Seltz samler 12,5 millioner dollars i seed-runde for at bygge en ny søgeinfrastruktur til AI-agenter

Da AI-agenter bliver mere og mere i stand til at udføre forskning, udføre arbejdsprocesser og træffe beslutninger selvstændigt, er der opstået en voksende udfordring: webben selv er ikke designet til maskiner. Mens i dag større sprogmodeller kan resonere, sammenfatte og generere indhold, afhænger de stadig kraftigt af hentningssystemer, der oprindeligt er bygget til mennesker, der klikker på links. Seltz, en startup, der fokuserer på at genopbygge web-søgeinfrastruktur specifikt til AI-systemer, har meddelt en seed-runde på 12,5 millioner dollars for at dække denne åbning. Finansieringen blev ledet af Speedinvest og B Capital, med deltagelse fra flere venture-firmaer og en gruppe rådgivere og business-angels, der kommer fra virksomheder som Amazon, Google, Cohere, Databricks, Ramp og Synthesia.

Hvorfor AI-agenter har brug for en anden type søgemaskine

I årtier har web-søgning været optimeret omkring menneskelig adfærd. Søgemaskiner returnerer rangerede lister over links, uddrag og annoncer, der er designet til at hjælpe mennesker med at navigere på websteder. AI-agenter har imidlertid fundamentalt forskellige krav.

I stedet for at browse på flere sider, har agenter brug for struktureret information, der leveres hurtigt, med tydelig kildeangivelse og tilstrækkelig kontekst til at understøtte resonement. Udfordringen bliver endnu mere betydelig, når agenter udfører flere søgninger under en enkelt opgave, hvor latency samler sig og hentningskvalitet direkte påvirker ydeevne.

Seltz mener, at eksisterende AI-søgeløsninger ofte fungerer som omslag rundt om traditionelle søgemaskiner som Google, Bing eller Brave. Mens disse systemer fungerer godt for menneskelige brugere, var de ikke bygget til at fungere som viden-infrastruktur for selvstændig software. Virksomhedens tilgang er at bygge et hentningssystem, der er designet fra bunden til at være beregnet til maskinforbrug i stedet for menneskelig browsing.

Opbygning af hele hentningsstakken

Grundlagt af Antonio Mallia, hvis baggrund omfatter forskningsroller hos Amazon, Pinecone og Bloomberg, har Seltz valgt den mere vanskelige vej ved at bygge og drive sin egen infrastruktur-stak.

I stedet for at afhænge af tredjeparts-søgeleverandører ejer virksomheden hele hentningspipeline, herunder web-crawling, viden-ekstraktion, indeksering, hentning og rangering. Dette niveau af kontrol giver Seltz mulighed for at optimere hvert trin i processen specifikt til AI-arbejdsmængder. Ifølge virksomheden giver ejerskab af stakken også mulighed for tættere kontrol over kvalitet, ydeevne, kildeverificering og fremtidig produktudvikling.

Virksomhedens Web Knowledge API giver udviklere adgang til web-information i realtid, som er blevet behandlet og struktureret til brug af større sprogmodeller, hentningsforstærket generering (RAG)-systemer og selvstændige agenter. I stedet for blot at returnere søgeresultater fokuserer platformen på at levere kontekst-rig information med kildehenvisninger, der kan forbruges direkte af AI-systemer.

En voksende marked for AI-nativ infrastruktur

Finansieringen kommer midt i en stigende interesse for grundlæggende AI-infrastruktur. Meget af den seneste AI-boom har fokuseret på model-leverandører, chip og agent-rammer, men hentnings-infrastruktur er ved at blive en anden kritisk lag i stakken.

En årsag er, at AI-systemer forventes at arbejde med frisk information. Træningsdata bliver hurtigt forældet, især på områder som nyheder, regler, priser, teknisk dokumentation og virksomhedsdata. Som følge heraf bliver realtids-hentning essentiel for mange produktions- AI-applikationer.

