[한영자막] AI 에이전트 시대를 위한 검색 엔진, 왜 기존 검색과 완전히 다를까요?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 에이전트용 검색 엔진은 사람이 읽을 링크를 추천하는 데서 나아가, 복잡한 조건에 맞는 정보를 기계가 즉시 활용하도록 정확도·속도·출력 형식·비용을 함께 최적화해야 한다는 것이 Exa 발표의 핵심이다.

📌 핵심 요점

1. 검색의 주된 사용자가 사람에서 AI로 이동한다는 전망이 출발점이다. 발표자는 2026년 AI 검색량이 인간을 추월하고 향후 인간의 1,000배에 이를 것으로 예상하지만, 산출 근거는 제시하지 않는다.
2. 에이전트는 단순한 관련 링크보다 조건에 맞는 결과 집합을 원한다. 줄무늬 없는 셔츠, 특정 지역의 AI 검색 연구자와 저술 목록처럼 제외 조건과 여러 속성을 함께 처리하는 검색이 주요 사례다.
3. Exa의 기술적 접근은 신경망의 의미 이해를 검색 비용 안에 담는 것이다. 문서를 임베딩으로 미리 처리하고 키워드 검색과 결합하며, 실제 시스템은 임베딩 검색보다 복잡하다고 설명한다.
4. 용도마다 최적의 검색은 다르다. 복잡한 목록 생성에는 수분이 걸릴 수 있지만 음성 에이전트에는 200밀리초 검색 엔드포인트를 제공하고, 토큰 추출·구조화 출력·도메인 및 기간 제한으로 작업에 맞춘다.
5. 검색 범위는 공개 웹에서 비공개 데이터로 확장된다. Exa는 데이터 제공자가 가격을 정하고 개발자가 필요한 데이터를 선택하는 마켓플레이스를 소개하며, 공개 웹 정보와 Similarweb 데이터를 결합하는 사례를 제시한다.

🧩 배경과 문제 정의

이 발표는 AI 에이전트를 위한 검색 엔진 Exa의 문제의식, 창업 과정, 현재 기능과 미래 목표를 설명한다. 발표자는 웹에 방대한 정보가 있어도 사람이 필요한 내용을 빠짐없이 찾고 신뢰하기는 어렵다고 본다. 기존 검색을 관련 문서를 추천하는 도구로 묘사하며, 복잡한 조건을 만족하는 대상을 데이터베이스처럼 찾아주는 정보 기반이 필요하다고 주장한다.

사업적 전환점은 더 나은 일반 검색을 만들던 팀에 검색 API 요청이 들어온 일이었다. 발표자는 거대한 AI 모델도 인터넷의 모든 정보를 내부에 담을 수 없으므로 외부 검색이 필요하고, 그 검색 방식도 인간과 달라진다고 설명한다. 따라서 에이전트용 검색의 과제는 의미 이해뿐 아니라 대량 호출, 지연 시간, 후속 처리 비용, 구조화 출력, 데이터 접근 범위를 함께 다루는 데 있다.

아래 내용은 발표자의 설명을 정리한 것으로, 회사의 성능 주장과 시장 전망을 독립적으로 검증한 결과는 아니다.

🕒 시간순 섹션별 상세정리

1. AI가 검색의 주된 사용자가 된다는 전망

• 발표자는 AI 에이전트를 위해 만든 검색을 소개하며 Exa의 정체성, 탄생 과정, 향후 방향을 설명하겠다고 드러낸다. [00:13]
• 2026년 AI 시스템의 검색량이 인간을 추월하고, 향후 몇 년 동안 인간의 1,000배까지 늘어 검색 생태계를 바꿀 것이라고 전망한다. [00:55]
• Exa가 5,000개 이상 기업과 40만 명 이상 개발자를 지원한다고 밝히며, Cursor의 기술 문서 검색, HubSpot의 영업 대상 탐색, 금융 에이전트의 데이터 수요를 사례로 든다. [01:42]

2. 관련 링크 추천과 조건을 만족하는 검색의 차이

• 웹에는 약 1조 페이지 규모의 정보가 있지만, 이를 개인이 모두 이해할 수 없으므로 필요한 내용을 걸러내고 종합하는 도구가 필요하다고 보여준다. [02:42]
• ‘줄무늬 없는 셔츠’를 검색해도 줄무늬 셔츠가 나오는 사례로, 기존 검색이 정확한 조건 처리보다 추천에 가깝다는 문제를 제기한다. [03:03]
• 싱가포르의 AI 검색 종사자와 저술 목록, 여러 매체를 아우르는 중요한 미국 뉴스처럼 포괄적인 결과를 요구하는 질의를 통해 기존 검색의 한계를 주장한다. [03:42]

