Arvind Jain (Glean): Réinventer la recherche en entreprise à l’ère de l’IA

Arvind Jain a passé une décennie à développer Google Search et Maps avant de co-fonder Rubrik, une entreprise de sécurité des données cloud introduite en bourse en 2024. À mesure que Rubrik se développait, il a constaté le temps perdu par les employés à rechercher les informations nécessaires pour accomplir leurs tâches. C’est ainsi qu’est née l’idée de Glean.

En tant que fondateur et CEO de Glean, Arvind construit une plateforme Work AI qui libère les connaissances déjà présentes dans l’entreprise. Glean se connecte à tous les systèmes, de Slack et Jira à Salesforce et Google Drive, pour aider les employés à trouver l’information dont ils ont besoin et automatiser les tâches quotidiennes.

Dans cette conversation avec la co-CEO de Pigment, Eléonore Crespo, Arvind explique pourquoi la recherche en entreprise a toujours été un problème négligé plutôt que difficile, à quoi ressemble réellement une entreprise superintelligente un lundi matin, et pourquoi la confiance est le seul véritable avantage défendable.

Vers où la recherche en entreprise devait évoluer

Lorsque Arvind a lancé Glean en 2019, l’objectif était simple : aider les collaborateurs à trouver des informations existantes dans leur entreprise mais difficiles à exploiter.

Sur le web public, trouver de l’information est relativement simple. Les sites sont accessibles à toute personne disposant d’un navigateur, et les moteurs de recherche classent les résultats à partir de signaux visibles comme le trafic, les liens et le comportement utilisateur. Dans une grande entreprise, rien de tout cela ne s’applique. Les connaissances sont dispersées dans des centaines, parfois des milliers de systèmes. Elles s’accumulent sur des décennies et sont rarement nettoyées. Certaines sont actuelles et utiles. Une grande partie est obsolète. Presque aucune n’est organisée de manière à circuler efficacement entre équipes, outils et dans le temps.

Les produits existants n’étaient pas conçus pour cette réalité. Ils ont transposé le modèle de recherche du web dans un environnement d’entreprise sans l’adapter au fonctionnement réel des organisations, aucune compréhension du contexte organisationnel, aucun moyen d’évaluer l’autorité des sources internes, aucune capacité à distinguer une information récente d’une information obsolète.

Glean a adopté une approche différente, traitant la recherche en entreprise comme un problème systémique nécessitant de nouveaux signaux de pertinence, de fraîcheur et d’autorité.

Ce qui fait réellement fonctionner l’IA

Au cœur de Glean, explique Arvind, se trouve la compréhension de chaque entreprise qu’elle sert, non pas de manière superficielle, mais suffisamment profondément pour savoir quels produits elle vend, qui sont ses clients et comment le travail circule réellement dans l’organisation.

Glean construit cette compréhension en observant quels documents sont utilisés, quelles questions les employés posent et quelles tâches sont réalisées. Ces observations alimentent un modèle constamment mis à jour de l’entreprise : un modèle qui apprend ce qui est actuel, ce qui fait autorité et ce qui a changé depuis la dernière fois que quelqu’un l’a documenté.

Le jugement appliqué reflète celui d’une personne réfléchie. Face à 10 documents sur le même sujet, un bon analyste prendrait en compte la récence, l’auteur de chaque document et recouperait avec le code ou les dernières notes de réunion.

Passer de la recherche aux agents : une évolution naturelle

Dès ses débuts, Glean a été l’une des premières entreprises à intégrer des modèles basés sur les transformers dans la recherche en entreprise en les pré-entraînant sur l’ensemble des données de l’entreprise pour une compréhension sémantique. Glean a également posé les bases de l’infrastructure IA en entreprise, comme la recherche vectorielle et les embeddings, avant leur démocratisation.

À mesure que les modèles ont gagné en puissance, le produit a évolué naturellement. D’abord, Glean est passé de l’affichage de liens à la génération de réponses. Ensuite, de la génération de réponses à la création de documents, à l’analyse et à l’exécution de tâches. Chaque évolution de l’IA côté grand public s’est reflétée en parallèle dans l’entreprise.

En 2024, Glean a lancé des applications IA, des expériences conversationnelles ciblées permettant d’adapter la plateforme à des cas d’usage spécifiques. Une équipe IT peut configurer Glean pour résoudre automatiquement des tickets en s’appuyant uniquement sur sa base de connaissances validée. Une équipe commerciale peut créer un assistant connaissant chaque opportunité du pipeline. Ces applications étaient, en pratique, des agents avant que le terme ne soit standardisé.

Aujourd’hui, Glean agit comme la couche de contexte sous-jacente à toute la stack IA de l’entreprise. C’est un endpoint Model Context Protocol (MCP) auquel peuvent se connecter d’autres frameworks d’agents, de Copilot Studio à Amazon Bedrock. Les clients peuvent construire des agents dans Glean ou utiliser Glean comme couche de connexion pour ceux développés ailleurs.

