Seltz erhält 12,5 Millionen US-Dollar in der Seed-Runde, um eine neue Suchinfrastruktur-Ebene für KI-Agenten aufzubauen

Da KI-Agenten immer mehr in der Lage sind, Forschungen durchzuführen, Workflows auszuführen und Entscheidungen autonom zu treffen, ist eine wachsende Herausforderung entstanden: Das Web selbst wurde nie für Maschinen entwickelt. Während heutige große Sprachmodelle argumentieren, zusammenfassen und Inhalte generieren können, verlassen sie sich immer noch stark auf Retrieval-Systeme, die ursprünglich für Menschen entwickelt wurden, die Links anklicken. Seltz, ein Startup, das sich auf den Aufbau von Web-Suchinfrastruktur speziell für KI-Systeme konzentriert, hat bekannt gegeben, dass es eine Seed-Runde von 12,5 Millionen US-Dollar erhalten hat, um diese Lücke zu schließen. Die Finanzierung wurde von Speedinvest und B Capital angeführt, mit Beteiligung von mehreren Risikokapitalgesellschaften und einer Gruppe von Beratern und Business-Angels, die von Unternehmen wie Amazon (AMZN ), Google (GOOGL ), Cohere, Databricks, Ramp und Synthesia stammen.

Warum KI-Agenten eine andere Art von Suchmaschine benötigen

Für Jahrzehnte wurde die Web-Suche um die menschliche Verhaltensweise optimiert. Suchmaschinen liefern rangierte Listen von Links, Snippets und Anzeigen, die Menschen helfen, Websites zu navigieren. KI-Agenten haben jedoch grundlegend andere Anforderungen.

Anstatt mehrere Seiten zu durchsuchen, benötigen Agenten strukturierte Informationen, die schnell geliefert werden, mit klaren Quellenangaben und ausreichend Kontext, um das Argumentieren zu unterstützen. Die Herausforderung wird noch größer, wenn Agenten während einer einzelnen Aufgabe mehrere Suchanfragen durchführen, bei denen die Latenz kumuliert und die Retrieval-Qualität direkt die Leistung beeinflusst.

Seltz argumentiert, dass bestehende KI-Suchlösungen oft als Wrapper um traditionelle Suchmaschinen wie Google, Bing oder Brave fungieren. Während diese Systeme für menschliche Benutzer gut funktionieren, wurden sie nicht entwickelt, um als Wissensinfrastruktur für autonome Software zu dienen. Der Ansatz des Unternehmens besteht darin, ein Retrieval-System zu entwickeln, das von Grund auf für den Maschinenkonsum und nicht für die menschliche Navigation entwickelt wurde.

Aufbau des gesamten Retrieval-Stacks

Gegründet von Antonio Mallia, dessen Hintergrund Forschungsrollen bei Amazon, Pinecone und Bloomberg umfasst, hat Seltz den schwierigeren Weg eingeschlagen, seinen eigenen Infrastruktur-Stack aufzubauen und zu betreiben.

Anstatt auf Drittanbieter-Suchdienste zurückzugreifen, besitzt das Unternehmen den gesamten Retrieval-Prozess, einschließlich Web-Crawling, Wissensextraktion, Indexierung, Retrieval und Rangierung. Diese Kontrolle ermöglicht es Seltz, jeden Schritt des Prozesses speziell für KI-Workloads zu optimieren. Laut dem Unternehmen ermöglicht der Besitz des Stacks auch eine engere Kontrolle über Qualität, Leistung, Quellenüberprüfung und zukünftige Produktentwicklung.

Die Web-Knowledge-API von Seltz bietet Entwicklern Echtzeit-Zugriff auf Web-Informationen, die für die Verwendung durch große Sprachmodelle, retrieval-augmented Generation (RAG)-Systeme und autonome Agenten verarbeitet und strukturiert wurden. Anstatt einfach Suchergebnisse zurückzugeben, konzentriert sich die Plattform auf die Lieferung von kontextreichen Informationen mit Quellenangaben, die direkt von KI-Systemen konsumiert werden können.

Ein wachsender Markt für KI-nativen Infrastrukturen

Die Finanzierung erfolgt inmitten eines wachsenden Interesses an grundlegender KI-Infrastruktur. Ein großer Teil des jüngsten KI-Booms konzentrierte sich auf Modelldienstleister, Chips und Agenten-Frameworks, aber die Retrieval-Infrastruktur wird als eine weitere kritische Ebene des Stacks immer wichtiger.

Einer der Gründe dafür ist, dass KI-Systeme immer mehr mit aktuellen Informationen arbeiten müssen. Trainingsdaten werden schnell veraltet, insbesondere in Bereichen wie Nachrichten, Vorschriften, Preisen, technischen Dokumentationen und Unternehmensdaten. Als Ergebnis wird die Echtzeit-Retrieval immer wichtiger für viele Produktions-KI-Anwendungen.

