Seltz raccoglie 12,5 milioni di dollari nella fase di seed per costruire un nuovo livello di infrastruttura di ricerca per gli agenti AI

Mentre gli agenti AI diventano sempre più capaci di svolgere ricerche, eseguire flussi di lavoro e prendere decisioni in modo autonomo, è emersa una sfida crescente: il web stesso non è stato progettato per le macchine. Sebbene i modelli linguistici di grandi dimensioni possano ragionare, riassumere e generare contenuti, dipendono ancora fortemente da sistemi di recupero originariamente costruiti per gli esseri umani che cliccano sui link. Seltz, una startup focalizzata sulla ricostruzione dell’infrastruttura di ricerca web specificamente per i sistemi AI, ha annunciato un round di seed da 12,5 milioni di dollari per colmare quella lacuna. Il finanziamento è stato guidato da Speedinvest e B Capital, con la partecipazione di diverse società di venture e di un gruppo di consulenti e investitori angelici provenienti da aziende come Amazon, Google, Cohere, Databricks, Ramp e Synthesia.

Perché gli agenti AI hanno bisogno di un tipo diverso di motore di ricerca

Per decenni, la ricerca web è stata ottimizzata intorno al comportamento umano. I motori di ricerca restituiscono elenchi ordinati di link, snippet e pubblicità progettati per aiutare le persone a navigare i siti web. Gli agenti AI, tuttavia, hanno esigenze fondamentalmente diverse.

Invece di navigare in più pagine, gli agenti hanno bisogno di informazioni strutturate fornite rapidamente, con chiara attribuzione della fonte e sufficiente contesto per supportare il ragionamento. La sfida diventa ancora più significativa quando gli agenti eseguono più ricerche durante un’unica attività, dove la latenza si accumula e la qualità del recupero influisce direttamente sulle prestazioni.

Seltz sostiene che le soluzioni di ricerca AI esistenti funzionano spesso come wrapper intorno ai motori di ricerca tradizionali come Google, Bing o Brave. Sebbene quei sistemi funzionino bene per gli utenti umani, non sono stati costruiti per fungere da infrastruttura di conoscenza per software autonomi. L’approccio dell’azienda è costruire un sistema di recupero progettato fin dall’inizio per il consumo di macchina piuttosto che per la navigazione umana.

Costruire l’intero stack di recupero

Fondata da Antonio Mallia, il cui background include ruoli di ricerca in Amazon, Pinecone e Bloomberg, Seltz ha intrapreso la strada più difficile costruendo e gestendo la propria infrastruttura.

Invece di affidarsi a fornitori di ricerca di terze parti, l’azienda possiede l’intera pipeline di recupero, compresa la scansione web, l’estrazione della conoscenza, l’indicizzazione, il recupero e la classificazione. Questo livello di controllo consente a Seltz di ottimizzare ogni fase del processo specificamente per i carichi di lavoro AI. Secondo l’azienda, possedere lo stack consente anche un controllo più stretto sulla qualità, le prestazioni, la verifica della fonte e lo sviluppo futuro del prodotto.

L’API di conoscenza web di Seltz fornisce agli sviluppatori l’accesso in tempo reale alle informazioni web che sono state elaborate e strutturate per l’uso dei modelli linguistici di grandi dimensioni, sistemi di generazione aumentata di recupero (RAG) e agenti autonomi. Invece di restituire semplicemente i risultati della ricerca, la piattaforma si concentra sul fornire informazioni ricche di contesto con riferimenti alle fonti che possono essere consumate direttamente dai sistemi AI.

Un mercato in crescita per l’infrastruttura nativa AI

Il finanziamento arriva in un momento di crescente interesse per l’infrastruttura di base AI. Gran parte del recente boom dell’AI si è concentrato sui fornitori di modelli, chip e framework di agenti, ma l’infrastruttura di recupero sta emergendo come un altro livello critico dello stack.

Una delle ragioni è che i sistemi AI sono sempre più tenuti a lavorare con informazioni fresche. I dati di training diventano rapidamente obsoleti, in particolare in aree come notizie, regolamenti, prezzi, documentazione tecnica e dati aziendali. Di conseguenza, il recupero in tempo reale sta diventando essenziale per molte applicazioni AI di produzione.

