제가 처음 합류했던 회사는 @Jainarvind의 이전 직장인 @rubrikInc였습니다. 그곳에서 저는 시스템을 구축하고 엔지니어링 팀을 구성하는 방법을 배웠습니다.

몇 년 후, 저희가 @composio를 시작했을 때 @glean은 저희의 첫 고객 중 하나가 되었으며, 저희가 만들고 있는 것을 가장 먼저 믿어준 곳 중 하나였습니다. 그래서 Arvind와 마주 앉아 대화하는 것은 마치 하나의 고리를 완성하는 것처럼 느껴졌습니다.

이번 에피소드 내용:
• "시맨틱 검색 (semantic search)"이라는 명칭이 생기기 전, Glean이 어떻게 트랜스포머 (transformers)를 엔터프라이즈 검색에 도입했는지
• Glean의 파트너 우선 전략과 그들이 액션 (actions)을 위해 Composio를 선택한 이유
• Arvind가 왜 OpenAI나 Anthropic과 경쟁하는 것을 전혀 걱정하지 않는지
• 오픈 소스 변곡점으로서의 GLM 5.2: 12~18개월 이내에 엔터프라이즈 AI 작업의 90% 이상, 추론 (inference)의 과반수가 이루어질 것
• 실제 ROI 측정: 케이스 해결 시간을 48% 단축한 미국 통신사 사례
• MCP 기반으로 구축된 에이전트 (agents)가 왜 신입 사원처럼 행동하는지, 그리고 컨텍스트 그래프 (context graphs)가 어떻게 그들을 숙련된 직원으로 만드는지

챕터 (CHAPTERS):
(00:00) – Rubrik 시절: Arvind와 Karan이 만난 과정
(01:05) – Glean의 탄생 이야기: "생성형 AI (generative AI)"가 존재하기 전의 트랜스포머 (transformers)
(03:04) – 오늘날의 Glean: ChatGPT와 Claude의 상위 집합
(05:39) – 임베딩 검색 (embedding search)에서 에이전트 (agents)로: 피벗 (pivot)이었나?
(11:39) – Composio 파트너십과 액션 (actions) 구현이 어려운 이유
(14:43) – 경쟁이 아직 중요하지 않은 이유
(20:11) – 오픈 소스 변곡점 (GLM 5.2)
(24:41) – 계약과 모델 리스크: 변동성을 누가 감수하는가?
(26:57) – 엔터프라이즈 ROI: 비용, 토큰 (tokens), 그리고 측정해야 할 것
(39:57) – 팀별 가치 측정
(44:11) – 신입 사원 vs 숙련된 에이전트 (agents)
(46:09) – 마무리 생각