Introducing Alexandria and our $75M Series B

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Firecrawl은 7,500만 달러 규모의 시리즈 B 투자 유치와 함께, AI 에이전트의 다양한 지식 접근을 통합하고 지식 제공자에게 보상하는 Alexandria를 공개했다.

📌 핵심 요약

• Firecrawl CEO Caleb Peffer는 2026년 9월 22일 Smash Capital이 주도하고 Altos Ventures, Nexus Venture Partners, Y Combinator, Freestyle, Offline Ventures가 참여한 7,500만 달러 규모의 시리즈 B 투자 유치를 발표했다.
• Alexandria는 실시간 웹, 공식 데이터 제공자, 맞춤형 커넥터, Firecrawl 자체 인덱스를 연결해 AI 에이전트가 Firecrawl API에서 출처를 발견하고 내용을 파악하며 정보를 가져오도록 지원한다.
• 문서용 AI 채팅 제품 Mendable에서 출발한 Firecrawl은 현재 150만 명 이상의 사용자를 확보했으며, Alexandria를 통해 웹 크롤링을 넘어 경쟁사 조사, 잠재 고객 탐색, 과학·개발·정부 자료 접근으로 지원 범위를 넓힌다.
• Firecrawl은 같은 모델과 프롬프트로 845개 과제를 수행하고 블라인드 AI 평가를 적용한 자체 시험에서, Alexandria를 사용한 에이전트의 답변 품질 점수가 내장 웹 도구를 사용한 경우보다 21% 높았다고 밝혔다.
• Firecrawl은 Wikimedia Enterprise 등과의 개별 계약으로 데이터 접근 비용을 지급하고 있으며, 투자금으로 검색과 출처 접근을 개선하고 개인·창작자·조직이 지식 제공으로 수익을 얻는 셀프서비스 시스템을 조만간 열 계획이다.

🧩 주요 포인트

1. 출처마다 다른 API·가격·데이터 형식 → Alexandria의 공통 접근 방식은 질문이 바뀔 때마다 통합을 다시 구성하는 부담을 줄이는 데 초점을 둔다.
2. 웹에서 찾지 못한 정보는 모델도 추론에 활용할 수 없음 → 답변 품질 개선에는 모델 역량뿐 아니라 출처의 범위와 검색·검색 결과 회수 능력이 중요하다는 문제의식이다.
3. Wikimedia Enterprise와의 유료 계약에서 셀프서비스 보상으로 확장 추진 → 아직 온라인에 공개되지 않은 전문지식까지 공급을 넓히려는 구상이지만, 개인 참여 시스템은 발표 당시 계획 단계다.

🧠 상세 정리

1. 시리즈 B 투자와 Alexandria 공개

Firecrawl CEO Caleb Peffer는 2026년 9월 22일 7,500만 달러 규모의 시리즈 B 투자 유치와 Alexandria 출시를 함께 발표했다. 이번 투자는 Smash Capital이 주도했으며 Altos Ventures, Nexus Venture Partners, Y Combinator, Freestyle, Offline Ventures가 참여했다. 회사는 투자금의 상당 부분을 사람들의 지식을 구매하는 데 쓰겠다고 밝히며, 검색 성능과 AI 에이전트가 접근할 수 있는 출처도 확장하겠다고 설명했다. Alexandria는 공식 데이터 제공자, 맞춤형 커넥터, Firecrawl 자체 인덱스와 실시간 웹을 연결해 출처 발견부터 정보 회수까지 공통된 접근 방식을 제공한다. 따라서 이번 발표는 새로운 데이터 접근 제품의 출시와 지식 제공자에게 보상을 지급하는 사업 구상을 함께 제시한 것이다.

2. 지식을 모으는 도서관에서 지식 공유의 보상으로

Alexandria라는 이름은 고대 알렉산드리아 도서관에서 가져왔으며, 당시 지식을 모으려면 두루마리를 물리적으로 옮겨 보관해야 했다는 비유로 제품의 목표를 설명한다. 오늘날에는 정보를 옮기고 복제하기 쉬워졌지만, 평생 쌓은 전문지식을 기록하지 않은 사람이나 AI 에이전트가 접근할 수 없는 데이터셋을 관리하는 출판사처럼 여전히 닿기 어려운 지식이 많다는 것이 회사의 문제의식이다. Firecrawl은 이런 지식을 사용할 수 있게 만드는 동시에, AI 에이전트가 이용할 때 기여자에게 비용을 지급해 계속 공유할 유인을 주려 한다. Wikimedia Enterprise를 비롯한 여러 데이터 제공자와의 계약에서는 이미 이 방식을 적용하고 있다고 설명한다. 회사가 제시하는 장기적 목표는 현재 인간이 가진 지식과 앞으로 인간 및 AI 에이전트가 발견할 내용을 함께 담는 초지능을 위한 도서관이다.

