Glean Perkenalkan Waldo, Agen Pencarian AI Khusus untuk Kebutuhan Enterprise
Glean tengah mencoba menggeser paradigma pencarian di lingkungan korporasi melalui model baru bernama Waldo, sebuah agen pencarian berbasis AI yang dirancang khusus untuk kebutuhan enterprise. Di tengah gelombang adopsi AI generatif, langkah ini menyoroti dua hal sekaligus: urgensi model yang benar-benar spesifik tugas dan spesifik domain, serta lanskap kompetitif baru yang harus dihadapi para penyedia solusi pencarian.
Diluncurkan pada 28 April, Waldo adalah model pencarian agentik berbasis reinforcement learning yang beroperasi sebelum model frontier dilibatkan. Perannya sangat terfokus: Waldo bertugas melakukan proses pencarian awal, lalu menyerahkan hasilnya kepada model frontier yang kemudian menangani pengambilan informasi (retrieval) dan penalaran (reasoning) untuk menghasilkan jawaban akhir. Secara teknis, Waldo dibangun di atas Nemotron 3 Nano, model open source dari Nvidia, yang kemudian disesuaikan dan dioptimalkan oleh Glean untuk konteks enterprise.
Melalui Waldo, Glean mengajukan argumen yang cukup strategis kepada pasar korporasi: dalam banyak skenario, agen AI harus terlebih dahulu mencari dan menemukan informasi sebelum dapat mengeksekusi tugas yang diminta. Dengan logika tersebut, pencarian menjadi fondasi dari hampir semua aplikasi agentik. Alih-alih mengandalkan satu model besar serba bisa, Glean mendorong pendekatan berlapis: satu model khusus untuk search, dan model lain yang dioptimalkan untuk reasoning dan retrieval. Pendekatan ini sejalan dengan pandangan yang kian menguat di industri bahwa model spesifik domain sering kali lebih efisien dan lebih efektif dibandingkan model frontier generik, terutama ketika perusahaan ingin menekan biaya penggunaan model berukuran besar.
Rowan Curran, analis di Forrester Research, menilai bahwa pergeseran ini mencerminkan kedewasaan pasar. “Ketika perusahaan mulai memasuki generasi kedua dan ketiga dari agen-agen mereka, mereka mulai semakin memikirkan berapa sebenarnya biaya, efektivitas, dan kinerja dari semua ini,” ujarnya. Menurut Curran, ada daya tarik yang terus tumbuh terhadap model-model yang lebih terarah untuk tugas-tugas tertentu di dalam alur kerja agentik, bukan lagi sekadar mengandalkan satu model besar untuk semua kebutuhan.
Bagi Glean, yang sejak awal memposisikan diri sebagai vendor pencarian enterprise, transisi menuju pencarian agentik tampak sebagai evolusi yang alami. Di era ketika AI agentik menjadi kata kunci, kemampuan memberikan pengambilan informasi yang paling akurat, relevan, dan langsung menjadi nilai jual utama. Pemain lain di ruang yang sama, seperti Moveworks dan Genspark, praktis terdorong untuk bergerak ke arah serupa jika ingin tetap relevan. Bradley Shimmin, analis di Futurum Group, menilai bahwa perusahaan dengan keahlian mendalam di suatu domain—baik melalui perangkat lunak, layanan profesional, maupun layanan lain—berada pada posisi strategis untuk “mengonversi” pengetahuan tersebut menjadi produk AI yang dapat dimonetisasi. Ia menambahkan, vendor seperti Glean juga dapat melakukan fine-tuning atau distilasi model, sebagaimana mereka memanfaatkan Nemotron 3 Nano, untuk menghasilkan solusi yang lebih tajam dan efisien.
Namun, keunggulan ini datang dengan konsekuensi. Curran menilai bahwa spesialisasi Glean bisa menjadi pembeda penting di pasar, terutama karena Glean beroperasi sebagai platform SaaS yang memiliki visibilitas mendalam terhadap pola pencarian pengguna enterprise. “Mereka mungkin memiliki keunggulan tertentu karena mereka dapat memahami cara pengguna enterprise mereka melakukan pencarian secara lebih mendalam dibandingkan beberapa penyedia lain,” katanya. Meski demikian, ia mengingatkan bahwa proses pencarian dan pengambilan informasi di dunia nyata hampir pasti lebih kompleks daripada arsitektur dua lapis yang digambarkan Glean. Di lapangan, data dapat diakses melalui berbagai mekanisme—mulai dari API hingga konektor MCP—dan alur kerja pencarian sering kali melibatkan banyak lapisan integrasi.
Kompleksitas ini diperkuat oleh kemajuan pesat model frontier. Dalam beberapa bulan terakhir, model-model frontier semakin mahir dalam direct file access, yakni kemampuan membaca, menavigasi, dan menganalisis berkas secara langsung tanpa banyak intervensi pengguna. “Enam atau delapan bulan lalu, kecil kemungkinan model frontier mampu menelusuri direktori perusahaan untuk menemukan jawaban yang sesuai dengan kueri yang diajukan,” kata Curran. “Sekarang, kemampuan tersebut sudah dimiliki oleh sebagian besar model frontier, juga oleh berbagai ‘harness’ yang dibangun di sekelilingnya.” Dengan kata lain, model besar yang dulu dianggap terlalu generik kini mulai menggerus sebagian argumen untuk model yang sangat terspesialisasi.
Di sisi lain, ekspektasi perusahaan terhadap pencarian enterprise juga berubah drastis. “Dalam beberapa tahun terakhir, kita telah beralih dari permintaan ‘Bisakah Anda memberikan saya Google untuk perusahaan saya?’ menjadi ‘Bisakah Anda memberikan saya ChatGPT untuk perusahaan saya?’” ujar Curran. Pergeseran ini mencerminkan perubahan mendasar: dari sekadar menemukan dokumen yang relevan menjadi menginginkan jawaban yang bersifat dialogis, kontekstual, dan dapat ditindaklanjuti. Karena pencarian adalah komponen fundamental dalam arsitektur AI agentik, perubahan ekspektasi ini memaksa vendor seperti Glean untuk meninjau ulang proposisi nilai mereka—bukan hanya sebagai mesin pencari, tetapi sebagai infrastruktur pengetahuan yang menjadi tulang punggung agen-agen AI di dalam perusahaan.
Bagi industri AI yang lebih luas, peluncuran Waldo dibaca sebagai sinyal positif. Shimmin menilai bahwa semakin banyak vendor yang menghadirkan solusi agentik dengan pendekatan dan arsitektur berbeda, semakin sehat pula ekosistem yang terbentuk. “Semakin banyak vendor seperti Glean yang masuk ke pasar ini dengan solusi mereka sendiri, semakin baik bagi industri secara keseluruhan,” katanya. Di tengah persaingan antara model frontier serba bisa dan model spesifik domain yang sangat terarah, langkah Glean dengan Waldo menandai babak baru dalam upaya mendefinisikan ulang seperti apa seharusnya pencarian enterprise di era AI agentik.
