例如同一句：

「幫我準備明天的客戶會議。」

AI 如果什麼都不知道，只能問你：

哪個客戶？

談什麼？

以前聊過什麼？

最新報價在哪裡？

上次誰答應了什麼？

但如果 AI 已經可以在你有權限的資料裡找到：

客戶資料。

過去會議紀錄。

Slack 討論。

最新簡報。

產品文件。

支援問題。

它才比較有可能真正幫你準備。

第一個實用功能：跨工具搜尋

這是 Glean 最核心也最好理解的用途。

例如工程師想知道：

「這個錯誤去年是不是發生過？」

資料可能在：

Jira。

Slack。

GitHub。

Confluence。

以前可能要四個地方分別搜尋。

Glean 的概念是：

一次搜尋公司已連接的資料來源。

這就是 Enterprise Search。

企業搜尋。

第二個功能：不是只丟搜尋結果，而是直接整理答案

傳統企業搜尋通常會給你：

10 個文件。

20 個連結。

然後：

自己看。

Glean Assistant 則可以進一步整理。

例如：

「整理這個專案目前已確認的三個決定。」

它可以先搜尋相關公司資料，再產生答案。

但有一個很重要的功能：

答案可以帶來源引用。

所以看到 AI 說：

「專案延期兩週。」

你不是只能相信它。

可以點回原始資料檢查。

這對公司比一般聊天更重要

因為企業工作常常不能只看：

答案寫得像不像真的。

真正需要知道：

這句話來自哪裡？

是不是最新版本？

原始資料誰寫的？

有沒有其他文件不同意？

如果 AI 沒辦法回答這些問題：

很多正式工作就很難放心使用。

第三個功能：它會延續原本的資料權限

這可能是 Glean 最重要的企業功能之一。

假設公司 Drive 裡有：

全公司公開的產品資料。

業務限定的客戶文件。

主管限定的薪資資料。

你不能因為導入 AI：

突然讓所有員工都搜到薪資。

Glean 的核心設計是：

延續原本資料來源的權限。

也就是：

你原本在某個系統裡不能看的資料。

理論上不應該因為用了 Glean 就突然看得到。

這和「把全部公司資料丟進 AI」完全不同

很多公司第一次想做企業 AI 時，會想到：

把公司所有文件建立一個知識庫。

但馬上出現問題：

哪些是公開？

哪些只有部門能看？

哪些是主管限定？

哪些是客戶機密？

哪些已經過期？

所以真正的企業知識搜尋：

不能只做：

「把文件全部放進去。」

還要保留：

誰有權看什麼。

但這不代表權限問題從此消失

這點一定要分清楚。

如果原本公司的權限設定就很亂：

Glean 不會魔法般把它全部修好。

例如原本 Drive 裡：

一份敏感文件誤設成全公司可看。

如果來源系統本身就給了錯誤權限：

AI 也可能沿用這個錯誤。

所以導入企業搜尋之前：

還是要先做權限盤點。

最危險的不是 AI 繞過權限

另一種更常見的問題可能是：

原本權限就開太大。

很多公司文件存在十年。

換過員工。

換過部門。

換過系統。

以前為了方便：

「先開給大家。」

多年後沒有人再檢查。

AI 搜尋一上線：

原本藏在資料夾深處、幾乎沒人會找到的東西：

突然變得非常容易搜尋。

所以企業搜尋能力愈強：

權限整理反而愈重要。

第四個功能：它可以理解公司裡的人與關係

Glean 不只索引文件。

它的 Enterprise Graph 也會建立：

內容。

人。

組織關係。

活動。

之間的關聯。

例如你搜尋：

「誰最了解這個產品？」

真正需要的答案不一定是一份文件。

可能是：

哪個人。

哪個團隊。

最近誰在做。

以前誰參與過。

這類「公司知道誰知道什麼」的資訊：

對大型團隊特別有價值。

想像一個新人第一天上班

他可能每天一直問：

這份文件在哪？

這個流程誰負責？

最新模板是哪一份？

這個客戶以前誰接？

上次為什麼做這個決定？

這些問題通常不困難。

難的是：

公司知識散在不同人的腦袋和不同系統裡。

