Seltz Tar In 12,5 Miljoner Dollar I Seed-Runda För Att Bygga En Ny Sökmotor-Infrastruktur För AI-Agenter

När AI-agenter blir alltmer kapabla att utföra forskning, köra arbetsflöden och fatta beslut på egen hand, har en växande utmaning uppstått: webben var aldrig designad för maskiner. Medan dagens stora språkmodeller kan resonera, sammanfatta och generera innehåll, är de fortfarande starkt beroende av återvinningssystem som ursprungligen byggdes för människor som klickar på länkar. Seltz, ett startup-företag som fokuserar på att bygga om webbsök-infrastrukturen specifikt för AI-system, har meddelat en seed-runda på 12,5 miljoner dollar för att täppa till den luckan. Finansieringen leddes av Speedinvest och B Capital, med deltagande från flera riskkapitalbolag och en grupp rådgivare och ängelinvesterare från företag som Amazon (AMZN ), Google (GOOGL ), Cohere, Databricks, Ramp och Synthesia.

Varför AI-agenter Behöver En Annan Typ Av Sökmotor

Under flera decennier har webbsök optimerats kring mänskligt beteende. Sökmotorer returnerar rankade listor med länkar, sammanfattningar och annonser som är utformade för att hjälpa människor att navigera på webbplatser. AI-agenter har dock fundamentalt olika krav.

I stället för att bläddra igenom flera sidor, behöver agenter strukturerad information som levereras snabbt, med tydlig källhänvisning och tillräckligt med sammanhang för att stödja resonemang. Utmaningen blir ännu mer betydande när agenter utför flera sökningar under en enda uppgift, där latency ackumuleras och återvinningens kvalitet direkt påverkar prestandan.

Seltz hävdar att befintliga AI-söklösningar ofta fungerar som omslag runt traditionella sökmotorer som Google, Bing eller Brave. Medan dessa system fungerar bra för mänskliga användare, var de inte byggda för att fungera som kunskapsinfrastruktur för autonom programvara. Företagets tillvägagångssätt är att bygga ett återvinningssystem som är utformat från grunden för maskinell konsumtion snarare än mänsklig bläddring.

Bygga Hela Återvinning-Stacken

Seltz, som grundades av Antonio Mallia, vars bakgrund inkluderar forskningsroller på Amazon, Pinecone och Bloomberg, har tagit den svårare vägen att bygga och driva sin egen infrastruktur-stack.

I stället för att förlita sig på tredjeparts-sökleverantörer, äger företaget hela återvinning-pipelinen, inklusive web-crawling, kunskaps-extrahering, indexering, återvinning och rangordning. Denna nivå av kontroll tillåter Seltz att optimera varje skede av processen specifikt för AI-arbetsbelastningar. Enligt företaget möjliggör ägandet av stacken också en tätare kontroll över kvalitet, prestanda, källverifiering och framtida produktutveckling.

Företagets Web Knowledge API ger utvecklare realtidsåtkomst till webbinformation som har bearbetats och strukturerats för användning av stora språkmodeller, återvinning-förstärkt generering (RAG) system och autonoma agenter. I stället för att bara returnera sökresultat, fokuserar plattformen på att leverera kontext-rik information med källhänvisningar som kan konsumeras direkt av AI-system.

En Växande Marknad För AI-Nativ Infrastruktur

Finansieringen kommer mitt i en ökande intresse för grundläggande AI-infrastruktur. Mycket av den senaste AI-boomen har fokuserat på modell-leverantörer, chip och agent-ramverk, men återvinning-infrastruktur är på väg att bli en annan kritisk skikt i stacken.

En anledning är att AI-system förväntas arbeta med färsk information. Träningsdata blir snabbt inaktuell, särskilt inom områden som nyheter, regler, priser, teknisk dokumentation och företagsdata. Som ett resultat blir realtids-återvinning alltmer nödvändig för många produktions-AI-applikationer.

Seltz positionerar sig som en leverantör av denna återvinningsskikt. I stället för att direkt konkurrera med konsument-sökmotorer, fokuserar företaget på utvecklare, AI-nativa startup-företag, frontlinje-AI-laboratorier och företag som bygger system som kräver tillförlitlig åtkomst till aktuell information. Detta speglar en bredare förändring mot specialiserad infrastruktur som är utformad specifikt för maskin-till-maskin-interaktioner snarare än mänskliga gränssnitt.

Prestanda Och Benchmarking Blir Konkurrensfördelar

Sök-kvalitet är notoriskt svår att mäta, särskilt när man utvärderar system som är avsedda för AI-agenter snarare än mänskliga användare. För att hantera detta har Seltz nyligen lanserat Dynamic News Search Benchmark (DNSB), en offentlig benchmark som är utformad för att utvärdera återvinning-kvalitet och latency över olika AI-sökleverantörer.

Företaget rapporterar starka resultat i både återvinning-hastighet och effektivitet. Tidigare produktuppdateringar betonade återvinning-latency som mättes i hundratals millisekunder, en betydande faktor för agenter som kan utföra flera sökningar under komplexa resonemangs-uppgifter. Snabbare återvinning förbättrar inte bara användarupplevelsen, utan kan också minska beräkningskostnaderna genom att förkorta den tid som modellerna tillbringar väntande på extern information.

Betoningen på benchmarking speglar en bredare trend inom AI-infrastruktur, där mätbara prestanda-mått blir alltmer viktiga när företag utvärderar konkurrerande plattformar.

Utvidga Bortom Sökresultat

Medan webbsök fortfarande är företagets kärnfokus, har Seltz redan börjat utvidga plattformens funktioner. Nya produkt-releaser inkluderar publiceringsdatum-filter, domän-filter-kontroller, integreringar och verktyg som är utformade för att hjälpa utvecklare att hantera kvaliteten och färskheten på den återvunna informationen. Företaget har också släppt funktioner som syftar till att göra realtids-webbkunskap mer tillgänglig inom AI-arbetsflöden och agent-ramverk.

Dessa tillägg tyder på att Seltz ser återvinning inte som en fristående funktion, utan som en bredare kunskaps-infrastruktur-lager som kan integreras över företags-system, applikationer och autonoma arbetsflöden.

De Större Implikationerna Av AI-Nativ Återvinning-Infrastruktur

Teknologier som Seltz pekar mot en bredare utveckling av hur AI-system interagerar med internet. Traditionella sökmotorer var utformade kring mänskliga arbetsflöden, där användare utvärderar länkar, jämför källor och bestämmer relevans på egen hand. AI-agenter, å andra sidan, kräver återvinningssystem som kan snabbt presentera trovärdig information i format som är optimerade för maskin-resonemang och automatisering.

Utvecklingen av dedikerad återvinning-infrastruktur kan också påverka nästa generation av AI-applikationer. Snabbare åtkomst till färsk information kan förbättra prestandan hos agenter som opererar inom områden som företags-intelligens, finansiell analys, vetenskaplig forskning, cybersäkerhet och realtids-beslutsstöd. Samtidigt kan en större betoning på källhänvisning och verifiering hjälpa till att hantera pågående problem kring hallucinationer, inaktuell information och AI-transparens.

När organisationer distribuerar alltmer autonoma system, kan återvinningsskiktet bli en kritisk komponent i AI-stacken, sittande bredvid modeller, vektordatabaser och orkestrerings-ramverk. Företagen som bygger dessa grundläggande teknologier hjälper till att etablera den infrastruktur som kan stödja mer tillförlitliga, ansvarsfulla och informations-medvetna AI-system i framtiden.