Top 7 outils utilisés par Waldo pour une collecte d’informations efficace

Waldo utilise sept outils pendant la phase de collecte d’informations : recherche d’entreprise unifiée, décomposition des requêtes, recherche hybride sémantique et par mots-clés, classement tenant compte du contexte, génération augmentée par la recherche, sélection d’outils agentique, ainsi que des contrôles de sécurité et de gouvernance. Ensemble, ces capacités permettent au modèle de décomposer des questions complexes, de rechercher dans des systèmes connectés et d’assembler des preuves citées avant qu’un modèle de langage de pointe ne génère sa réponse finale.

Les modèles de recherche agentiques comme Waldo représentent un changement dans la manière dont les équipes en entreprise collectent et synthétisent l’information. Plutôt que de s’appuyer sur un seul modèle pour tout gérer, de la recherche au raisonnement, ces outils séparent la phase de recherche de la phase d’analyse, pour produire des résultats plus rapides et plus précis.

Les sections ci-dessous passent en revue chacun des sept outils, expliquent son rôle et montrent comment l’architecture globale transforme une question générale en une réponse bien sourcée.

Qu’est-ce que Waldo et comment collecte-t-il l’information ?

Waldo est un modèle de recherche agentique conçu spécifiquement pour la phase de collecte d’informations des workflows d’IA en entreprise. Lorsqu’un utilisateur pose une question, Waldo ne tente pas immédiatement de générer une réponse. Il décompose plutôt la requête en sous-tâches, décide quels outils de recherche appeler, cherche des éléments de preuve à l’appui dans des sources internes et externes, puis assemble un package de contexte complet.

Ce n’est qu’ensuite qu’il transmet ce package à un modèle de langage de pointe pour la synthèse finale. Selon les benchmarks publiés par Glean au lancement, le fait de séparer la recherche du raisonnement réduit la latence d’environ 50% et la consommation de tokens d’environ 25% par rapport à l’exécution de toute la charge de travail sur un seul modèle de raisonnement — sans aucune baisse de la qualité des réponses.

Lors d’une exécution типique de collecte d’informations, Waldo orchestre plusieurs outils en séquence. Il peut commencer par interroger une base de connaissances interne pour une spécification produit, puis extraire des données d’usage depuis une plateforme d’analytics, puis rechercher dans les communications de l’entreprise la décision la plus récente sur ce sujet. À chaque étape, il évalue la qualité de ce qu’il trouve — écartant les résultats peu pertinents et demandant du contexte supplémentaire lorsque des lacunes subsistent.

Le résultat est un ensemble de preuves sélectionnées plutôt qu’un simple dump brut de résultats de recherche. Par exemple, si un ingénieur avant-vente demande « Qu’est-ce qui a changé dans notre modèle de tarification enterprise au dernier trimestre ? », Waldo localiserait le document de décision du comité pricing, le recouperait avec la grille tarifaire mise à jour et mettrait en avant le fil Slack où le VP Sales a confirmé la date de déploiement — le tout avant qu’un seul mot de la réponse finale ne soit écrit.

Trouver le bon document interne, la bonne donnée ou la bonne personne qui connaît la réponse représente une part importante du temps des travailleurs du savoir. McKinsey estime que les employés passent environ 20% de leur semaine de travail à rechercher des informations internes ou à retrouver des collègues pouvant aider — et les données d’IDC suggèrent que le chiffre pourrait être encore plus élevé, les travailleurs du savoir passant environ 2,5 heures par jour rien qu’à chercher des informations. En traitant la collecte d’informations comme une phase distincte et optimisable, Waldo transforme ce goulot d’étranglement de la recherche en un processus structuré et audit-able.

Outil 1 : recherche d’entreprise unifiée à travers des systèmes connectés

La base d’une collecte d’informations efficace est d’une simplicité trompeuse : rechercher dans chaque système où le savoir vit réellement. En pratique, la connaissance en entreprise est dispersée dans de nombreux types d’applications :

• Stockages de documents (Google Drive, SharePoint, Confluence)
• Plateformes de messagerie (Slack, Microsoft Teams)
• Systèmes de tickets (Jira, Zendesk, ServiceNow)
• Enregistrements CRM (Salesforce, HubSpot)
• Outils de gestion de projet (Asana, Monday)

Lorsque Waldo doit rassembler des preuves pour une question, son premier réflexe est d’interroger une couche de recherche unifiée qui se connecte à plus de 100 applications de travail — en récupérant des résultats de toutes en un seul passage. Un seul passage de recherche élimine le goulot d’étranglement le plus courant de la recherche : non pas ne pas trouver la réponse, mais ne pas savoir où chercher. Comme le souligne IBM, les plateformes modernes de recherche d’entreprise intègrent des technologies d’IA pour organiser des sources de données disparates en index consultables, permettant un traitement des requêtes rapide et précis.