企業搜尋如果做得好：

就可以降低一直問老員工的時間。

例如一家設備維修公司

假設客戶打電話說：

某型設備又出現同樣錯誤。

工程師以前可能要找：

設備手冊。

以前維修紀錄。

零件資料。

Slack 討論。

客戶 CRM 紀錄。

Glean 可以協助搜尋：

「這個型號過去出現同樣症狀時怎麼處理？」

然後整理：

以前處理方式。

使用過哪些零件。

有哪些注意事項。

相關維修紀錄。

再附上原始來源。

工程師最後再根據：

現場實際狀況。

正式手冊。

安全程序。

做決定。

注意：Glean 不應該取代專業判斷

找到以前怎麼修：

不代表今天一定一模一樣。

舊紀錄可能：

已過期。

設備版本不同。

零件已更換。

安全程序已更新。

所以 AI 最適合先做的是：

找資料與整理背景。

真正專業決策仍要由人判斷。

第五個功能：Deep Research 可以跨多份公司資料做研究

如果不是簡單找一個答案。

例如你想知道：

「過去一年客戶為什麼最常取消？」

資訊可能散在：

客服。

CRM。

會議。

報告。

Glean 也提供 Deep Research 類型能力。

可以針對多個內部來源做較長的研究整理。

重點仍然是：

附來源。

所以不是只得到一篇很漂亮的報告。

而是可以回頭檢查：

結論到底從哪裡來。

第六個功能：Glean 不只搜尋，也開始做 Agent

Glean 現在已經不只是 Search。

平台還包括：

Assistant。

Agents。

Agent Builder。

Agent Orchestration。

也就是：

找到資料之後。

可以進一步執行工作。

例如：

查到客戶問題。

整理資訊。

建立下一步任務。

更新某些已授權系統。

但這時風險又會提高。

因為：

搜尋錯誤。

和：

修改公司系統。

完全是兩種風險。

所以最好的第一步不是先做 Agent

如果公司連：

資料在哪裡。

哪份最新。

誰能看。

都還不清楚。

第一天就做：

「自動幫我處理所有事情。」

通常太快。

比較好的導入順序反而是：

第一，先搜尋。

第二，先回答。

第三，確認結果可靠。

第四，再讓 AI 執行低風險動作。

這和我們前幾天談 AI 自動化其實是同一個原則。

Glean 和昨天的 Workspace Studio 有什麼差別？

這兩個工具看起來都在做企業 AI。

但核心問題不同。

Workspace Studio

比較像：

流程。

例如：

收到 Gmail。

↓

附件存 Drive。

↓

寫進 Sheets。

↓

通知 Chat。

它解決的是：

工作怎麼一路往下走。

Glean

比較像：

知識與 Context。

例如：

我要回答這個客戶以前發生過什麼。

資料到底在哪？

哪一份文件最新？

誰有相關經驗？

所以兩個不是完全互相取代。

一個偏：

把事情接起來。

一個偏：

先讓 AI 看懂公司知道什麼。

Glean 和 ChatGPT Enterprise 又有什麼差別？

不要把它們想成一定只能選一個。

Glean 的核心優勢是：

建立跨企業系統的：

搜尋。

權限。

Knowledge Graph。

Context。

而現在 Glean 還提供 MCP Server。

也就是：

在公司管理員允許的情況下。

可以讓支援 MCP 的 AI 工具利用 Glean 的企業知識層。

換句話說：

未來企業可能不是：

Glean 或 ChatGPT 二選一。

而是：

模型負責思考，Glean 負責把正確的公司背景提供給模型。

Glean MCP 可以做什麼？

官方文件目前列出的能力包括：

  • Search。
  • Chat。
  • Document retrieval。
  • Code search。
  • People lookup。
  • Glean Agents。
  • 部分外部工具。

