Nimble утверждает, что ее новые специализированные агенты веб-поиска сокращают затраты на токены вдвое и повышают точность извлечения данных

Nimble, технологический стартап из Нью-Йорка, о котором ранее писал VentureBeat за его стремление заново изобрести веб-поиск для предприятий с помощью нескольких ИИ-агентов для повышения точности и глубины, делает очередной шаг к своему видению мира, в котором агенты выполняют большую часть веб-поиска вместо того, чтобы мы вручную вводили запросы и просматривали результаты.

Компания Nimble сегодня запустила Web Search Agents — новую поисковую систему, разработанную, чтобы помочь ИИ-агентам выполнять веб-исследования на 21% точнее, используя при этом значительно меньше токенов (по данным компании, на 51% меньше по сравнению с ведущими альтернативными системами ИИ-поиска в аналогичных условиях).

Хотя Nimble не раскрыла свою конкретную методику бенчмаркинга или список оцениваемых конкурентов, эти результаты подчеркивают растущую тенденцию в корпоративном ИИ: оптимизация поиска стала столь же важной, как и совершенствование самих базовых языковых моделей.

Руководство Nimble заявляет, что продукт объединяет стратегии самообучающегося поиска, проприетарные веб-индексы и доступ к динамическому интернету для обеспечения возможностей поиска под конкретные предметные области, которые превосходят универсальные службы веб-поиска для корпоративных рабочих нагрузок.

«Наша исследовательская команда создала самообучающиеся алгоритмы поиска, которые изучают предметную область клиента, — рассказал генеральный директор и соучредитель Nimble Ури Кнорович в интервью VentureBeat. — Они эффективнее находят точную информацию, сокращают объем требуемых многошаговых рассуждений и снижают расход токенов при одновременном повышении точности».

Вместо того чтобы позиционировать себя как еще одну универсальную поисковую систему, Nimble ориентируется на разработчиков, создающих автономные агенты, которым требуется постоянно обновляемая информация из открытого интернета для исследований, генерации лидов, конкурентной разведки, комплаенса и других критически важных для бизнеса рабочих процессов.

Система также спроектирована так, чтобы органично встраиваться в существующие системы и рабочие процессы предприятия.

«Вы можете запустить агента напрямую через API Nimble без какой-либо инфраструктуры, — отметил Кнорович. — Для крупных предприятий мы сотрудничаем с Microsoft, Oracle, Snowflake и другими компаниями, чтобы клиенты могли развертывать эти агентские системы внутри собственной инфраструктуры».

Как это работает и в чем превосходит другие существующие поисковые и агентские системы на базе ИИ? Читайте далее, чтобы узнать.

Переход от общего веб-поиска на базе ИИ к специализированным поисковым агентам, отвечающим потребностям вашего предприятия

Большинство современных ИИ-приложений полагаются на универсальные интерфейсы программирования приложений (API) для поисковых систем и публичных баз знаний, которые возвращают широкие подборки файлов, возлагая на языковую модель задачу определения того, какие источники являются релевантными.

Этот процесс часто требует множества этапов извлечения данных, дополнительных рассуждений и значительных затрат токенов до того, как агент выдаст ответ. Очевидно, что это неэффективно и увеличивает расходы на запуск ИИ-поиска, просматривающего нерелевантные источники.

Nimble утверждает, что вскоре каждое предприятие будет нуждаться в собственных методах поиска, извлечения и проверки внешней информации, поскольку каждое предприятие опирается на свой собственный уникальный набор предпочитаемых источников, сигналов и стандартов доверия.

В связи с этим, вместо применения одной стратегии поиска к каждой рабочей нагрузке, агенты Web Search Agents от Nimble разработаны таким образом, чтобы изучать характеристики конкретной предметной области и адаптировать способ извлечения информации, предоставляя агентам структурированный и релевантный контекст, вместо того чтобы заставлять их просеивать огромные объемы общих результатов поиска.

«Вместо одной универсальной модели извлечения мы создаем специализированные модели извлечения для предметной области каждого клиента, делая их быстрее, дешевле и точнее, — пояснил Кнорович. — Одно предприятие может запускать сотни различных агентов. Каждый из них обладает собственной экспертизой в предметной области, защитными барьерами, целями и алгоритмом поиска. Оптимизация начинается со второго поиска без какой-либо предварительной настройки со стороны клиента».