Ce qui va au-delà d’un simple wrapper de recherche fédérée, c’est une recherche tenant compte des permissions. Chaque résultat que Waldo met en avant respecte les contrôles d’accès déjà configurés dans le système source. Si un document dans Google Drive n’est partagé qu’avec l’équipe juridique, la requête d’un responsable marketing ne le retournera pas — même si le contenu est très pertinent.

L’accès tenant compte des permissions est une exigence incontournable pour les secteurs réglementés comme les services financiers et la santé, où l’exposition de données restreintes lors d’une recherche interne pourrait déclencher une violation de conformité. Le modèle de permissions s’applique au moment de la requête, et non via une synchronisation batch, de sorte que les changements d’accès se propagent immédiatement.

Prenons le cas d’un chef de produit qui se prépare à une quarterly business review. Il a besoin de la dernière analyse du churn client depuis le dashboard Snowflake de l’équipe data, d’un résumé des escalades support récentes depuis Zendesk et du deck d’analyse concurrentielle qu’une personne de la stratégie a partagé le mois dernier. Sans recherche unifiée, cela signifie trois outils distincts, trois requêtes distinctes et une étape de synthèse manuelle.

Avec Glean Search couvrant tous les systèmes connectés, Waldo gère cette recherche en un seul passage orchestré — en renvoyant des résultats classés selon la pertinence, la fraîcheur et le contexte de travail du chercheur lui-même. Le chef de produit obtient un ensemble de preuves sélectionnées plutôt qu’une chasse au trésor. Pour aller plus loin sur la manière dont l’IA transforme ce processus, découvrez comment la recherche IA en entreprise combine recherche et génération pour faire ressortir des réponses précises.

Outil 2 : décomposition des requêtes et planification en plusieurs étapes

Les questions complexes en entreprise ont rarement des réponses issues d’une seule source. Quand quelqu’un demande « Quel est notre positionnement concurrentiel pour le deal Q3 avec Acme Corp ? », la réponse est répartie entre plusieurs systèmes et documents — aucun d’entre eux, pris isolément, ne raconte toute l’histoire.

Waldo gère cela en décomposant la question initiale en sous-requêtes distinctes avant d’exécuter la moindre recherche. Pour l’exemple d’Acme Corp, le planificateur peut générer quatre pistes en parallèle : l’activité récente et les communications impliquant Acme, l’analyse interne win/loss pour des deals similaires, les documents de comparaison produit pertinents pour la stack technologique d’Acme, et les conversations Slack où l’équipe account a discuté de la stratégie de deal.

Selon les benchmarks publiés par Glean, l’étape de planification s’exécute sur un modèle léger qui fonctionne environ 10 fois plus vite par appel qu’un modèle de raisonnement complet. La planification ne nécessite pas d’inférence approfondie — elle exige une reconnaissance de motifs sur la structure de la requête et une cartographie des sources de données disponibles. En gardant le planificateur rapide et peu coûteux, Waldo peut évaluer plusieurs stratégies de décomposition sans gaspiller du temps ni des ressources de calcul.

Le planificateur décide aussi quand suffisamment de preuves ont été réunies. Toutes les questions ne nécessitent pas la boucle d’orchestration complète  d’après les schémas de requêtes observés par Glean, environ la moitié des requêtes entrantes se résolvent via un chemin rapide, où le planificateur identifie qu’une seule recherche bien ciblée fournira un contexte suffisant et évite entièrement la séquence en plusieurs étapes.

La capacité de décomposition est au cœur de la conception de l’Agentic Engine. Waldo traite une requête comme un plan à exécuter, où chaque étape s’appuie sur ce que les étapes précédentes ont trouvé — une approche appelée agentic reasoning. Si la première sous-requête sur l’activité récente d’Acme révèle que l’opportunité est passée d’un renouvellement à une extension, le planificateur ajuste les requêtes en aval pour se concentrer sur un positionnement concurrentiel spécifique à l’extension plutôt que sur des références de renouvellement.