3. 정보 부족을 개인과 사회의 문제로 연결

• 구직자가 조건에 맞는 모든 바이오테크 기업을 찾기 어렵고, 특정 지역의 상황을 알아보려 해도 정보를 찾거나 신뢰하기 어렵다는 사례를 제시한다. [04:28]
• 정보 기반이 부족한 상태에서 기술의 힘만 커지면 조작과 잘못된 의사결정이 늘 수 있다고 우려하며, AI로 생성한 미래 도시 이미지를 경고의 비유로 사용한다. [05:01]
• 발표자는 정보 문제의 해결을 중요하면서도 충분히 주목받지 못한 과제로 규정하고, 이를 Exa의 설립 이유로 연결한다. [05:14]

4. 의미를 이해하는 검색과 비용 최적화

• 2021년 무렵 트랜스포머의 발전을 보고 복잡한 문장을 이해하는 모델과 검색을 결합할 수 있다고 판단했다고 회고한다. [05:49]
• 질의와 문서의 일치 여부를 모델로 판단하는 작업을 1조 개 문서에 반복하면 검색당 약 1,000만 달러가 든다는 사고실험을 제시하며, 비용 절감이 핵심 과제라고 보여준다. [06:11]
• 문서를 임베딩으로 미리 처리하면 신경망의 의미 이해를 검색에 활용할 수 있으며, 임베딩에도 한계가 있어 키워드와 결합하는 접근이 필요하다고 드러낸다. [07:06]

5. 초기 검색 제품에서 API 수요를 발견하기까지

• 초기 투자금 수백만 달러의 절반을 GPU 클러스터에 쓰고 연구에 집중했으며, 2022년 Metaphor라는 이름으로 첫 검색 엔진을 공개했다고 보여준다. [07:48]
• 첫 제품 출시 약 2주 뒤 대화형 AI 제품이 등장해 환경이 바뀌었고, 이후 외부에서 검색 엔진의 API 접근을 요청하는 메시지를 받았다고 회고한다. [08:19]
• 처음에는 API를 제공하지 않았지만 요청이 반복되면서 사업모델을 발견했다. 아무리 큰 모델도 인터넷에 비하면 작기 때문에 외부 검색 엔진에 연결되어야 한다는 판단이었다. [08:58]

6. 인간과 다른 에이전트의 검색 요구

• 인간의 간단한 질의와 달리 AI는 훨씬 많은 정보를 소비하므로, 인간에게 최적인 검색 엔진이 AI에게도 최적일 것이라고 볼 수 없다고 주장한다. [09:30]
• 에이전트용 검색 API는 수익모델인 동시에 ‘완벽한 검색’이라는 초기 목표와 맞닿는다. 발표자는 AI가 SEO나 광고보다 세계의 정보를 담은 데이터베이스 같은 결과를 원한다고 보여준다. [10:00]
• 2023년에 AI 검색량의 인간 추월을 예상했다고 회고하고, 이후 구축한 시스템은 여러 요소를 결합하므로 단순한 임베딩 검색보다 복잡하다고 덧붙인다. [10:24]

7. 복잡한 탐색과 빠른 응답을 각각 지원

• YC가 투자한 AI 스타트업과 배치·상태를 찾는 사례를 제시한다. 기업·사람·게시물·뉴스의 복잡한 목록 탐색에는 수초가 아니라 수분이 걸릴 수 있다고 보여준다. [11:05]
• 별도로 200밀리초 검색 엔드포인트를 소개하며, 검색 이후 LLM 처리와 음성 출력까지 이어지는 음성 에이전트에서는 작은 지연도 중요하다고 드러낸다. [11:33]
• 문서에서 중요한 토큰만 추출해 후속 LLM 비용을 줄이는 기능과, 채용 대상자의 논문·출신 대학·졸업 연도 등을 구조화해 반환하는 기능을 보여준다. [12:24]

8. 고객별로 달라지는 최적 검색

• ‘5,000개 고객을 위한 5,000개 검색 엔진’이라는 표현으로 고객별 요구를 반영하는 유연성을 강조한다. 하나의 완벽한 검색 방식을 일률적으로 정하지 않겠다는 설명이다. [12:45]
• 초고속 응답과 수분이 걸리는 고품질 탐색의 선택, 특정 도메인 포함·제외, 기간 제한, 상품 페이지 제외 등을 맞춤 설정의 사례로 든다. [13:03]
• 에이전트 검색을 수년간 연구한 결과 Google보다 품질이 좋다고 주장하지만, 이 부분에서 비교 평가의 구체적 조건은 설명하지 않는다. [13:18]

9. 공개 웹과 비공개 데이터를 연결하는 시장

• 에이전트가 원하는 것은 정보의 공개 여부보다 사실에 대한 접근이라는 관점에서, 데이터 제공자와 제휴해 개발자가 해당 데이터를 사용할 수 있는 시스템을 보여준다. [13:43]
• 데이터 제공자가 콘텐츠의 가격을 정하고 개발자가 필요한 데이터를 선택하는 마켓플레이스를 보여준다. 고가치 데이터 보유자가 에이전트의 접근 수요로 수익을 얻는 구조다. [14:05]
• 공개 웹의 기업 정보와 Similarweb의 비공개 웹사이트 방문자 정보를 결합하는 사례를 보여주며, 검색 범위를 웹 밖으로 넓히는 방향을 제시한다. [14:24]

