Skip to content
Appunti personali
7 min di lettura

Leggendo Glean: il fossato non è il modello, sono i permessi e il contesto

Dopo aver messo insieme il materiale pubblico, la mia conclusione è che il valore di Glean non sta nella qualità della ricerca, ma nell’aver portato a termine il lavoro ingrato di «chi può vedere cosa». In coda, cosa penso della tesi che il contesto lungo sostituirà il RAG.

Sto costruendo un runtime per agenti, quindi la domanda che mi porto dietro è: cosa manca davvero quando si prova a far girare degli agenti dentro un’azienda? Leggendo di Glean è diventato chiaro che copre esattamente lo strato sopra al mio — contesto e permessi.

Questi sono appunti presi da fonti pubbliche, non una ricerca diretta. I numeri vengono dai riferimenti in fondo, non ho verificato i dati finanziari e non ho alcun rapporto con Glean. Li scrivo soprattutto per avere una traccia del mio ragionamento a cui tornare.

Cos’è

Fondata a Palo Alto nel 2019. Arvind Jain ha passato anni in Google su ranking di ricerca e infrastruttura distribuita, poi ha co-fondato Rubrik. Il punto di partenza era concreto: superati i 1.500 dipendenti, il freno maggiore per il team era non riuscire a trovare né le informazioni né la persona giusta tra i reparti — i dati erano chiusi in un centinaio di sistemi che non si parlavano: Google Drive, Slack, Jira, Confluence, Salesforce.

Il prodotto è nato come «Google per il lavoro». Oggi si posiziona come strato di contesto aziendale e centro di orchestrazione degli agenti.

Round Data Importo Valutazione post Focus
Series C 2022-05 $100M $1,0B Commercializzazione su scala
Series D 2024-02 $200M $2,2B AI generativa, lancio di Assistant
Series E 2024-09 $260M $4,6B Agents, passaggio ai flussi automatizzati
Series F 2025-06 $150M $7,2B Agentic Engine 2 e Canvas

Anche la crescita commerciale è stata rapida: ARR oltre i 100 milioni di dollari a febbraio 2025, raddoppiato a 200 milioni in circa nove mesi. Tra i clienti: Databricks, Duolingo, Instacart, Pinterest, Reddit e Samsung.

La parte davvero difficile

L’architettura ha cinque strati: connettori, knowledge graph, governance dei permessi, instradamento dei modelli, applicazioni. Uno solo è difficile da replicare in fretta.

Connettori: poco affascinanti, e richiedono anni

Più di 100 connettori senza codice: Google Workspace, Microsoft 365, Slack, Salesforce, Jira, Confluence, GitHub, Zendesk e altri. Il numero non è il punto: contano i metadati, le relazioni organizzative e le liste di controllo degli accessi che estraggono insieme al testo.

L’ingestione è volutamente mista. Documenti e ticket ad alta frequenza vengono indicizzati per intero, per risposte in millisecondi; i dati sensibili o molto volatili — calendari, caselle di posta — vengono letti in tempo reale al momento della domanda. È un compromesso pragmatico: la sola indicizzazione concentra troppo i dati sensibili, la sola ricerca federata muore su latenza e limiti delle API.

Knowledge graph: rendere risolvibile «quel documento che hanno citato ieri su Slack»

Il grafo mappa in tempo reale tre tipi di entità: contenuti (documenti, codice, email, ticket), persone (identità, ruolo, linee di riporto) e attività (modifiche, clic, tempo di lettura, intensità della discussione). Ogni query esegue in parallelo ricerca lessicale BM25, ricerca vettoriale e re-ranking personalizzato sul grafo — dichiarati sotto i 300 ms, con link verificabili al documento d’origine.

La sola ricerca vettoriale non regge il gergo interno e le sigle: ci sono passato anch’io. La somiglianza semantica generalizza volentieri «quella cosa che internamente chiamiamo X» verso documenti del tutto estranei.

Rispecchiare i permessi: qui sta il fossato

Glean non costruisce un proprio sistema di permessi: rispecchia in tempo reale le ACL e le regole basate su attributi dei sistemi d’origine, e il filtro di retrieval taglia i documenti non autorizzati già a livello di indice — non arrivano mai nel contesto del modello.

Perché è decisivo: molti progetti RAG aziendali muoiono proprio qui. Un dipendente qualunque riesce, con un prompt, a estrarre i compensi dei dirigenti o dati finanziari non pubblicati. Basta che succeda una volta.

E non è un problema aggirabile con l’algoritmo: bisogna modellare la semantica dei permessi di ogni sistema d’origine, uno per uno, e poi inseguirne i cambi di API. È lavoro d’ingegneria puro e ingrato — cioè esattamente il tipo di lacuna che i fornitori di modelli colmano peggio.

Neutralità sui modelli

Il Model Hub integrato passa tra Amazon Bedrock, Google Vertex AI e Azure OpenAI, accetta chiavi proprie del cliente e integra oltre 15 modelli. Adotta inoltre MCP sia come server sia come host, potendo così coordinare agenti esterni senza riestrarre i dati.