Его цель заключается не только в сокращении избыточного извлечения данных, но и в сокращении многошаговых путей исследования и предотвращении многократной отправки исходных страниц через языковую модель для синтаксического анализа, что и приводит к показателю сокращения расхода токенов на 51%, о котором заявляет компания.

Это различие особенно актуально для долгосрочных корпоративных агентов, выполняющих исследования в течение часов или дней, а не отвечающих на простые вопросы потребителей. В таких сценариях сокращение ненужных вызовов инструментов может значительно снизить операционные расходы при одновременном повышении согласованности ответов.

Этот акцент отражает более масштабный сдвиг, происходящий во всей экосистеме инструментов ИИ. По мере того как базовые модели становятся все более мощными, поставщики инфраструктуры конкурируют во всем, что окружает модель, включая поиск, оркестрацию, память, наблюдаемость и управление.

Оптимизация поиска для производственного ИИ

Запуск опирается на более широкую стратегию Nimble, заключающуюся в превращении в платформу корпоративной веб-аналитики, а не просто в провайдера веб-скрейпинга. Ранее в этом году компания представила свою более широкую платформу Agentic Search Platform после привлечения финансирования Серии B в размере 47 млн долларов, позиционируя себя как инфраструктуру, которая превращает динамический интернет в структурированные, машинно-читаемые данные для систем ИИ.

Последний релиз компании расширяет это видение концепцией, которую она называет «обвязка как инструмент» (Harness as a Tool), лежащей в основе ее новых специализированных по доменам веб-поисковых агентов (Web Search Agents). Вместо того чтобы заставлять инженерные команды собирать воедино разрозненные API поиска, инструменты автоматизации браузера, конвейеры извлечения, логику валидации, системы памяти и код оркестрации, Nimble упаковывает эти возможности за единым управляемым интерфейсом.

Такая обвязка может определять, что именно искать, переходить по страницам, когда традиционных индексов недостаточно, извлекать релевантную информацию, проверять результаты и возвращать финальный контекст в форме, предназначенной для нижестоящих агентов.

Nimble также заявляет, что система сохраняет специфичную для предметной области память и строит проприетарные индексы, которые улучшаются по мере того, как клиенты выполняют новые поисковые запросы.

«Главный исследовательский прорыв заключается в добавлении семантической памяти и слоя кэширования к агенту, — рассказал Кнорович изданию VentureBeat. — Агент со временем изучает паттерны использования и опыт в предметной области, поэтому каждый последующий поиск становится быстрее и эффективнее».

Что касается того, какие сферы может охватывать Nimble, компания заявляет, что ей подвластна практически любая область интеллектуального труда.

«Мы видели, как клиенты создают аналитиков инвестиционно-банковской сферы, агентов конкурентной разведки для продакт-менеджеров, агентов для маркетинговых исследований, мониторинга новостных лент, страховых приложений, исследований в области наук о жизни и оптимизации цепочек поставок, — сказал Кнорович. — Наши клиенты каждый день удивляют нас новыми вариантами использования агентов».

Тем не менее, для предприятий, обеспокоенных конфиденциальностью и хранением данных, Кнорович заверил VentureBeat: «Nimble по своей архитектуре не сохраняет данные. Запросы клиентов никогда не хранятся в нашей среде, и когда клиенты развертывают семантическую память и самообучающиеся модели, эти знания остаются в их собственном пространстве (тенанте), а не в нашем».

Внедрения у клиентов указывают на операционный прирост

Nimble подкрепила анонс первыми примерами использования клиентами среди ИИ-нативных вендоров ПО и корпоративных пользователей.

ИИ-нативная CRM-компания Rox сообщила о 20-кратном сокращении затрат на токены после внедрения поисковой инфраструктуры Nimble при одновременном повышении качества и полноты информации, доступной ее ИИ-агентам.

Хотя компания не раскрыла подробных измерений рабочей нагрузки или воспроизводимой базы сравнения, этот пример иллюстрирует операционную экономию, которую может обеспечить оптимизация поиска для крупномасштабных развертываний агентов.

По словам Nimble, в настоящее время ее инфраструктура поддерживает более 90 миллионов поисковых запросов ежедневно на предприятиях из списка Fortune 500 и в ИИ-нативных компаниях, управляющих критически важными рабочими процессами, где точность, полнота и корпоративный контроль имеют решающее значение.