Cette boucle adaptative transforme une question large en un dossier de preuves bien cadré — ce qu’une recherche en un seul passage ne peut pas égaler.

Outil 3 : recherche hybride combinant récupération sémantique et par mots-clés

La qualité de la récupération dépend de l’adéquation entre la bonne technique de recherche et le bon type de requête — et la plupart des questions en entreprise bénéficient des deux techniques à la fois. Waldo associe la recherche par mots-clés à la recherche sémantique à chaque appel de récupération.

La recherche par mots-clés est conçue pour la précision : lorsque quelqu’un recherche « SOC-2 audit report Q1 2026 », vous voulez une correspondance exacte des termes pour faire remonter ce document précis. La recherche sémantique est conçue pour le rappel : lorsque quelqu’un recherche « how do we handle customer data deletion requests », elle doit trouver le runbook de confidentialité des données même s’il n’emploie jamais le mot « deletion ». Exécuter les deux en parallèle et fusionner les résultats permet de capturer des correspondances que l’une ou l’autre approche, seule, manquerait. Pour une comparaison détaillée de ces hybrid search techniques, notamment la façon dont elles diffèrent d’une recherche vectorielle pure, consultez l’analyse de Glean.

L’approche hybride est particulièrement utile lorsque les requêtes traversent les frontières entre départements. Un ingénieur recherchant « deployment rollback procedure » et un agent support recherchant « how to undo a release » demandent le même runbook, mais l’écart de vocabulaire entre les deux requêtes mettrait en échec un système basé uniquement sur les mots-clés. La recherche sémantique comble cet écart en faisant correspondre le sens plutôt que les termes.

La recherche par mots-clés maintient la précision du système pour les identifiants qui n’ont aucune portée sémantique — numéros de modèle, IDs de compte client, noms de code de projets internes ou noms d’API endpoints. Sans la composante mots-clés, un système uniquement sémantique pourrait renvoyer des documents conceptuellement liés, mais factuellement incorrects.

L’impact concret est un meilleur rapport signal/bruit dans la collecte de preuves de Waldo. Moins de faux négatifs signifie que le système ne manque pas des documents pertinents enfouis sous une terminologie inhabituelle, et moins de faux positifs signifie que le modèle de raisonnement en aval consacre sa fenêtre de contexte à des preuves réellement utiles plutôt qu’à du bruit lié de façon tangentielle.

Glean Search applique cette récupération hybride à chaque source connectée, de sorte que le gain de qualité se cumule à mesure que davantage de systèmes sont intégrés — chaque nouveau connecteur ajoute à la couche de recherche du contenu à la fois indexé par mots-clés et intégré sémantiquement.

Outil 4 : classement tenant compte du contexte, propulsé par les graphes d’entreprise et personnels

Trouver des documents pertinents ne représente que la moitié du problème de récupération — l’autre moitié consiste à les classer pour que les résultats les plus utiles remontent en premier. Une recherche par mots-clés et sémantique peut renvoyer 40 documents correspondant à une requête sur le calendrier de lancement d’un produit, mais celui rédigé la semaine dernière par le chef de projet compte davantage qu’un brouillon d’il y a six mois, écrit par quelqu’un qui a quitté l’entreprise.

La couche de classement de Waldo prend en compte des signaux qui vont bien au-delà de la pertinence textuelle : structure organisationnelle, fraîcheur des documents, expertise de l’auteur sur le sujet et habitudes de travail du chercheur.

Deux structures de connaissance rendent cela possible. L’Enterprise Graph cartographie les relations entre les personnes, les équipes, les projets, les documents et les canaux de communication à travers l’organisation. Il sait que le VP of Engineering est responsable de la feuille de route infrastructure, que cette feuille de route a été mise à jour il y a trois jours, et que l’espace Confluence de l’équipe infrastructure est la source de référence pour les standards de déploiement.

