Seltz samler inn 12,5 millioner dollar i seed-runde for å bygge en ny søkeinfrastruktur for AI-agenter

Ettersom AI-agenter blir stadig mer kapable til å utføre forskning, kjøre arbeidsflyter og ta beslutninger på egen hånd, har en voksende utfordring oppstått: nettet selv var aldri designet for maskiner. Mens dagens store språkmodeller kan resonnere, summerere og generere innhold, er de fortsatt avhengige av gjenvinningssystemer som opprinnelig var bygget for mennesker som klikker på lenker. Seltz, en startup som fokuserer på å bygge om nett-søkeinfrastrukturen spesifikt for AI-systemer, har annonsert en seed-runde på 12,5 millioner dollar for å løse denne gapen. Finansieringen ble ledet av Speedinvest og B Capital, med deltakelse fra flere venture-firmaer og en gruppe rådgivere og engasjementsinvestorer fra selskaper som Amazon (AMZN ), Google (GOOGL ), Cohere, Databricks, Ramp og Synthesia.

Hvorfor AI-agenter trenger en annen type søkemotor

I årevis har nett-søk vært optimalisert rundt menneskelig atferd. Søkemotorer returnerer rangerte lister over lenker, utdrag og annonser designet for å hjelpe mennesker å navigere nettsteder. AI-agenter, derimot, har grunnleggende forskjellige krav.

I stedet for å bla gjennom flere sider, trenger agenter strukturert informasjon levert raskt, med tydelig kilde-attribuering og nok kontekst for å støtte resonnement. Utfordringen blir enda mer betydelig når agenter utfører flere søk under en enkelt oppgave, hvor latency samler seg og gjenvinningens kvalitet direkte påvirker ytelsen.

Seltz argumenterer for at eksisterende AI-søkeløsninger ofte fungerer som omslag rundt tradisjonelle søkemotorer som Google, Bing eller Brave. Mens disse systemene fungerer bra for menneskelige brukere, var de ikke bygget for å fungere som kunnskaps-infrastruktur for autonom programvare. Selskapets tilnærming er å bygge et gjenvinningssystem designet fra bunnen av for maskin-forbruk i stedet for menneskelig browsing.

Bygging av hele gjenvinnings-staken

Grunnlagt av Antonio Mallia, hvis bakgrunn inkluderer forskningsroller i Amazon, Pinecone og Bloomberg, har Seltz valgt den mer vanskelige veien å bygge og drive sin egen infrastruktur-stak.

I stedet for å stole på tredjeparts-søkeleverandører, eier selskapet hele gjenvinnings-pipeline, inkludert nett-kryping, kunnskaps-utvinning, indeksering, gjenvinning og rangering. Dette nivået av kontroll tillater Seltz å optimalisere hver fase av prosessen spesifikt for AI-arbeidsbelastninger. Ifølge selskapet tillater eierskap av staken også strengere kontroll over kvalitet, ytelse, kilde-verifisering og fremtidig produktutvikling.

Selskapets Web Knowledge API gir utviklere sanntids-tilgang til nett-informasjon som er prosessert og strukturert for bruk av store språkmodeller, gjenvinning-forsterket generering (RAG) systemer og autonome agenter. I stedet for bare å returnere søke-resultater, fokuserer plattformen på å levere kontekst-rik informasjon med kilde-referanser som kan forbrukes direkte av AI-systemer.

En voksende marked for AI-nativ infrastruktur

Finansieringen kommer midt i en økende interesse for grunnleggende AI-infrastruktur. Mye av den nylige AI-boomen har fokusert på modell-tilbydere, chip og agent-rammeverk, men gjenvinning-infrastruktur er i ferd med å bli en annen kritisk lag i staken.

En grunn er at AI-systemer stadig oftere forventes å arbeide med fersk informasjon. Trening-data blir raskt foreldet, spesielt i områder som nyheter, reguleringer, priser, teknisk dokumentasjon og bedriftsdata. Som et resultat blir sanntids-gjenvinning stadig mer essensiell for mange produksjons-AI-applikasjoner.