Поддержка API, SDK и MCP для разработчиков ИИ

Платформа сразу доступна через API, SDK и интеграцию с протоколом контекста моделей (Model Context Protocol, MCP), позволяя разработчикам напрямую подключать Nimble к ИИ-агентам независимо от используемого ими фреймворка оркестрации.

Разработчики могут использовать платформу для нескольких категорий веб-аналитики, включая:

• Живой веб-поиск с низким временем отклика

• Глубокие многошаговые веб-исследования

• Веб-краулинг

• Генерацию структурированных наборов данных

• Извлечение информации по конкретным предметным областям

Компания также предоставляет документацию и готовых агентов для типовых задач извлечения веб-данных, позволяя разработчикам создавать кастомные поисковые агенты с помощью описаний на естественном языке вместо ручной поддержки логики скрейпинга.

Nimble предлагает две существенно отличающиеся модели потребления. Разработчики могут начать с модели оплаты по мере использования (pay-as-you-go) через Agent API по цене от $0,025 за запрос веб-поискового агента при минимальной настройке усилий. Компании, которым требуется, чтобы Nimble настроила и управляла кастомной доставкой данных, могут вместо этого приобрести ежегодные управляемые тарифные планы стоимостью от $2500 в месяц.

Где Nimble занимает свое место в зарождающемся стеке агентского поиска

Nimble выходит на рынок, который стремительно вышел за рамки традиционного веб-поиска в сферу автономных исследовательских агентов, способных планировать, просматривать страницы, рассуждать и синтезировать информацию. Такие продукты, как ChatGPT Deep Research, Google Gemini Deep Research, Tongyi DeepResearch от Alibaba, Perplexity и Sakana Marlin, стремятся автоматизировать интеллектуальный труд, который раньше требовал часов (или, в случае Marlin, потенциально недель) человеческих исследований.

Однако вместо того, чтобы напрямую конкурировать в качестве еще одного ассистента для конечных пользователей, Nimble позиционирует себя на уровень ниже в стеке ИИ — как инфраструктуру веб-аналитики, которая питает эти агенты или кастомные корпоративные приложения, построенные на базе ведущих базовых моделей.

Это различие отражает все более важный архитектурный сдвиг в корпоративном ИИ. Большинство систем «глубоких исследований» (Deep Research) оптимизируют общий рабочий процесс исследований, генерируя планы поиска, итеративно собирая информацию и создавая синтезированные отчеты.

Вместо этого Nimble утверждает, что сам слой извлечения данных стал главным узким местом для развертывания корпоративного ИИ. Если агент извлекает слишком много нерелевантных страниц или выполняет ненужные итерации поиска, потребление токенов, задержка и операционные расходы возрастают еще до того, как модель приступит к своему основному процессу рассуждений.

«Клиенты из сферы наук о жизни, страхования, здравоохранения, фармацевтики, ритейла и цифровые нативные компании — все говорят нам одно и то же: нам нужно снабжать наших агентов более точным контекстом и сокращать количество токенов, потребляемых каждой задачей», — сказал Кнорович.

В блоге о запуске этот аргумент подкрепляется описанием того, как команды часто заново перестраивают один и тот же поисковый стек своими силами. Производственный агент может начать с поискового API, а затем обрасти средствами управления браузером, парсерами, компонентами извлечения, этапами проверки, памятью, кэшированием, оценками и кастомной логикой рабочих процессов. Nimble позиционирует свою обвязку как управляемую альтернативу этому растущему инженерному бремени.

По мнению Nimble, улучшение поиска до начала этапов рассуждения ценнее, чем просто предоставление языковой модели большего количества документов для анализа. Поэтому агенты Web Search Agents компании адаптируют поисковые стратегии под конкретную рабочую нагрузку, объединяя проприетарные индексы с поиском в реальном времени и специфичными для задач правилами поиска, вместо того чтобы применять один и тот же алгоритм поиска во всех областях.

Это делает Nimble не столько прямым конкурентом исследовательских ассистентов от OpenAI или Google, сколько конкурентом ориентированной на разработчиков поисковой инфраструктуры, такой как Exa и Tavily. Эти платформы также предоставляют API для поиска на базе ИИ и исследовательские возможности, но Nimble выделяется за счет акцента на самообучающиеся стратегии поиска, проприетарное индексирование, корпоративное управление, управляемую доставку и эффективность токенов для продакшн-агентов.