Le Personal Graph capture des signaux individuels — quels outils une personne utilise le plus, avec quels collègues elle collabore fréquemment et sur quels sujets elle a travaillé récemment. Ensemble, ces graphes permettent au modèle de classement de personnaliser les résultats pour chaque utilisateur sans nécessiter de configuration manuelle. Pour comprendre comment les knowledge graphs fournissent la base contextuelle de l’IA d’entreprise — y compris le raisonnement multi-sauts et la reconnaissance de motifs de processus — consultez l’analyse approfondie de Glean sur le sujet.

La différence pratique apparaît dans la façon dont les résultats se classent selon les personnes. Un analyste finance qui demande « Q3 revenue forecast » voit le dernier board deck du CFO en tête  un directeur commercial posant la même question voit d’abord le rapport de pipeline régional. L’ensemble de documents sous-jacent est identique, mais le classement reflète qui pose la question et pourquoi. Une étude Gartner a constaté que 47% des travailleurs numériques ont du mal à trouver les informations dont ils ont besoin pour faire leur travail efficacement — un classement personnalisé et sensible au contexte est ce qui comble cet écart.

Sans une couche de contexte comme celle-ci, chaque requête démarre à froid, et les utilisateurs passent du temps à faire défiler des résultats non pertinents pour trouver l’unique document dont ils ont réellement besoin.

Outil 5 : génération augmentée par la récupération pour des réponses fondées, avec citations

Une fois que Waldo a collecté et classé ses preuves, l’étape suivante consiste à transformer ces preuves en une réponse directe — pas en une liste de liens. La Retrieval-augmented generation (RAG) est la technique qui prend en charge cette étape.

La RAG fonctionne en fournissant au modèle de langage des documents spécifiques récupérés comme contexte d’entrée, plutôt que de s’appuyer uniquement sur les données d’entraînement du modèle. Le résultat est une réponse synthétisée avec des citations inline renvoyant aux documents sources, afin que le lecteur puisse vérifier toute affirmation en cliquant vers l’original.

La couche de citation est plus importante qu’il n’y paraît. En entreprise, une réponse sans provenance est une réponse à laquelle on ne peut pas se fier pour prendre des décisions. Si un responsable conformité interroge la politique de conservation des données de l’entreprise, il doit savoir si la réponse provient du document de politique en vigueur ou d’une page wiki obsolète.

Le RAG rend la provenance transparente : chaque affirmation de la réponse générée renvoie à une source précise, et le lecteur peut évaluer à la fois la réponse et la qualité des preuves qui la sous-tendent. La génération ancrée sur des sources est fondamentalement différente d’un modèle de langage généraliste, qui peut produire un texte fluide sans lien avec un quelconque document vérifiable.

Le RAG réduit aussi le risque d’hallucination en ancrant la génération dans des données d’entreprise récupérées, plutôt que dans la mémoire paramétrique du modèle. Selon une analyse 2026 des benchmarks RAG, la génération augmentée par récupération peut réduire les hallucinations de l’IA de 40 à 71% par rapport aux LLM de base — une amélioration critique pour des cas d’usage en entreprise où la précision n’est pas négociable.

Glean Assistant applique ce modèle aux workflows de recherche et d’analyse — les équipes obtiennent des réponses exploitables, car les preuves associées sont visibles, traçables et à jour. Pour des questions riches en données comme « Quelle a été l’évolution de notre coût d’acquisition client sur les quatre derniers trimestres ? », la réponse s’appuie sur de vrais rapports et tableaux de bord, plutôt que de générer des chiffres plausibles à partir de données d’entraînement.

Outil 6 : sélection et orchestration d’outils agentiques

Toutes les requêtes ne nécessitent pas le même ensemble d’outils. Une question sur la structure hiérarchique de l’organisation a besoin de données personnes-et-équipes issues de l’Enterprise Graph, tandis qu’une question sur les tendances de chiffre d’affaires trimestrielles a besoin de données structurées provenant d’une plateforme d’analytique connectée.

Une question sur une décision produit nécessite des documents et des fils de messages. La couche d’orchestration de Waldo évalue chaque requête entrante et sélectionne de manière autonome quels outils invoquer, dans quel ordre et avec quels paramètres — en routant vers les bonnes capacités de récupération et d’analyse selon la nature de la question.

Waldo adapte sa stratégie selon le problème, ce qui rend le système agentique. Si une question exige à la fois une recherche documentaire et une consultation de données structurées, il les exécute en parallèle et fusionne les résultats avant de transmettre l’ensemble des preuves au modèle de langage. Si une question est suffisamment simple pour être résolue avec une seule recherche, l’orchestrateur saute entièrement la séquence multi-outils.