Seltz positionerer sig selv som en leverandør af denne hentningslag. I stedet for at konkurrere direkte med forbruger-søgemaskiner retter virksomheden sig mod udviklere, AI-nativ startups, frontløbende AI-laboratorier og virksomheder, der bygger systemer, der kræver pålidelig adgang til aktuel information. Dette afspejler en bredere skiftning mod specialiseret infrastruktur, der er designet specifikt til maskine-til-maskine-interaktioner i stedet for menneskelige grænseflader.

Ydeevne og benchmarking bliver konkurrencefordele

Søgekvalitet er notorisk svær at måle, især når man vurderer systemer, der er beregnet til AI-agenter i stedet for menneskelige brugere. For at imødekomme dette har Seltz nyligt lanceret Dynamic News Search Benchmark (DNSB), en offentlig benchmark, der er designet til at evaluere hentningskvalitet og latency på tværs af forskellige AI-søgeleverandører.

Virksomheden rapporterer stærke resultater i både hentningshastighed og effektivitet. Tidligere produkt-opdateringer fremhævede hentnings-latency, der blev målt i hundredvis af millisekunder, en betydelig faktor for agenter, der kan udføre flere søgninger under komplekse resonemingsopgaver. Hurtigere hentning forbedrer ikke blot brugeroplevelsen, men kan også reducere beregningsomkostninger ved at forkorte den tid, modeller tilbringer med at vente på eksterne oplysninger.

Betoningen af benchmarks afspejler en bredere tendens på tværs af AI-infrastruktur, hvor målbare ydeevnes-mål bliver mere og mere vigtige, da virksomheder vurderer konkurrerende platforme.

Udvidelse beyond søgeresultater

Selv om web-søgning stadig er virksomhedens kernefokus, har Seltz allerede begyndt at udvide platformens funktioner. Seneste produkt-udgivelser omfatter publicerings-dato-filtrering, domæne-filtreringskontroller, integrationer og værktøjer, der er designet til at hjælpe udviklere med at styre kvaliteten og friskheden af hentede oplysninger. Virksomheden har også udgivet funktioner, der er rettet mod at gøre realtids-web-viden mere tilgængelig inden for AI-arbejdsgange og agent-rammer.

Disse tilføjelser antyder, at Seltz ser hentning ikke som en selvstændig funktion, men som en bredere viden-infrastruktur-lag, der kan integreres på tværs af virksomheds-systemer, applikationer og selvstændige arbejdsgange.

De bredere implikationer af AI-nativ hentnings-infrastruktur

Teknologier som Seltz peger mod en bredere udvikling i, hvordan AI-systemer interagerer med internettet. Traditionelle søgemaskiner var designet omkring menneskelige arbejdsgange, hvor brugere vurderer links, sammenligner kilder og bestemmer relevans selv. AI-agenter, til gengæld, kræver hentningssystemer, der kan hurtigt fremme troværdige oplysninger i formater, der er optimeret til maskin-resonement og automatisering.

Udviklingen af dedikeret hentnings-infrastruktur kan også påvirke den næste generation af AI-applikationer. Hurtigere adgang til friske oplysninger kan forbedre ydeevnen af agenter, der fungerer i områder som virksomheds-intelligence, finansielle analyser, videnskabelig forskning, cybersikkerhed og realtids-beslutningsstøtte. Samtidig kan større fokus på kildeangivelse og verificering hjælpe med at imødekomme fortsatte bekymringer om hallucinationer, forældede oplysninger og AI-gennemsigtighed.

Som organisationer udruller stadig mere selvstændige systemer, kan hentnings-laget blive en kritisk komponent i AI-stakken, der sidder sammen med modeller, vektor-databaser og orkestrerings-rammer. Virksomhederne, der bygger disse grundlæggende teknologier, hjælper med at etablere infrastrukturen, der kan understøtte mere pålidelige, ansvarlige og informations-bevidste AI-systemer i årene, der kommer.