10. 완벽한 정보라는 비전과 사회적 협력

• 미래의 검색을 ‘어떤 복잡한 질의든 작동하는 것’, ‘1년 동안 조사한 결과를 1초에 얻는 것’으로 묘사한다. 이는 발표자가 지향하는 경험을 설명하는 비전이다. [15:13]
• 2027년의 높은 목표와 2028년 미국 대선 전 더 나은 정보 접근에 대한 기대를 드러낸다. AI 비서와 소프트웨어가 상호작용마다 검색으로 정보를 확인하면 호출량이 크게 늘 것이라고 전망한다. [16:34]
• 마지막에는 기술의 발전뿐 아니라 사람들의 조정과 합의가 미래를 좌우하며, 그 협력은 소비하는 정보에서 출발한다고 주장한다. 청중의 참여를 독려하고 감사를 전하며 발표를 마친다. [17:10]

🧾 결론

• 발표가 제시하는 차별점은 검색창의 변화보다 검색 소비자의 변화다. AI가 결과를 후속 처리하므로 지연 시간, 정보 밀도, 구조화 수준이 제품 요구사항이 된다.
• ‘완벽한 검색’은 하나의 고정된 결과가 아니라 고객별 작업과 제약에 맞는 검색을 뜻한다. 빠른 응답과 장시간 정밀 탐색은 서로 다른 요구로 다뤄진다.
• Exa의 현재 기능과 미래 비전은 구분해야 한다. ‘1년치 연구를 1초에’ 수행한다는 표현은 목표를 설명하는 비유이며, 검증된 현재 성능으로 제시되지 않는다.
• 발표자는 더 나은 정보 접근이 개인의 판단과 사회적 협력을 개선할 수 있다고 본다. 검색 품질의 향상이 실제 이해와 합의로 이어지는지는 별도의 검증 과제다.

📈 투자·시사 포인트

• 검색 API는 에이전트 사용 확대에 따른 수요 증가 경로로 제시된다. 다만 검색 횟수 증가만으로 매출이나 이익 증가를 판단할 수 없으며, 발표에는 가격·매출·수익성 정보가 없다.
• 경쟁력을 살필 때는 정확도만이 아니라 응답 속도, 필요한 정보만 추출하는 능력, 후속 LLM 비용, 고객별 설정 범위를 함께 볼 필요가 있다.
• 데이터 마켓플레이스는 정보 제공자가 에이전트의 데이터 접근 수요를 수익으로 연결하는 모델이다. 실제 거래 규모와 제공자·개발자의 참여 지속성은 발표만으로 판단하기 어렵다.
• 발표자가 밝힌 5,000개 이상 기업과 40만 명 이상 개발자는 활용 범위를 보여주는 자체 집계다. 유료 고객 수, 활성 이용률, 고객 유지율과 같은 사업 성과 지표와는 구분해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• AI 검색량의 2026년 인간 추월 및 향후 1,000배 전망에는 검색의 정의, 집계 범위, 데이터 출처와 추정 방식이 제시되지 않는다. 후반부의 ‘지금 일어나고 있다’는 표현도 독립적인 확인 자료를 동반하지 않는다.
• ‘최고 품질’, ‘세계에서 가장 빠른 검색 API’, ‘Google보다 우수하다’는 표현은 발표자의 주장이다. 200밀리초의 측정 조건, 지연 시간 분포, 비교 대상과 검색 품질 평가 기준은 확인이 필요하다.
• 복잡한 질의에서 ‘모든’ 대상이나 원하는 정보를 찾는다는 설명에는 누락률·오탐률 검증이 없다. 특히 전체 모집단을 알기 어려운 웹 검색에서는 결과의 완전성을 별도로 평가해야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 실제 업무 질의를 단순 조회, 복합 조건 탐색, 실시간 응답으로 나누고 각 유형의 정확도·지연 시간·출력 형식 요구를 정한다.
• 제외 조건과 복수 속성이 포함된 질의로 검색 결과를 비교하고, 미리 확인한 정답 집합을 기준으로 누락과 잘못 포함된 결과를 기록한다.
• 200밀리초 엔드포인트와 정밀 탐색을 각각 시험해 검색부터 LLM 처리와 최종 응답까지 걸리는 전체 시간을 측정한다.
• 문서 전체 입력과 핵심 토큰 추출을 비교해 토큰 사용량이 얼마나 줄고, 답변에 필요한 근거가 얼마나 보존되는지 확인한다.

❓ 열린 질문

• 속도, 검색 범위, 결과의 완전성, 비용이 충돌할 때 에이전트는 어떤 기준으로 검색 방식을 선택해야 하는가?
• 웹 전체의 정답 집합을 모르는 상황에서 ‘완벽한 검색’에 얼마나 가까워졌는지 어떻게 측정할 수 있는가?
• 유료 데이터의 가치와 가격은 누가 어떤 근거로 평가하며, 데이터 제공자와 개발자 모두에게 지속 가능한 거래가 될 수 있는가?