3. Mendable에서 Firecrawl로 이어진 문제 해결

Firecrawl 이전에 팀은 문서를 대상으로 하는 AI 채팅 제품 Mendable을 만들었고, 그 과정에서 웹으로부터 깨끗하고 신뢰할 만한 정보를 가져오는 일이 전체 기술 구성에서 가장 어렵다는 점을 배웠다고 회고한다. 다른 AI 개발팀도 같은 문제를 처음부터 해결하고 있었기 때문에, URL을 받으면 크롤링·렌더링·파싱·정리까지 처리하는 Firecrawl을 개발했다. 처음에는 수백 명 정도가 겪는 문제라고 생각했지만, 발표 당시 Firecrawl로 제품을 만드는 사용자는 150만 명을 넘었다. 이후 사용자들의 AI 에이전트가 발전하면서 더 넓은 정보 범위와 나은 검색, 검색과 스크래핑만으로 도달하기 어려운 출처가 필요해졌다. 기업 조사만 해도 홈페이지에 이어 재무 데이터와 공시가 필요하고 출처별 API·가격·형식이 달라 통합 유지에 시간이 들며, 누락된 정보는 강력한 모델도 추론에 활용할 수 없다는 설명이다.

4. 경쟁사 조사에서 잠재 고객 탐색까지

원문은 AI 고객지원 도구를 만들려는 상황을 예로 들어, 개발에 6개월을 투입하기 전에 비슷한 제품을 만드는 기업과 판매 대상, 차별점의 중복 여부를 조사할 필요가 있다고 설명한다. 이런 정보는 사람이 직접 둘러보도록 설계된 여러 디렉터리와 웹사이트에 흩어져 있어, 에이전트가 대량으로 조사하기에는 간단하지 않다는 것이다. Alexandria를 쓰면 에이전트가 디렉터리에 직접 질의하고 스타트업 기수 전체를 살피며 실제 제품과 원본 기록을 비교해 경쟁사를 구별할 수 있다고 제시한다. 같은 에이전트와 연결을 유지한 채 목표 고객에 맞는 회사를 찾고 인물 정보 보강 기능으로 고객지원 책임자 같은 접촉 대상을 찾는 흐름도 설명한다. 다만 이런 조사가 사람들이 원하는 제품을 만드는 일을 대신하지는 않으며, 질문이 바뀔 때마다 데이터 연결을 다시 구성하는 수고를 줄이는 것이 핵심이라는 한계를 분명히 한다.

5. 출처와 전문 인덱스의 확장

Alexandria는 기존 Firecrawl API를 통해 출처를 발견하고 각 출처가 제공하는 내용을 이해한 뒤 정보를 가져오는 공통 방식을 제공한다. 접근 대상에는 실시간 웹, 공식 데이터 제공자, Firecrawl 자체 인덱스뿐 아니라 맞춤형 커넥터와 워크플로도 포함된다. 에이전트는 웹페이지 읽기와 인덱스 검색, 제공자에 대한 질의, 전문 도구를 통한 전체 데이터셋 수집 등 서로 다른 형태의 작업을 수행할 수 있다고 설명한다. Research Index에는 수천만 건의 과학 논문 초록이 들어 있고, Developer Index는 문서와 README, 이슈, 병합된 풀 리퀘스트에 걸친 수천만 건의 1차 자료를 포괄한다. Government Index는 법률·규정·조례를 다루며, 이 구성은 일반 웹페이지를 넘어 조사 주제에 맞는 전문 자료까지 접근 범위를 넓히려는 방향을 보여준다.

6. 답변 품질 개선 주장과 평가 범위

Firecrawl은 시험한 분야들에서 Alexandria를 사용한 AI 에이전트의 답변 품질 점수가 내장 웹 도구를 사용한 에이전트보다 21% 높았다고 보고했다. 비교에는 같은 모델과 프롬프트를 사용했으며, 총 845개 과제의 결과를 블라인드 AI 평가로 판정했다고 설명한다. 이 결과는 모델을 바꾸지 않더라도 접근 가능한 출처와 정보 회수 방식의 차이가 답변 품질에 영향을 줄 수 있다는 회사의 주장에 근거로 제시된다. 다만 원문은 시험한 분야 전체의 구체적 구성, 답변 품질 점수의 세부 기준, 과제별 결과까지 제시하지는 않는다. 따라서 21%라는 수치는 회사가 설명한 시험 조건에서 나온 비교 결과로 이해해야 하며, 모든 질문이나 사용 환경에서 동일한 개선이 보장된다는 주장으로 확대해서는 안 된다.

