셀츠, AI 에이전트를 위한 새로운 검색 인프라스트럭처 레이어 구축을 위해 1,250만 달러의 시드 라운드 자금을 조달하다

AI 에이전트가 연구를 수행하고, 워크플ロー를 실행하고, 자율적으로 의사 결정을 내리는 능력이 점점 더 향상됨에 따라, 웹 자체가 기계를 위해 설계되지 않았다는 점에서 새로운 도전이 등장했다. 현재의 대규모 언어 모델은推論, 요약, 콘텐츠 생성이 가능하지만, 여전히 인간이 링크를 클릭하는 것을 위해 구축된 검색 시스템에 크게 의존한다. 셀츠는 AI 시스템을 위해 웹 검색 인프라를 재구축하는 것을 목표로 하는 스타트업으로, 이 간격을 메우기 위해 1,250만 달러의 시드 라운드 자금을 조달했다. 이 자금은 스피드인베스트와 B 캐피탈이 주도했으며, 여러 벤처 회사와 아마존, 구글, 코히어, 데이터브릭스, 램프, 신테시아 등에서 온 고문과 천사 투자자들이 참여했다.

AI 에이전트가 다른 유형의 검색 엔진을 필요로 하는 이유

수십 년 동안 웹 검색은 인간의 행동을 중심으로 최적화되었다. 검색 엔진은 사람들이 웹사이트를 탐색하는 데 도움이 되도록 설계된 링크, 스니펫, 광고의 순위 목록을 반환한다. 그러나 AI 에이전트는 근본적으로 다른 요구 사항을 가지고 있다.

여러 페이지를 브라우징하는 대신, 에이전트는 구조화된 정보를 빠르게 전달받아야 하며, 명확한 출처 속성과推論을 지원하는 충분한 컨텍스트가 필요하다. 에이전트가 단일 작업 중에 여러 검색을 수행할 때, 대기 시간이 합산되고 검색 품질이 직접 성능에 영향을 미치는 더욱 중요한 도전이 된다.

셀츠는 기존의 AI 검색 솔루션이 종종 구글, 빙, 브레이브와 같은 전통적인 검색 엔진을 둘러싼 래퍼로 작동한다고 주장한다. 이러한 시스템은 인간 사용자에게 잘 작동하지만, 자율적인 소프트웨어를 위한 지식 인프라로 설계되지 않았다. 회사의 접근 방식은 인간의 브라우징이 아닌 기계 소비를 위해 설계된 검색 시스템을 구축하는 것이다.

검색 스택 전체를 구축하다

아마존, 파인콘, 블룸버그에서 연구 역할을 수행한 안토니오 말리아가 설립한 셀츠는 검색 스택을 구축하고 운영하는 더 어려운 길을 선택했다.

제3자 검색 제공업체에 의존하지 않고, 회사는 웹 크롤링, 지식 추출, 인덱싱, 검색, 순위 지정과 같은 검색 파이프라인 전체를 소유한다. 이러한 수준의 제어는 셀츠가 검색 프로세스의 모든 단계를 AI 워크로드에 최적화하도록 허용한다. 회사의 설명에 따르면, 스택을 소유하면 품질, 성능, 출처 검증, 미래 제품 개발에 대한 더 엄격한 제어가 가능하다.

회사의 웹 지식 API는 개발자에게 대규모 언어 모델, 검색 보강 생성(RAG) 시스템, 자율 에이전트를 위해 구조화된 웹 정보에 대한 실시간 액세스를 제공한다. 단순히 검색 결과를 반환하는 대신, 플랫폼은 AI 시스템에서 직접 소비할 수 있는 출처 참조가 포함된 컨텍스트 풍부한 정보를 전달하는 데 중점을 둔다.

AI 네이티브 인프라스트럭처에 대한 성장하는 시장

자금 조달은 기초 AI 인프라스트럭처에 대한 관심이 증가하는 가운데 이루어졌다. 최근의 AI 붐은 모델 제공업체, 칩, 에이전트 프레임워크에 중점을 두고 있었지만, 검색 인프라스트럭처는 스택의 또 다른 중요한 레이어로 등장하고 있다.

그 이유 중 하나는 AI 시스템이 신선한 정보와 함께 작동하도록 예상된다는 것이다. 훈련 데이터는 빠르게 구식이 되며, 특히 뉴스, 규정, 가격, 기술 문서, 기업 데이터와 같은 분야에서 그렇다. 따라서 실시간 검색은 많은 생산 AI 애플리케이션에 필수적이다.