Glean fonctionne désormais en cycles mensuels, contre trimestriels auparavant. Les ingénieurs sont encouragés à remplacer les technologies par de meilleures. La vitesse est une condition de survie, pas une qualité. Arvind est clair : les équipes les plus rapides sont celles qui restent pertinentes.

Ce que les entreprises doivent faire aujourd’hui pour scaler l’IA

La plupart des entreprises ont compris l’importance de l’IA. Le véritable enjeu, selon Arvind, est organisationnel plutôt que culturel.

Les entreprises qui obtiennent le plus d’impact ont une responsabilité dédiée : des leaders dont le seul rôle est la transformation IA, plutôt que des dirigeants pour qui l’IA est une initiative supplémentaire. Un Chief AI Officer ou un centre d’excellence équivalent fait systématiquement la différence. L’état d’esprit AI-first est utile, mais les dirigeants sont déjà saturés. La responsabilité dédiée est ce qui fait réellement bouger les lignes.

Au-delà de la structure, il souligne une approche efficace : associer des leaders expérimentés à de jeunes diplômés comme assistants IA. Ceux qui viennent d’arriver n’ont pas d’habitudes à désapprendre. Ils utilisent l’IA instinctivement et cet instinct se diffuse.

Côté mesure, il recommande d’ancrer les progrès de l’IA sur des indicateurs métiers existants, comme le temps de résolution, le nombre de tickets traités par jour ou le temps de première réponse. Ce sont des métriques crédibles pour un CFO. L’IA prouve sa valeur ou non face à celles-ci.

Fixer un objectif de 50 % d’efficacité paralyse les équipes. Glean l’a expérimenté. Les petites victoires, visibles et répétées, construisent l’élan.

À quoi ressemble une entreprise superintelligente un lundi matin

Aujourd’hui, l’IA reste un outil utilisé par une minorité. La plupart des employés sont trop occupés pour s’y intéresser. Arvind estime que cela va changer rapidement. L’IA cessera d’attendre d’être sollicitée.

Il imagine un lundi matin. Pendant votre trajet, votre assistant IA connaît déjà votre agenda, vos tâches et les documents à consulter. Il vous brief via une interface vocale, adaptée à la durée de votre trajet. Vous arrivez préparé à chaque réunion.

Plus tard, cette même IA analyse votre calendrier, vos tâches et vos échanges. Elle identifie les dépendances, établit une liste priorisée de ce qui doit être fait dans la semaine et exécute discrètement 30 % des tâches qu’elle maîtrise déjà.

Pour les dirigeants, les implications sont plus profondes. Les changements stratégiques se diffusent rarement efficacement dans les grandes organisations. Certains projets continuent inutilement, et des talents discrets restent invisibles. Une entreprise superintelligente est une entreprise où l’IA révèle ces dynamiques : elle catalogue les projets, identifie les désalignements et met en lumière les meilleurs contributeurs.

C’est l’ambition de Glean : un copilote qui anticipe vos besoins et vos prochaines actions.

Comment Glean recrute à l’ère de l’IA

Les fondamentaux du recrutement n’ont pas changé chez Glean : passion, envie de progresser, capacité à collaborer. Ce qui a évolué, c’est leur évaluation.

Glean conçoit désormais des exercices nécessitant l’usage de l’IA pour être réalisés dans le temps imparti. Une tâche d’ingénierie autrefois réalisable en deux heures est remplacée par une tâche d’un mois, réalisable en deux heures avec les bons outils. Les candidats ne sont pas incités à utiliser l’IA. La question est : le feront-ils spontanément ?

Même logique pour les autres fonctions. Les candidats en finance reçoivent des cas nécessitant réellement des outils IA modernes. Ce que Glean évalue, c’est l’état d’esprit d’apprentissage — curiosité, adaptabilité, capacité à adopter de nouvelles pratiques.

Pourquoi la confiance est le seul avantage concurrentiel durable

Dans la construction d’une entreprise, les notions classiques de moat sont souvent mises en avant. Arvind s’en éloigne.

Dans les logiciels d’entreprise, les avantages apparents s’érodent rapidement. Les effets de réseau sont limités. Et dans un marché aussi rapide, même une technologie avancée peut devenir un handicap.

C’est pourquoi Glean mise sur la confiance. Lorsque les utilisateurs changent d’entreprise, ils emportent Glean avec eux. Lorsqu’ils vivent une bonne expérience, ils la recommandent. Cette loyauté se construit dans le temps et dépasse les avantages technologiques.

Dans un marché où chaque innovation devient rapidement obsolète, c’est la position la plus défendable.

Conclusion

Le fil conducteur est clair : accepter le travail de fond, connecter les systèmes, construire un contexte fiable, définir des indicateurs avant d’évaluer l’impact de l’IA, et célébrer les petites avancées avant de viser plus grand.

L’IA en entreprise réussit lorsqu’elle est traitée comme une discipline opérationnelle, et non comme un simple pari technologique. Les entreprises les plus rapides sont celles qui l’ont déjà compris.

L’entreprise superintelligente est plus proche qu’il n’y paraît. Mais elle repose sur des fondations, pas sur des ruptures.