Seltz recauda 12,5 millones de dólares en ronda de semilla para construir una nueva capa de infraestructura de búsqueda para agentes de inteligencia artificial

A medida que los agentes de inteligencia artificial se vuelven cada vez más capaces de realizar investigaciones, ejecutar flujos de trabajo y tomar decisiones de manera autónoma, ha surgido un desafío creciente: la web en sí nunca fue diseñada para máquinas. Si bien los modelos de lenguaje grande de hoy en día pueden razonar, resumir y generar contenido, todavía dependen en gran medida de sistemas de recuperación originalmente construidos para humanos que hacen clic en enlaces. Seltz, una startup enfocada en reconstruir la infraestructura de búsqueda web específicamente para sistemas de inteligencia artificial, ha anunciado una ronda de semilla de $12,5 millones para abordar esa brecha. La financiación fue liderada por Speedinvest y B Capital, con la participación de varias firmas de capital de riesgo y un grupo de asesores y inversores ángeles provenientes de empresas como Amazon (AMZN ), Google (GOOGL ), Cohere, Databricks, Ramp y Synthesia.

Por qué los agentes de inteligencia artificial necesitan un tipo diferente de motor de búsqueda

Durante décadas, la búsqueda en la web se ha optimizado en torno al comportamiento humano. Los motores de búsqueda devuelven listas clasificadas de enlaces, fragmentos y anuncios diseñados para ayudar a las personas a navegar por sitios web. Los agentes de inteligencia artificial, sin embargo, tienen requisitos fundamentalmente diferentes.

En lugar de navegar por varias páginas, los agentes necesitan información estructurada entregada rápidamente, con atribución clara de fuente y suficiente contexto para respaldar el razonamiento. El desafío se vuelve aún más significativo cuando los agentes realizan múltiples búsquedas durante una sola tarea, donde la latencia se acumula y la calidad de recuperación afecta directamente el rendimiento.

Seltz argumenta que las soluciones de búsqueda de inteligencia artificial existentes a menudo funcionan como envolturas alrededor de motores de búsqueda tradicionales como Google, Bing o Brave. Si bien esos sistemas funcionan bien para los usuarios humanos, no fueron diseñados para servir como infraestructura de conocimiento para software autónomo. El enfoque de la empresa es construir un sistema de recuperación diseñado desde cero para el consumo de máquinas en lugar de la navegación humana.

Construyendo la pila de recuperación completa

Fundada por Antonio Mallia, cuyo background incluye roles de investigación en Amazon, Pinecone y Bloomberg, Seltz ha tomado el camino más difícil de construir y operar su propia pila de infraestructura.

En lugar de depender de proveedores de búsqueda de terceros, la empresa posee la pila de recuperación completa, incluyendo la indexación web, la extracción de conocimiento, la indexación, la recuperación y la clasificación. Este nivel de control permite a Seltz optimizar cada etapa del proceso específicamente para cargas de trabajo de inteligencia artificial. Según la empresa, poseer la pila también permite un control más estricto sobre la calidad, el rendimiento, la verificación de fuente y el desarrollo de productos futuros.

La API de Conocimiento Web de Seltz proporciona a los desarrolladores acceso en tiempo real a información web que ha sido procesada y estructurada para su uso por modelos de lenguaje grande, sistemas de generación aumentada de recuperación (RAG) y agentes autónomos. En lugar de simplemente devolver resultados de búsqueda, la plataforma se centra en entregar información rica en contexto con referencias de fuente que pueden ser consumidas directamente por sistemas de inteligencia artificial.

Un mercado en crecimiento para infraestructura nativa de inteligencia artificial

La financiación llega en un momento de creciente interés en la infraestructura de inteligencia artificial fundamental. Gran parte del auge reciente de la inteligencia artificial se ha centrado en proveedores de modelos, chips y marcos de agentes, pero la infraestructura de recuperación está emergiendo como otra capa crítica de la pila.

Una de las razones es que los sistemas de inteligencia artificial están cada vez más obligados a trabajar con información fresca. Los datos de entrenamiento se vuelven rápidamente obsoletos, particularmente en áreas como noticias, regulaciones, precios, documentación técnica y datos empresariales. Como resultado, la recuperación en tiempo real se está convirtiendo en esencial para muchas aplicaciones de inteligencia artificial de producción.