Seltz si sta posizionando come fornitore di questo livello di recupero. Invece di competere direttamente con i motori di ricerca per i consumatori, l’azienda si concentra sugli sviluppatori, le startup native AI, i laboratori AI di frontiera e le aziende che costruiscono sistemi che richiedono l’accesso affidabile alle informazioni attuali. Ciò riflette un più ampio passaggio verso infrastrutture specializzate progettate specificamente per le interazioni macchina-macchina piuttosto che per le interfacce umane.

Le prestazioni e il benchmarking diventano vantaggi competitivi

La qualità della ricerca è notoriamente difficile da misurare, in particolare quando si valutano sistemi destinati agli agenti AI piuttosto che agli utenti umani. Per affrontare questo problema, Seltz ha recentemente lanciato il Dynamic News Search Benchmark (DNSB), un benchmark pubblico progettato per valutare la qualità del recupero e la latenza tra diversi fornitori di ricerca AI.

L’azienda riporta risultati solidi sia nella velocità di recupero che nell’efficacia. Aggiornamenti precedenti del prodotto hanno evidenziato la latenza di recupero misurata in centinaia di millisecondi, un fattore significativo per gli agenti che possono eseguire più ricerche durante attività di ragionamento complesse. Un recupero più rapido non solo migliora l’esperienza utente, ma può anche ridurre i costi di calcolo riducendo il tempo che i modelli trascorrono in attesa di informazioni esterne.

L’accento sui benchmark riflette una tendenza più ampia nell’infrastruttura AI, dove le metriche di prestazione misurabili stanno diventando sempre più importanti poiché le aziende valutano piattaforme concorrenti.

Estendere oltre i risultati di ricerca

Sebbene la ricerca web rimanga il focus principale dell’azienda, Seltz ha già iniziato ad estendere le capacità della sua piattaforma. Le recenti versioni del prodotto includono la filtrazione per data di pubblicazione, il controllo della filtrazione del dominio, le integrazioni e gli strumenti progettati per aiutare gli sviluppatori a gestire la qualità e la freschezza delle informazioni recuperate. L’azienda ha anche rilasciato funzionalità finalizzate a rendere la conoscenza web in tempo reale più accessibile all’interno dei flussi di lavoro e dei framework di agenti AI.

Queste aggiunte suggeriscono che Seltz consideri il recupero non come una funzione autonoma, ma come un livello più ampio di infrastruttura di conoscenza che può essere integrato in sistemi aziendali, applicazioni e flussi di lavoro autonomi.

Le implicazioni più ampie dell’infrastruttura di recupero nativa AI

Tecnologie come Seltz indicano una più ampia evoluzione di come i sistemi AI interagiscono con Internet. I motori di ricerca tradizionali sono stati progettati intorno ai flussi di lavoro umani, dove gli utenti valutano i link, confrontano le fonti e determinano la rilevanza da soli. Gli agenti AI, al contrario, richiedono sistemi di recupero che possono rapidamente fornire informazioni attendibili in formati ottimizzati per il ragionamento e l’automazione delle macchine.

Lo sviluppo di infrastrutture di recupero dedicate potrebbe anche influenzare la prossima generazione di applicazioni AI. Un accesso più rapido alle informazioni fresche potrebbe migliorare le prestazioni dei sistemi agentichi che operano in aree come l’intelligenza aziendale, l’analisi finanziaria, la ricerca scientifica, la sicurezza informatica e il supporto alle decisioni in tempo reale. Allo stesso tempo, un maggiore accento sull’attribuzione e la verifica della fonte potrebbe aiutare ad affrontare le preoccupazioni persistenti relative alle allucinazioni, alle informazioni obsolete e alla trasparenza dell’AI.

Man mano che le organizzazioni distribuiscono sistemi sempre più autonomi, il livello di recupero potrebbe diventare un componente critico dello stack AI, affiancandosi ai modelli, ai database vettoriali e ai framework di orchestrazione. Le aziende che costruiscono queste tecnologie fondamentali stanno aiutando a stabilire l’infrastruttura che potrebbe supportare sistemi AI più affidabili, responsabili e consapevoli delle informazioni negli anni a venire.