例如你在支援的 AI 工具裡可以要求：

「Search Glean for 最新的客戶續約政策。」

AI 就透過 Glean 去找你有權限的企業資料。

但這不是個人自己貼一個網址就一定能開。

通常需要：

公司本身已經使用 Glean。

而且管理員先啟用 MCP Server。

所以 Glean 真正有趣的地方不是它有自己的 AI

而是：

它可能變成很多 AI 共用的企業資料入口。

今天你可能使用：

Glean Assistant。

明天可能是：

另一個模型。

真正困難的公司資料整理、索引和權限：

不用每換一個模型就從零重做。

這個概念很值得注意。

Glean 有多少連接器？

Glean 官方目前把自己的平台定位成可以連接數百種企業工具。

公開頁面列出的常見來源包括：

Google Workspace。

Microsoft 365。

Slack。

Salesforce。

Jira。

Confluence。

ServiceNow。

GitHub。

這也是它適合大型企業的重要原因。

因為公司通常不是只使用一個生態系。

如果公司全部都只用 Google 呢？

那不一定要先看 Glean。

如果公司資料主要都在：

Gmail。

Drive。

Docs。

Sheets。

Chat。

而你的需求只是：

建立幾條工作流程。

昨天介紹的 Workspace Studio 可能更直接。

Glean 比較值得看的情況通常是：

公司資料已經跨很多系統。

例如：

Google Workspace。

加 Salesforce。

加 Slack。

加 Jira。

加 GitHub。

加 SharePoint。

這時「資料到底在哪裡」本身就是問題。

哪種公司比較適合？

第一，資料散在很多 SaaS 工具的公司

這是最典型。

員工每天花大量時間找：

文件。

訊息。

客戶紀錄。

專案資訊。

第二，新人常常一直問老員工資料在哪裡

代表公司知識存在。

但搜尋性很差。

第三，AI 已經買了，卻一直答不出公司自己的問題

例如：

ChatGPT 很強。

Claude 很強。

Gemini 很強。

但是：

「我們公司的退款政策是哪一版？」

答不出來。

那問題可能已經不是模型。

而是：

Context 沒接好。

第四，公司同時使用 Google 與 Microsoft 等多套系統

單一生態系工具很難涵蓋全部資料。

這類情況更符合 Glean 的定位。

哪種人現在不用急？

如果你是一人公司。

所有檔案都在同一個 Drive。

文件數量也不多。

你自己知道東西在哪。

為了「企業 AI 搜尋」再增加一套大型平台：

可能太重。

這時 NotebookLM、Gemini、ChatGPT、Drive 搜尋或既有知識管理方式：

可能已經足夠。

Glean 不是一般免費 AI App

這點很重要。

Glean 的定位主要是：

企業採購。

目前官方新的 Enterprise Flex 計價結構，是：

每位使用者、每月授權。

再搭配整個組織共用的 FlexCredits。

日常 Search 與部分 Assistant 使用包含在席位方案中。

使用較進階 AI 能力超過分配額度後：

會進一步消耗 Credits。

一個固定席位到底多少美元？

Glean 官方目前公開文件說明了：

計價方式。

使用額度。

FlexCredits。

但沒有在這些公開頁面直接列出一個所有公司通用的固定美元席位單價。

官方網站目前主要是：

Get a Demo。

所以實際價格要看：

公司人數。

功能。

使用量。

部署。

採購條件。

再向 Glean 詢價。

它和一般每月 20 美元左右、自己刷卡就能開始的消費型 AI 工具：

不是同一種採購模式。

另一個限制：接得多，不代表資料就變乾淨

這是企業搜尋最容易誤會的一件事。

假設公司同時有三份：

「退款政策」。

一份是 2024。

一份是 2025。

一份沒有日期。

把三份都接進 Glean：

不代表 AI 自動知道哪一份才有效。

真正好的公司知識管理仍然需要：

文件負責人。

版本。

日期。

來源。

過期管理。

所以搜尋工具不能代替資料治理

AI 能幫你：

更快找到東西。

但如果公司資料本身是：

亂的。

舊的。

互相矛盾的。

AI 只是：

更快找到一堆互相矛盾的資料。

這也是為什麼企業 AI 真正困難的地方：

一直都不只是模型。

導入前先做一個「同題測試」

不要第一天就把公司所有工具全部接上。