D’après les données observées par Glean, le routage adaptatif explique pourquoi environ la moitié de toutes les requêtes se résolvent via un chemin rapide — le système n’impose pas de complexité inutile aux questions simples.

La couche d’orchestration gère aussi la récupération sur erreur. Si un appel de récupération renvoie des résultats maigres ou de faible confiance, le système reformule la sous-requête — en élargissant les termes de recherche, en ciblant un autre système source, ou en ajustant la fenêtre temporelle — puis réessaie avant escalade.

Glean Agents s’appuie sur ce même modèle d’orchestration agentique pour des workflows en plusieurs étapes qui vont au-delà de la collecte d’informations pour passer à l’exécution d’actions. Le principe sous-jacent est le même : associer l’outil à la tâche, séquencer intelligemment, et se rétablir avec souplesse lorsqu’une étape sous-performe.

Outil 7 : sécurité, gouvernance et contrôles d’audit pour une collecte de données conforme

Chaque outil de la pile de collecte d’informations de Waldo opère à l’intérieur d’un périmètre de sécurité qui applique des contrôles d’accès au niveau de la récupération — et non via un filtre de post-traitement. Quand Waldo interroge un système connecté, il hérite des autorisations de l’utilisateur demandeur dans ce système.

Une recherche qui couvre Salesforce, Confluence et Google Drive applique trois contrôles d’autorisations distincts, un par source, avant qu’un résultat n’entre dans l’ensemble de preuves. Hériter des autorisations de l’utilisateur signifie que Waldo n’expose jamais des données auxquelles l’utilisateur ne pourrait pas accéder en se connectant directement à l’application source.

Pour les équipes des services financiers, de la santé et du secteur public, la récupération tenant compte des autorisations est une exigence de base — mais elle ne suffit pas à elle seule. Ces organisations doivent aussi savoir ce qui s’est passé durant une session de collecte d’informations : quelles sources ont été interrogées, quelles preuves ont été récupérées et comment la réponse finale a été assemblée. Une structure d’autorisations adéquate est essentielle pour garantir que l’IA générative délivre des résultats sécurisés et pertinents dans des environnements d’entreprise complexes.

Waldo produit des pistes d’audit qui journalisent l’ensemble de cette chaîne, offrant aux équipes conformité un enregistrement consultable de chaque étape de récupération et de génération. Si un régulateur demande comment une analyse particulière a été produite, l’organisation peut la retracer jusqu’à des documents précis et à la séquence d’appels d’outils qui les a fait émerger.

Le modèle de sécurité et de gouvernance de Glean ajoute une contrainte supplémentaire : conservation des données zéro-day pour les contenus d’entreprise traités pendant la recherche et la génération. Les données client ne sont jamais utilisées pour entraîner des modèles externes, et les contenus traités lors d’une requête ne sont pas conservés au-delà de la session.

Ces contrôles de gouvernance se situent en amont de chaque étape de récupération et de génération. Pour les organisations qui évaluent des outils de collecte d’informations, cette architecture signifie que l’adoption de la recherche agentique n’exige pas d’assouplir les politiques de gouvernance des données existantes — le système opère dans les mêmes limites que les équipes IT et sécurité ont déjà définies.

Comment choisir les bons outils de collecte d’informations pour votre workflow

Adapter les outils à la complexité des requêtes

Toutes les questions n’exigent pas une boucle complète d’orchestration agentique. Les recherches simples — « Où est le PDF des brand guidelines ? » — se résolvent via un chemin rapide avec une seule recherche ciblée, tandis que les questions multi-sources qui nécessitent décomposition, recoupement et synthèse ont besoin de toute la chaîne d’outils. Comprendre où se situent les requêtes habituelles de votre équipe sur ce spectre aide à définir des attentes réalistes en matière de temps de réponse et de profondeur.

Évaluer les outils sur la profondeur du contexte, pas seulement sur la vitesse

Les outils de collecte d’informations efficaces comprennent qui pose la question, sur quoi la personne travaille et quelles sources font autorité pour son rôle. Recherchez des plateformes qui maintiennent une couche de contexte persistante — l’Enterprise Graph et le Personal Graph de Glean, par exemple, cartographient les relations entre personnes, équipes et documents afin que chaque requête soit classée pour la personne qui la pose, et pas uniquement selon la pertinence textuelle. La vitesse compte, mais une réponse rapide issue du mauvais document est pire qu’une réponse légèrement plus lente issue du bon.