7. 데이터 제공자 보상과 셀프서비스 구상

Firecrawl은 공식 데이터 제공자들과 개별 계약을 맺고 이미 비용을 지급하고 있으며, 대표적인 사례로 Wikimedia Enterprise를 들었다. 매달 수백만 건의 Wikipedia 데이터 요청이 Firecrawl을 거치며, 회사는 데이터에 직접 접근하기 위한 비용을 내는 방식으로 Wikipedia를 지원하고 사용자에게 더 나은 정보 회수 경로를 제공한다고 설명한다. 이번 투자금은 개인, 콘텐츠 창작자, 조직이 자신이 아는 내용을 제공하고 수익을 얻을 수 있도록 지원하는 데에도 쓰일 예정이다. 이를 위한 셀프서비스 시스템은 조만간 공개할 계획이며, 온라인에 전문지식을 공유한 적이 없는 사람도 참여 대상으로 포함한다. 장기적으로는 유용한 발견을 한 AI 에이전트까지 포함될 수 있다고 언급하지만, 이는 현재 운영이 확정된 범위가 아니라 향후 가능성으로 제시된다.

8. 후속 투자 방향과 이용 경로

Firecrawl은 앞으로도 검색과 Alexandria에 투자하며 실시간 웹 접근 개선, 더 깊이 있는 인덱스와 정보 회수 시스템 구축, 더 많은 원천 데이터 제공자 연결을 추진하겠다고 밝혔다. 제품은 발표 당일부터 사용할 수 있으며, 기업 조사와 과학 연구 비교, 기술적 질문 탐구를 대표적인 활용 사례로 제시한다. Alexandria를 단독으로 쓰거나 웹 검색 및 스크래핑과 함께 사용해 AI에 더 나은 근거 자료를 공급할 수 있다는 설명이다. 연결 방법으로는 Firecrawl의 MCP와 API를 안내하고, CLI와 스킬을 설치한 뒤 에이전트를 재시작하는 이용 절차도 소개한다. 아울러 콘텐츠 제작자와 데이터 관리자, 전문지식 보유자의 참여를 요청하며, AI가 지식을 발견하고 활용해 만드는 가치에 기여자도 참여하도록 하겠다는 목표로 발표를 마무리한다.

🧾 핵심 주장 / 시사점

• Alexandria의 핵심 제안은 출처 수를 늘리는 것과 함께 출처 탐색·내용 파악·정보 회수의 접근 방식을 통일해, 데이터 통합 유지에 드는 개발 부담을 줄이는 데 있다.
• 같은 모델과 프롬프트를 사용한 비교 결과는 정보 접근이 답변 품질의 중요한 변수라는 주장을 뒷받침하지만, 자체 시험의 21% 개선을 모든 환경으로 일반화할 근거는 제시되지 않았다.
• 지식 이용에 따른 보상은 아직 공개되지 않은 전문지식을 끌어내려는 공급 확대 전략이며, 기존 제공자와의 개별 계약을 개인도 참여할 수 있는 구조로 확장하는 것이 향후 과제다.

✅ 액션 아이템

• 경쟁사 조사와 잠재 고객 탐색에서 Alexandria의 공통 접근 방식이 데이터 통합 부담을 줄이는지 검토.
• Alexandria 도입 판단 시 845개 과제와 블라인드 AI 평가라는 조건을 함께 고려해 답변 품질 점수 21% 개선 주장을 해석.
• 개인·창작자·조직의 지식 제공 참여 검토 시 셀프서비스 보상 시스템이 발표 당시 계획 단계라는 점을 반영.

❓ 열린 질문

• Alexandria의 공통 접근 방식은 경쟁사 조사와 잠재 고객 탐색에서 출처별 API·가격·데이터 형식의 차이로 생기는 부담을 어느 정도 줄일 수 있는가?
• 845개 과제에서 확인한 답변 품질 점수 21% 개선은 어떤 평가 기준과 분야별 결과에 근거하는가?
• 개인·창작자·조직을 위한 셀프서비스 보상 시스템은 언제 공개되며 지식 이용에 따른 보상은 어떻게 결정되는가?