셀츠는 이 검색 레이어를 제공하는 것으로 자리매김하고 있다. 소비자 검색 엔진과 직접 경쟁하는 대신, 회사는 개발자, AI 네이티브 스타트업, 프론티어 AI 연구소, 신뢰할 수 있는 현재 정보에 액세스해야 하는 시스템을 구축하는 기업을 대상으로 한다. 이것은 기계 간 상호 작용을 위해 특별히 설계된 전문 인프라스트럭처로의 더广泛한 전환을 반영한다.

성능 및 벤치마킹이 경쟁 우위를 제공하다

검색 품질은 특히 인간 사용자보다는 AI 에이전트를 위해 설계된 시스템을 평가할 때 측정하기가 매우 어렵다. 이를 해결하기 위해 셀츠는 최근에 동적 뉴스 검색 벤치마크(DNSB)를 출시했으며, 이는 다른 AI 검색 제공업체의 검색 품질과 대기 시간을 평가하기 위한 공개 벤치마크이다.

회사는 검색 속도와 효과성에서 강력한 결과를 보고한다. 이전 제품 업데이트에서는 복잡한 추론 작업 중에 에이전트가 수행하는 여러 검색에서 중요因素인 수백 밀리초의 검색 대기 시간을 강조했다. 더 빠른 검색은 사용자 경험을 개선할 뿐만 아니라 외부 정보를 기다리는 모델의 시간을 단축함으로써 컴퓨팅 비용을 줄일 수 있다.

벤치마크에 대한 강조는 AI 인프라스트럭처 전반에 걸친 더广泛한 추세를 반영한다. 여기서 측정 가능한 성능 지표는 플랫폼을 평가하는 기업에서 점점 더 중요해지고 있다.

검색 결과를 넘어서 확장하다

웹 검색이 여전히 회사의 핵심 초점이지만, 셀츠는 이미 플랫폼의 기능을 확장하기 시작했다. 최근 제품 출시에는 발행 날짜 필터링, 도메인 필터링 컨트롤, 통합, 개발자가 검색된 정보의 품질과 신선도를 관리하는 데 도움이 되는 도구가 포함된다. 회사는 또한 AI 워크플로우와 에이전트 프레임워크 내에서 실시간 웹 지식을 더 쉽게 사용할 수 있도록 하는 기능을 출시했다.

이러한 추가 기능은 셀츠가 검색을 독립된 기능으로 보지 않고, 기업 시스템, 애플리케이션, 자율 워크플로우에 통합할 수 있는 더广泛한 지식 인프라스트럭처 레이어로 간주한다는 것을 시사한다.

AI 네이티브 검색 인프라스트럭처의 더广泛한 의미

셀츠와 같은 기술은 AI 시스템이 인터넷과 상호 작용하는 방식의 더广泛한 진화를 나타낸다. 전통적인 검색 엔진은 사용자가 링크를 평가하고, 출처를 비교하고, 관련성을 결정하는 인간 워크플로우를 중심으로 설계되었다. 반면에, AI 에이전트는 기계의推論과 자동화를 위해 최적화된 형식으로 신뢰할 수 있는 정보를 빠르게 노출할 수 있는 검색 시스템을 필요로 한다.

전용 검색 인프라스트럭처의 개발은 또한 다음 세대의 AI 애플리케이션에 영향을 미칠 수 있다. 신선한 정보에 대한 더 빠른 액세스는 기업 인텔리전스, 금융 분석, 과학 연구, 사이버 보안, 실시간 의사 결정 지원과 같은 분야에서 작동하는 에이전트 시스템의 성능을 개선할 수 있다. 동시에 출처 속성과 검증에 대한 더 큰 강조는 환상, 구식 정보, AI 투명성과 관련된 계속되는 우려를 해결하는 데 도움이 될 수 있다.

조직이 점점 더 자율적인 시스템을 배포함에 따라, 검색 레이어는 모델, 벡터 데이터베이스, 오케스트레이션 프레임워크와 함께 AI 스택의 중요한 구성 요소가 될 수 있다. 이러한 기초 기술을 구축하는 회사는 향후 더 신뢰할 수 있고, 책임감이 있으며, 정보에 대한 인식이 있는 AI 시스템을 지원할 수 있는 인프라스트럭처를 구축하는 데 도움이 된다.