Prioriser des plateformes gouvernées et tenant compte des autorisations

Tout outil qui effectue des recherches à travers des systèmes d’entreprise doit respecter les contrôles d’accès existants sans exiger une configuration manuelle pour chaque requête. Les pistes d’audit, les options de résidence des données et la rétention zéro jour des contenus traités devraient être des prérequis, et non des options premium. Si une plateforme ne peut pas démontrer une récupération tenant compte des autorisations au niveau des connecteurs, elle n’est pas prête pour des environnements réglementés. Des recherches récentes montrent que les taux d’hallucination pour les tâches de raisonnement complexes dépassent encore 33 %, ce qui fait des systèmes de récupération gouvernés et fondés sur des sources — plutôt que d’une génération sans ancrage — une condition préalable à une IA d’entreprise fiable.

Questions fréquentes

Quels outils spécifiques Waldo utilise-t-il lors de la collecte d’informations ?

Waldo s’appuie sur sept capacités clés : la recherche unifiée d’entreprise sur plus de 100 applications connectées, la décomposition des requêtes et la planification en plusieurs étapes, la récupération hybride sémantique et par mots-clés, le classement contextuel via des graphes de connaissances d’entreprise et personnels, la génération augmentée par la récupération avec citations intégrées, la sélection et l’orchestration d’outils agentiques, ainsi que des contrôles de sécurité et de gouvernance incluant l’accès tenant compte des autorisations et la journalisation d’audit.

Comment Waldo décide-t-il quels outils utiliser pour une requête donnée ?

Un modèle de planification léger évalue chaque requête entrante et sélectionne les outils, le séquencement et les paramètres appropriés en fonction de la complexité de la question et des exigences en matière de données. Les requêtes simples sont traitées via un parcours rapide avec un seul appel de recherche  les questions complexes multi-sources déclenchent la boucle complète de décomposition et d’orchestration.

Waldo peut-il s’intégrer aux outils d’entreprise existants pour améliorer la collecte d’informations ?

Oui. Waldo fonctionne au-dessus d’une infrastructure de recherche qui se connecte à plus de 100 applications de travail, notamment des référentiels de documents, des plateformes de messagerie, des systèmes CRM, des outils de gestion des tickets et des plateformes d’analytique. Chaque connecteur hérite du modèle d’autorisations du système source, de sorte que l’intégration ne nécessite pas de reconfigurer les contrôles d’accès.

Quels sont les avantages d’utiliser un modèle de recherche agentique pour la collecte d’informations ?

La recherche agentique traite une requête comme un plan à exécuter plutôt que comme un simple événement de récupération. Cette conception permet au système de décomposer des questions complexes, d’interroger plusieurs sources en parallèle, d’évaluer la qualité des résultats en cours de route et d’adapter sa stratégie lorsque les premiers résultats sont insuffisants. Résultat : des ensembles de preuves plus complets et mieux sourcés — avec une latence plus faible et moins de tokens gaspillés que si l’on confiait toute la charge de raisonnement à un seul grand modèle.

Quelles sont les bonnes pratiques pour utiliser Waldo dans le processus de collecte d’informations ?

Commencez par des questions claires et spécifiques plutôt que par des prompts trop larges — la décomposition de Waldo fonctionne mieux lorsque l’intention est sans ambiguïté. Examinez les sources citées dans les réponses générées pour renforcer la confiance dans la chaîne de preuves, et vérifiez que les systèmes sources pertinents sont connectés afin que Waldo puisse interroger l’ensemble de votre base de connaissances. Pour une vision plus large de l’évolution des techniques modernes de récupération d’informations, consultez le guide complet de Glean.

Les bons outils de collecte d’informations transforment une recherche dispersée à travers des dizaines de systèmes en un processus de récupération unique et structuré — qui fournit des réponses sourcées plutôt que des liens classés. Lorsque votre équipe peut se fier aux preuves derrière chaque réponse, les décisions avancent plus vite et avec moins de retouches. Demandez une démo pour découvrir comment Glean et l’IA peuvent transformer votre environnement de travail.