O Google indexou a web aberta para humanos: digite uma consulta, examine dez links azuis, clique. Esse modelo está envelhecendo silenciosamente. Os consumidores que mais crescem na web hoje são os agentes de IA — e eles não leem, clicam nem rolam a página como as pessoas fazem.
Essa é a aposta por trás da Keenable, uma startup que saiu do modo stealth esta semana com uma rodada seed de US$ 26 milhões liderada pela Accel (Conviction Partners e investidores anjos também participaram). O fundador Andrey Styskin passou quase duas décadas na Yandex cuidando de busca, IA e nuvem, e depois construiu infraestrutura web para a Alexa, da Amazon; o cofundador Matthias Petri fez o mesmo na Amazon AGI. O objetivo declarado deles: tornar-se “o próximo Google para agentes de IA.”
Não é um wrapper — é uma stack reconstruída
A Keenable não está embrulhando APIs da Bing ou do Google com um modelo. Ela reconstrói do zero o rastreamento, a indexação, a recuperação e o ranqueamento, expondo tudo por meio de uma API REST, um servidor MCP e uma CLI. O índice já cobre mais de 100 bilhões de documentos, com latência p95 abaixo de 250ms em US-East e preços que caem para cerca de US$ 1 por mil requisições para clientes de alto volume (a camada padrão custa US$ 4; o preço base da Exa fica em torno de US$ 7). A empresa afirma que sua API já está em produção em vários laboratórios de IA e provedores de inferência, usada tanto durante o treinamento quanto em tempo de execução, e recentemente fechou parceria com a empresa de voice-AI Gradium para recuperação em tempo real.
Por que rastrear a web inteira de novo? Porque os agentes a usam de forma diferente. Uma busca humana é uma consulta e um clique; um agente de pesquisa executa um loop — buscar, recuperar, ler, identificar uma lacuna, reformular a consulta, verificar cruzadamente e então agir — geralmente de dezenas a cem vezes para uma única tarefa. A recuperação em tempo real é exatamente a classe de infraestrutura que avaliamos em nosso review do DeepSeek Harness com busca ao vivo. O argumento de Styskin: se suas estruturas de índice não são otimizadas para a tarefa, servir a internet inteira fica dolorosamente caro, então o verdadeiro problema de engenharia é reduzir o espaço de busca por consulta o mais rápido possível. Os alvos de otimização mudam de taxa de cliques para recall, atualidade, latência, legibilidade por máquina, eficiência de tokens e proveniência — e, em última análise, custo por tarefa concluída.
O volante do Google não gira para agentes
O fosso competitivo do Google é um ciclo virtuoso construído sobre comportamento humano: no que as pessoas clicam, como ranqueiam páginas, o que as satisfaz. Agentes não clicam. Eles leem páginas inteiras e executam — o que também explica por que o tráfego de agentes quase não gera monetização com anúncios, um problema que analisamos em o dilema dos anúncios sem olhos para agentes de IA. O ciclo de feedback do qual o Google aprendeu é amplamente irrelevante para um modelo que precisa de contexto estruturado e verificável em vez de uma lista ranqueada de links.
Este é um dilema do inovador de manual — e os incumbentes estão limpando a pista eles mesmos. Tanto o Google quanto a Microsoft vêm restringindo ou descontinuando suas APIs públicas de busca para evitar canibalizar seus próprios produtos, deixando um vácuo exatamente na camada de que os agentes precisam. “É extremamente difícil convencer as pessoas a deixar o Google para busca”, admite Styskin, “mas em consultas agênticas, o gigante é batível.”
Quem controla o canal entre agente e web
A economia afia as apostas. Mesmo a US$ 1 por mil requisições, uma tarefa complexa que executa 100 buscas custa apenas um décimo de dólar só em busca — mas a produção acrescenta fetch, processamento de conteúdo e tokens de raciocínio por cima. A unidade que importa está mudando de custo por busca para custo de busca por tarefa concluída. É por isso que todos os provedores dessa faixa — OpenSearch da Alibaba, o MCP de busca para agentes da Tencent e as startups — estão obcecados por eficiência de tokens e reescrita de consultas, e não apenas por ranqueamento.
A Keenable não está sozinha. A Exa já opera um índice vetorial de 100 bilhões de documentos, levantou US$ 250 milhões com avaliação de US$ 2,2 bilhões e conta com Cursor, AWS e Groq entre seus clientes; entrantes chineses como Bocha e Xinliu disputam o mesmo espaço de API. O que todos disputam é uma única posição: a interface padrão entre agentes de IA e a internet aberta — uma camada que mal existia há um ano.
O que isso significa se você constrói com agentes
- Faça benchmark por tarefa, não por requisição: calcule o custo de busca por fluxo de trabalho concluído e pondere a eficiência de tokens junto com a latência ao comparar provedores.
- Prefira serviços nativos de MCP: seus agentes podem trocar backends de busca sem reescrever a lógica de orquestração. Mais infraestrutura para agentes: nosso diretório de ferramentas para agentes de IA.
- Acompanhe a atualidade: cargas de trabalho de agentes precisam de dados atualizados muito mais do que a busca para consumidores precisava — um índice desatualizado degrada silenciosamente a qualidade das respostas dos agentes.
- Observe a tendência de desligamento de APIs: conforme o Google e a Microsoft recuam das APIs públicas de busca, índices nativos para agentes passam de algo desejável para uma dependência estratégica.
Leitura adicional: O Próximo Mecanismo de Busca É Feito para Agentes, Não para Humanos — uma análise aprofundada das três mudanças estruturais por trás da busca para agentes: alvos de otimização, unidades de custo e troca de valor.