Seltz se está posicionando como proveedor de esta capa de recuperación. En lugar de competir directamente con los motores de búsqueda de consumidores, la empresa se dirige a los desarrolladores, startups de inteligencia artificial nativa, laboratorios de inteligencia artificial de vanguardia y empresas que están construyendo sistemas que requieren acceso confiable a información actual. Esto refleja un cambio más amplio hacia infraestructura especializada diseñada específicamente para interacciones entre máquinas en lugar de interfaces humanas.

El rendimiento y la evaluación se convierten en ventajas competitivas

La calidad de la búsqueda es notoriamente difícil de medir, particularmente cuando se evalúan sistemas destinados a agentes de inteligencia artificial en lugar de usuarios humanos. Para abordar esto, Seltz lanzó recientemente la Evaluación de Búsqueda de Noticias Dinámicas (DNSB), una evaluación pública diseñada para evaluar la calidad de recuperación y la latencia en diferentes proveedores de búsqueda de inteligencia artificial.

La empresa informa resultados sólidos en velocidad y eficacia de recuperación. Las actualizaciones de productos anteriores resaltaron la latencia de recuperación medida en cientos de milisegundos, un factor significativo para los agentes que pueden realizar múltiples búsquedas durante tareas de razonamiento complejas. La recuperación más rápida no solo mejora la experiencia del usuario, sino que también puede reducir los costos de cómputo al acortar el tiempo que los modelos pasan esperando información externa.

El énfasis en las evaluaciones refleja una tendencia más amplia en la infraestructura de inteligencia artificial, donde las métricas de rendimiento medibles están volviéndose cada vez más importantes a medida que las empresas evalúan plataformas en competencia.

Ampliando más allá de los resultados de búsqueda

Si bien la búsqueda en la web sigue siendo el enfoque principal de la empresa, Seltz ya ha comenzado a ampliar las capacidades de su plataforma. Los lanzamientos de productos recientes incluyen filtrado por fecha de publicación, controles de filtrado de dominio, integraciones y herramientas diseñadas para ayudar a los desarrolladores a gestionar la calidad y la frescura de la información recuperada. La empresa también ha lanzado características destinadas a hacer que el conocimiento web en tiempo real sea más accesible dentro de los flujos de trabajo y marcos de agentes de inteligencia artificial.

Estos agregados sugieren que Seltz ve la recuperación no como una característica independiente, sino como una capa de infraestructura de conocimiento más amplia que se puede integrar en sistemas empresariales, aplicaciones y flujos de trabajo autónomos.

Las implicaciones más amplias de la infraestructura de recuperación nativa de inteligencia artificial

Tecnologías como Seltz apuntan hacia una evolución más amplia en la forma en que los sistemas de inteligencia artificial interactúan con Internet. Los motores de búsqueda tradicionales fueron diseñados en torno a flujos de trabajo humanos, donde los usuarios evalúan enlaces, comparan fuentes y determinan la relevancia ellos mismos. Los agentes de inteligencia artificial, por otro lado, requieren sistemas de recuperación que puedan superficiar rápidamente información confiable en formatos optimizados para el razonamiento y la automatización de máquinas.

El desarrollo de infraestructura de recuperación dedicada también podría influir en la próxima generación de aplicaciones de inteligencia artificial. Un acceso más rápido a información fresca puede mejorar el rendimiento de los sistemas agénticos que operan en áreas como inteligencia empresarial, análisis financiero, investigación científica, ciberseguridad y toma de decisiones en tiempo real. Al mismo tiempo, un mayor énfasis en la atribución y verificación de fuentes podría ayudar a abordar las preocupaciones en curso sobre alucinaciones, información obsoleta y transparencia de la inteligencia artificial.

A medida que las organizaciones despliegan sistemas cada vez más autónomos, la capa de recuperación puede convertirse en un componente crítico de la pila de inteligencia artificial, junto a los modelos, las bases de datos vectoriales y los marcos de orquestación. Las empresas que están construyendo estas tecnologías fundamentales están ayudando a establecer la infraestructura que podría respaldar sistemas de inteligencia artificial más confiables, responsables y conscientes de la información en el futuro.