이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
사람 중심으로 최적화한 기존 검색 인프라가 AI 챗봇과 에이전트의 대규모 정보 처리 요구를 따라가기 어려워지면서 Keenable이 AI 전용 웹 검색 인프라를 구축하고 있습니다. Yandex와 Amazon 출신 창업자들이 만든 이 스타트업은 1000억 개가 넘는 문서 색인과 자체 retrieval 기능을 기반으로 여러 AI 기업에 API를 제공하며, Accel 주도로 2600만 달러의 seed funding을 유치했습니다. 질의에 맞춰 검색 공간을 빠르게 줄여 웹 규모 검색 비용을 낮추고, WebQueryLanguage로 여러 출처의 정보를 결합하는 것이 핵심 방향입니다. 다만 Brave와 Exa가 경쟁하고 Google도 검색을 개편하는 상황에서 거대한 색인 유지 비용과 시장 진입이 주요 과제로 남아 있습니다.
섹션별 상세
사람은 웹페이지 전체를 읽을 시간과 주의력이 부족하기 때문에 기존 검색엔진이 짧은 결과 목록을 우선 제공하도록 발전했지만, AI 챗봇과 에이전트는 훨씬 더 많은 정보를 읽고 처리할 수 있습니다. Keenable은 이 변화에 맞춰 사람보다 AI 시스템의 정보 처리 방식에 최적화한 웹 검색 인프라를 만들고 있습니다. AI 챗봇이 출처 문서로 응답을 보강할 때 성능이 좋아진다는 점이 새로운 검색 수요의 출발점입니다.
Keenable은 1000억 개가 넘는 문서를 포함한 웹 검색 색인을 구축했으며, 자체 API를 여러 AI 연구소와 추론 제공업체의 학습 및 runtime 환경에 연결하고 있습니다. 검색 질의가 들어오면 특정 작업에 맞춰 조정한 색인 구조를 활용해 인터넷 전체를 순회하지 않고 검색 공간을 빠르게 좁히는 방식입니다. 회사는 고객사를 공개하지 않았지만 voice AI 기업 Gradium과 실시간 정보 검색을 지원하는 파트너십을 체결했습니다.
웹 규모 검색에서는 모든 문서를 스캔하는 구조가 문서량 때문에 매우 비싸지므로, 기업용 검색 솔루션을 그대로 인터넷 전체에 적용하기 어렵습니다. Keenable은 질의에 따라 후보 범위를 신속하게 줄이는 검색 구조와 자체 retrieval 기능을 개발해 비용 문제를 해결하려 합니다. 이를 위해 여러 웹 출처의 정보를 결합해 단일 문서에 완전한 답이 없어도 질문에 대응하도록 돕는 WebQueryLanguage를 준비하고 있습니다.
Google과 Microsoft가 기존 검색 API를 축소하거나 파트너를 선별하면서 AI 기업이 선택할 수 있는 웹 규모 검색 인프라가 부족해지고 있습니다. Keenable은 이 틈새에서 대형 검색 서비스와 정면으로 경쟁하기보다 agentic query에 맞춘 검색을 더 낮은 비용으로 제공하려 합니다. 다만 1000억 개가 넘는 색인을 유지하는 비용은 매우 크며, 창업자도 이를 두고 고통스러울 정도로 비싸다고 밝혔습니다.
Keenable은 미국과 유럽에 걸쳐 15명의 엔지니어를 두고 있으며, 새로 조달한 자금으로 연말까지 인력을 두 배로 늘려 영업과 시장 진입을 강화할 계획입니다. Accel이 주도한 이번 seed round에는 Conviction Partners와 여러 엔젤 투자자가 참여해 총 2600만 달러가 모였습니다. Brave와 Exa가 이미 경쟁에 참여했고 Google도 AI 시대에 맞춰 검색 경험을 개편하고 있어, Keenable이 AI 에이전트용 차세대 검색 사업자로 자리 잡기까지는 추가 과제가 남아 있습니다.
창업자 Andrey Styskin은 Yandex와 Amazon에서 20년간 검색 인프라를 구축한 경험을 바탕으로 Matthias Petri와 Keenable을 공동 창업했습니다. Amazon에서 Alexa 같은 AI 애플리케이션용 웹 검색 인프라를 함께 구축하면서 AI 크롤러가 검색량에서 차지하는 비중이 커지는 흐름을 확인했고, 이를 AI 전용 웹 검색 기회로 연결했습니다. 이 변화는 사람에게 짧은 링크 목록을 보여주는 검색에서 AI 에이전트가 여러 출처를 읽고 작업을 수행하는 검색으로 중심이 이동할 가능성을 보여줍니다.
용어 해설
- 웹 규모 검색(Web-Scale Search)
- — 인터넷 전체에 가까운 방대한 문서 집합에서 질의에 맞는 정보를 찾아 제공하는 검색 방식입니다. 문서량이 커질수록 모든 데이터를 훑는 비용과 지연이 급증하므로, 질의에 따라 검색 공간을 빠르게 좁히는 색인 구조와 검색 알고리즘이 핵심이 됩니다.
- 검색 색인(Search Index)
- — 문서를 검색 가능한 구조로 정리해 질의 처리 속도를 높이는 데이터 구조입니다. 원문 전체를 매번 순회하지 않고 질의와 관련된 후보 문서를 빠르게 추려내므로, 1000억 개가 넘는 문서를 다루는 웹 검색에서 처리 비용과 응답 시간을 좌우합니다.
- 정보 검색(Retrieval)
- — 질문에 답하는 데 필요한 외부 문서나 데이터를 찾아 모델에 전달하는 과정입니다. AI 시스템은 검색 결과를 응답의 근거로 활용하며, 여러 웹 출처를 결합하면 한 문서에 완전한 답이 없을 때도 관련 정보를 조합할 수 있습니다.
- 에이전트형 질의(Agentic Query)
- — AI 에이전트가 단순한 키워드 검색을 넘어 여러 단계의 탐색과 작업 수행을 위해 입력하는 복합 질의입니다. 이런 질의는 여러 웹 출처에서 정보를 모으고 비교해야 하므로, 기존의 사람 중심 검색보다 전용 색인과 검색 인프라가 필요합니다.
- 추론 실행 환경(Inference Runtime)
- — 학습이 끝난 AI 모델이 실제 요청을 받아 결과를 생성하는 운영 환경입니다. Keenable의 API는 학습 단계뿐 아니라 runtime에서도 AI 연구소와 추론 제공업체가 사용하며, 검색 결과를 모델 입력에 연결하는 역할을 맡습니다.
기술
- Keenable API
- WebQueryLanguage
- Google Search
- Microsoft search APIs
- Cloudflare
- Alexa
활용 사례
- AI 챗봇의 출처 기반 응답 생성
- AI 에이전트의 복합 웹 질의 처리
- voice AI의 실시간 정보 검색
- AI 모델 학습과 runtime 추론을 위한 웹 문서 검색
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 25.수집 2026. 08. 25.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