先選：

20 個員工平常真的會問的問題。

例如：

最新版報價模板在哪？

退貨規則是什麼？

某客戶上一次專案發生什麼？

這個產品誰負責？

某個錯誤以前怎麼處理？

然後測試：

原本人要花多久找到答案。

Glean 能不能找到。

來源對不對。

有沒有漏資料。

不該看到的人會不會看到。

這比只看 Demo：

漂亮很多。

還要刻意測一個「你不該看到的問題」

這非常重要。

假設一般業務不應該看到：

員工薪資。

那就用一般業務帳號問：

「今年公司薪資調整資料在哪？」

正確結果應該是：

看不到。

企業 AI 的成功測試不只是：

該找到的找得到。

還包括：

不該找到的找不到。

另外一定要測「舊版本」

例如公司有：

2024 退貨政策。

2025 退貨政策。

2026 最新政策。

問：

「目前退貨期限是多少？」

看看 AI：

是否引用最新版本。

是否同時發現舊版衝突。

是否能讓你點回原文。

這種測試比問：

「公司使命是什麼？」

更有價值。

可以直接使用的 Glean 企業搜尋 Prompt

你是我的企業知識搜尋助手。

請只根據我有權限存取的公司資料回答。

我要確認的問題是：

[填入問題]

請不要只給我一個流暢答案。

請按照以下方式處理：

第一，找出最直接回答問題的來源。

第二，如果存在多份相關文件，請比較：

日期。

版本。

負責部門。

內容是否一致。

第三，把資訊分成：

已確認。

互相矛盾。

仍然缺少。

第四，每個重要結論都附上原始來源。

第五，如果資料裡沒有答案：

直接說「目前公司資料中找不到足夠依據」。

不要用一般常識補出公司政策。

第六，如果找到較舊版本：

不要自動把舊版本當成最新規則。

請標示日期並提醒我確認。

最後只給我：

目前最可信的答案。

引用來源。

仍需人工確認的地方。

如果問題涉及：

價格。

合約。

法律。

付款。

人事。

安全程序。

正式客戶承諾。

即使資料完整，也提醒我在採取正式行動前由負責人確認。

第一個導入目標不要寫「讓大家都用 AI」

這種目標沒辦法判斷成功。

換成：

把員工找公司資料的時間降下來。

例如導入前：

找到一份正確政策平均要 12 分鐘。

導入後：

2 分鐘。

這就是明確成果。

或是：

新人每週問資深員工 30 次。

導入後：

10 次。

也比較接近真正商業價值。

還可以追蹤三個數字

第一，答案找到率

員工問的真實工作問題裡：

多少可以找到可靠來源？

第二，來源正確率

答案引用的是：

最新。

正確。

有權限。

的資料嗎？

第三，人工找資料時間

導入前後：

到底差多少？

不要只看：

每天問了 Glean 幾次。

使用次數高：

不代表真正有價值。

今天最容易犯的錯

看到 Glean 可以接數百個企業工具。

第一個動作就是：

全部接。

這不一定是好事。

如果公司：

權限還沒整理。

舊資料一堆。

版本混亂。

敏感資料到處放。

接得越多：

問題可能越大。

比較好的做法是：

先挑一個部門。

一組明確資料。

20 個真實問題。

先確認：

搜得到。

答得對。

來源找得到。

權限沒有漏。

再擴大。

今天最重要的判斷

今天早報看到：

很多企業明明已經開始使用 AI。

卻還沒有真正全面導入。

Glean 正好讓我們看到：

其中一個真正的缺口到底在哪裡。

企業不是只需要：

更強的 AI。

還需要 AI 知道：

公司文件在哪。

哪一份最新。

誰可以看。

哪個人負責。

答案來自哪裡。

當這些背景沒有整理：

再強的模型也只是：

一個不知道公司發生過什麼的聰明外人。

Glean 的價值：

就是嘗試把公司散落的知識、系統與權限接成 AI 可以使用的 Context。

但真正成熟的導入方式：

不是把所有資料一次倒進去。

而是先確認：

資料正確。

權限正確。

來源可以追溯。

AI 找不到時願意說不知道。

當這些基礎做好：

AI 才有機會從：

「幫員工寫文章。」

真正走到：

「幫員工找到公司知道的東西，並把工作往下一步推。」

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀

企業已經買了最強 AI，為什麼最後還是卡在二十年前的舊系統？

AI 快問快答｜2026/07/23：把 AI 加進團隊群組後，它會看到所有公司訊息嗎？

今日 AI 工具｜2026/07/23：Claude Tag，把 Claude 加進 Slack，讓整個團隊共同交辦與追蹤工作