Seltz positioniert sich als Anbieter dieser Retrieval-Ebene. Anstatt direkt mit Consumer-Suchmaschinen zu konkurrieren, zielt das Unternehmen auf Entwickler, KI-nativen Startups, Frontier-KI-Labore und Unternehmen ab, die zuverlässigen Zugriff auf aktuelle Informationen benötigen. Dies spiegelt eine breitere Verschiebung hin zu spezifischer Infrastruktur wider, die speziell für Maschine-zu-Maschine-Interaktionen und nicht für menschliche Schnittstellen entwickelt wurde.

Leistung und Benchmarking werden zu Wettbewerbsvorteilen

Die Qualität der Suche ist bekanntermaßen schwer zu messen, insbesondere wenn Systeme für KI-Agenten und nicht für menschliche Benutzer bewertet werden. Um dies zu adressieren, hat Seltz kürzlich den Dynamic News Search Benchmark (DNSB) gestartet, einen öffentlichen Benchmark, der die Retrieval-Qualität und Latenz über verschiedene KI-Suchdienste bewertet.

Das Unternehmen berichtet über starke Ergebnisse in Bezug auf Retrieval-Geschwindigkeit und Effektivität. Frühere Produktaktualisierungen hoben die Retrieval-Latenz hervor, die in Hunderten von Millisekunden gemessen wurde, ein wichtiger Faktor für Agenten, die während komplexer Denkaufgaben mehrere Suchanfragen durchführen. Schnellere Retrieval verbessert nicht nur die Benutzererfahrung, sondern kann auch die Rechenkosten reduzieren, indem die Zeit, die Modelle auf externe Informationen warten, verkürzt wird.

Der Fokus auf Benchmarks spiegelt einen breiteren Trend in der KI-Infrastruktur wider, bei dem messbare Leistungsmerkmale immer wichtiger werden, wenn Unternehmen konkurrierende Plattformen bewerten.

Ausweitung über Suchergebnisse hinaus

Während die Web-Suche immer noch der Kernfokus des Unternehmens ist, hat Seltz bereits begonnen, die Fähigkeiten seiner Plattform zu erweitern. Kürzliche Produktveröffentlichungen umfassen Veröffentlichungsdatum-Filter, Domain-Filter-Steuerungen, Integrationen und Tools, die Entwicklern helfen, die Qualität und Frische der abgerufenen Informationen zu verwalten. Das Unternehmen hat auch Funktionen veröffentlicht, die darauf abzielen, Echtzeit-Web-Wissen innerhalb von KI-Workflows und Agenten-Frameworks zugänglicher zu machen.

Diese Ergänzungen deuten darauf hin, dass Seltz die Retrieval nicht als eigenständige Funktion, sondern als breitere Wissensinfrastruktur-Ebene betrachtet, die in Unternehmenssysteme, Anwendungen und autonome Workflows integriert werden kann.

Die breiteren Auswirkungen von KI-nativer Retrieval-Infrastruktur

Technologien wie Seltz deuten auf eine breitere Evolution hin, wie KI-Systeme mit dem Internet interagieren. Traditionelle Suchmaschinen wurden um menschliche Workflows entwickelt, bei denen Benutzer Links bewerten, Quellen vergleichen und Relevanz selbst bestimmen. KI-Agenten benötigen hingegen Retrieval-Systeme, die vertrauenswürdige Informationen schnell und in Formaten liefern, die für die maschinelle Argumentation und Automatisierung optimiert sind.

Die Entwicklung von dedizierter Retrieval-Infrastruktur könnte auch die nächste Generation von KI-Anwendungen beeinflussen. Schnellerer Zugriff auf aktuelle Informationen kann die Leistung von agierenden Systemen in Bereichen wie Unternehmensintelligenz, Finanzanalyse, wissenschaftlicher Forschung, Cybersicherheit und Echtzeit-Entscheidungsunterstützung verbessern. Gleichzeitig kann eine stärkere Betonung von Quellenangaben und Überprüfung dazu beitragen, bestehende Bedenken hinsichtlich Halluzinationen, veralteter Informationen und KI-Transparenz zu adressieren.

Wenn Organisationen immer mehr autonome Systeme einsetzen, kann die Retrieval-Ebene zu einem kritischen Bestandteil des KI-Stacks werden, der neben Modellen, Vektordatenbanken und Orchestrierungs-Frameworks sitzt. Die Unternehmen, die diese grundlegenden Technologien aufbauen, helfen dabei, die Infrastruktur zu etablieren, die zuverlässigere, rechenschaftspflichtigere und informationsbewusste KI-Systeme in den kommenden Jahren unterstützen kann.