Seltz stiller seg selv som en leverandør av denne gjenvinnings-laget. I stedet for å konkurrere direkte med forbruker-søkemotorer, retter selskapet seg mot utviklere, AI-nativ startup, grense-AI-laboratorier og bedrifter som bygger systemer som krever pålitelig tilgang til nåværende informasjon. Dette reflekterer en bredere bevegelse mot spesialisert infrastruktur designet spesifikt for maskin-til-maskin-interaksjoner i stedet for menneskelige grensesnitt.

Ytelse og benchmarking blir konkurransefordeler

Søke-kvalitet er notorisk vanskelig å måle, spesielt når man vurderer systemer ment for AI-agenter i stedet for menneskelige brukere. For å løse dette, har Seltz nylig lansert Dynamic News Search Benchmark (DNSB), en offentlig benchmark designet for å evaluere gjenvinning-kvalitet og latency over forskjellige AI-søke-tilbydere.

Selskapet rapporterer sterke resultater både i gjenvinnings-hastighet og effektivitet. Tidligere produkt-oppdateringer viste gjenvinnings-latency målt i hundredvis av millisekunder, en betydelig faktor for agenter som kan utføre flere søk under komplekse resonnement-oppgaver. Raskere gjenvinning kan ikke bare forbedre bruker-erfaringen, men kan også redusere beregnings-kostnader ved å forkorte tiden modellene tilbringer på å vente på ekstern informasjon.

Betoningen på benchmarking reflekterer en bredere trend over AI-infrastruktur, hvor målbare ytelses-mål blir stadig viktigere når bedrifter vurderer konkurranse- plattformer.

Utvidelse utenfor søke-resultater

Selv om nett-søk fortsatt er selskapets kjerne-fokus, har Seltz allerede begynt å utvide plattformens funksjonalitet. Nylige produkt-utgivelser inkluderer publikasjons-dato-filtrering, domene-filtrerings-kontroller, integrasjoner og verktøy designet for å hjelpe utviklere å håndtere kvaliteten og ferskheten på gjenvunnet informasjon. Selskapet har også lansert funksjoner rettet mot å gjøre sanntids nett-kunnskap mer tilgjengelig innen AI-arbeidsflyter og agent-rammeverk.

Disse tilleggene antyder at Seltz ser på gjenvinning ikke som en enkeltstående funksjon, men som en bredere kunnskaps-infrastruktur-lag som kan integreres over bedrifts-systemer, applikasjoner og autonome arbeidsflyter.

De bredere implikasjonene av AI-nativ gjenvinning-infrastruktur

Teknologier som Seltz peker mot en bredere utvikling i hvordan AI-systemer samhandler med internettet. Tradisjonelle søkemotorer var designet rundt menneskelige arbeidsflyter, hvor brukere vurderer lenker, sammenligner kilder og bestemmer relevans selv. AI-agenter, derimot, krever gjenvinningssystemer som kan raskt presentere pålitelig informasjon i formater optimalisert for maskin-resonnement og automatisering.

Utviklingen av dedikert gjenvinning-infrastruktur kan også påvirke den neste generasjonen av AI-applikasjoner. Raskere tilgang til fersk informasjon kan forbedre ytelsen til agenter som opererer i områder som bedrifts-intelligens, finansiell analyse, vitenskapelig forskning, sikkerhet og sanntids-beslutnings-støtte. Samtidig kan økt fokus på kilde-attribuering og verifisering hjelpe med å løse gjeldende bekymringer rundt hallucinasjoner, foreldet informasjon og AI-gjennomsiktighet.

Som organisasjoner deployer stadig mer autonome systemer, kan gjenvinnings-laget bli en kritisk komponent i AI-staken, sammen med modeller, vektor-databaser og orkestrerings-rammeverk. Selskapene som bygger disse grunnleggende teknologiene hjelper med å etablere infrastrukturen som kan støtte mer pålitelige, ansvarlige og informasjons-bevisste AI-systemer i årene som kommer.