Modello di business: licenze più consumo

Dal puro abbonamento per postazione si è passati a «postazioni base + crediti Enterprise Flex». Ricerca e domande semplici sono incluse nella licenza; ragionamento avanzato e chiamate agli agenti consumano crediti.

L’aspetto interessante non è incassare di più, ma che i ricavi seguono la densità di esecuzione degli agenti invece del numero di dipendenti. Il tetto di crescita del SaaS tradizionale è il personale del cliente: nell’era degli agenti quell’ipotesi cade.

Anche l’aderenza merita una nota: nel SaaS aziendale il rapporto DAU/MAU sta di norma tra il 10% e il 20%, mentre Glean dichiara circa il 40%, paragonabile a Slack o Teams, con cinque o più query al giorno per utente attivo.

Cosa si gioca davvero contro Copilot

Microsoft 365 Copilot è il concorrente che incontra più spesso nelle gare, ma i due partono da premesse diverse.

Dimensione Glean Microsoft 365 Copilot
Posizionamento Strato di contesto neutrale su tutto il perimetro Assistente integrato nell’ecosistema 365
Ampiezza dati 100+ SaaS di terzi trattati alla pari Microsoft Graph al centro; fuori da lì la qualità cala
Permessi Rispecchia le ACL di ogni sistema; segnala la condivisione eccessiva Eredita i permessi di SharePoint/OneDrive, amplificando gli errori storici
Creazione di agenti Builder senza codice per utenti di business Orientato agli sviluppatori: Azure AI Studio, Power Automate
Modelli 15+ modelli, chiave propria Legato a OpenAI / Azure OpenAI
Prezzo Postazioni + crediti ~30 $/utente/mese come add-on fisso

I punti di forza di Copilot sono la base installata e il prezzo a pacchetto. Ma quasi tutte le aziende medio-grandi hanno stack eterogenei — Slack per la comunicazione, Jira per i progetti, Salesforce per i clienti, Google Workspace per i documenti, tutti insieme. In quel contesto la neutralità non è una posa: è una differenza di portata.

Un dettaglio in più: mentre OpenAI spingeva su ChatGPT Enterprise e sugli agenti, Sam Altman avrebbe consigliato ai propri investitori di stare alla larga da Glean. Quello che a OpenAI manca lì non è la qualità del modello, ma l’ecosistema di connettori e la pipeline dei permessi.

Tre cose che voglio ricordare

Uno: quello che manca è il contesto, non il ragionamento. Il decennio scorso del software aziendale è stato fatto di sistemi di registrazione — CRM, HR, ERP. Con i grandi modelli il vincolo si è spostato da «non sa ragionare» a «non sa cosa succede dentro questa azienda». Chi fornisce chi-può-vedere-cosa, come-ci-siamo-arrivati e a-che-punto-siamo diventa il centro.

Due: il contesto lungo non sostituisce il RAG, almeno non in azienda. Ci avevo mezzo creduto anch’io. Dentro un’organizzazione ci sono tre vincoli duri:

  • La finestra di contesto è un canale aperto: una volta caricati i dati, il modello non può isolarsi da ciò che non è autorizzato durante l’inferenza — il confine dei permessi smette semplicemente di esistere
  • Portarsi dietro l’intero corpus a ogni interazione è insostenibile sia per costo dei token sia per latenza alla prima risposta
  • I dati aziendali non sono solo testo statico: contengono segnali vivi tra persone e documenti che nel testo non ci sono

Tre: il collo di bottiglia degli agenti si è spostato dalla capacità all’autorizzazione. Oggi non blocca il fatto che un LLM sappia pianificare più passaggi, ma se ci si possa fidare del sistema quando esegue operazioni di scrittura. Quando un agente può inviare email, cambiare lo stato di un CRM o toccare un repository, una sola allucinazione o un permesso saltato diventa un incidente. Chi controlla il varco di governance delle azioni controlla anche il prezzo.

Vale anche per il mio progetto: per quanto solido sia un runtime per agenti, se non sa rispondere a «questa azione va permessa?», in azienda è inutilizzabile.

Cosa non ho ancora capito

  • Quanto può durare la neutralità. I giganti del cloud e del SaaS hanno ottime ragioni per un’acquisizione difensiva, e nel momento in cui accade la narrazione della neutralità svanisce. Restare indipendenti fino all’IPO richiede molta disciplina.
  • Se il modello a consumo eroda il margine. Con agenti che passano a esecuzioni adattive multi-step, i costi dei modelli sul backend salgono in fretta. La tariffazione a consumo sembra elasticità di ricavo, ma è anche esposizione ai costi.
  • Quanto velocemente Microsoft colma il divario. La qualità di retrieval di SharePoint e Microsoft Graph continua a migliorare. Se Copilot viene scontato o incluso gratuitamente, i clienti più attenti al budget si muovono per primi.

Riferimenti

Fatti e numeri vengono dalle fonti qui sotto; le valutazioni sono mie.