Для организаций, создающих собственные системы ИИ, это различие может приобретать все большее значение. Базовые модели становятся все более функциональными по всей индустрии, смещая конкурентные преимущества в сторону окружающей их инфраструктуры, включая поиск, оркестрацию, память, наблюдаемость и управление. Стратегия Nimble отражает эту более широкую тенденцию: делается ставка на то, что улучшенная веб-аналитика может принести больший операционный прирост, чем инкрементальные улучшения только лишь рассуждений модели.

Корпоративная инфраструктура против ИИ-ассистентов для исследований

Различие в позиционировании также отражается на ценообразовании. В то время как ориентированные на потребителя ИИ-помощники для исследований обычно продаются как подписки на производительность для индивидуальных пользователей или команд, Nimble оценивает свой управляемый сервис как корпоративную инфраструктуру, предназначенную для работы продакшн-приложений. Тем не менее, ее API с оплатой по факту использования предоставляет разработчикам более дешевый путь для тестирования базовой агентской технологии перед переходом к управляемому развертыванию.

Сравнение выявляет три все более четких рынка.

1. ChatGPT Deep Research, Gemini Deep Research и Perplexity работают в первую очередь как ориентированные на пользователя исследовательские ассистенты.

2. Exa и Tavily предоставляют API поиска и исследований, ориентированные на разработчиков.

3. Nimble и Sakana Marlin занимают более корпоративную территорию, но на разных уровнях: Nimble поставляет поисковую инфраструктуру, в то время как Marlin выполняет долгосрочный стратегический анализ.

Sakana Marlin особенно полезна в качестве противоположного примера. Она позиционируется как «виртуальный директор по стратегии» (Virtual CSO), а не как поисковый API, выполняя автономные исследовательские циклы длительностью до восьми часов и создавая готовые для руководства отчеты, ссылки и вспомогательные материалы.

Nimble, напротив, спроектирована так, чтобы находиться под такими системами, обеспечивая специализированный поиск, просмотр страниц, извлечение, валидацию и оркестрацию, которые необходимы корпоративным агентам для сбора надежной внешней информации до начала рассуждений.

Поэтому данное сравнение не следует воспринимать как прямую оценку «цена к цене». Подписка ChatGPT Plus за $20/месяц или Google AI Pro за $19,99/месяц покупает индивидуальное рабочее пространство ИИ с возможностями Deep Research.

Управляемый план Nimble за $2500 в месяц оплачивает одновременную работу производственных агентов, управляемый ETL, интеграцию с MCP, пропускную способность веб-страниц, хранилище и бесперебойную доставку данных.

План Pro от Sakana Marlin стоимостью примерно $936/месяц (150 000 иен/месяц) оплачивает расширенные, ресурсоемкие рабочие процессы стратегических исследований.

Каждая цена отражает принципиально иные границы продукта и модель развертывания, а не просто разный уровень возможностей ИИ.

Почему поиск становится следующим полем битвы в сфере ИИ

По мере того как корпоративные системы ИИ взрослеют, индустрия все отчетливее осознает, что качество одной лишь модели не определяет производительность приложения.

Большие языковые модели часто терпят неудачу не потому, подводить рассуждения, а потому, что им не хватает своевременной и заслуживающей доверия внешней информации. Эта реальность подпитывает быстрые инвестиции в генерацию с дополненным поиском (RAG), поиск на базе ИИ, платформы веб-аналитики, графы знаний, автоматизацию браузера и агентскую инфраструктуру.

Запуск Nimble отражает эту эволюцию, фокусируясь не столько на создании еще одной передовой модели, сколько на повышении качества информации, поступающей в существующие модели.

Останется ли заявленное компанией улучшение качества ответов на 21 пункт и сокращение потребления токенов на 51% справедливым для широкого спектра корпоративных внедрений, еще предстоит независимо подтвердить.

Более масштабная стратегическая ставка заключается в том, что по мере того, как передовые модели становятся все более взаимозаменяемыми, компании будут дифференцироваться за счет данных, правил поиска, правил доверенных источников, систем памяти и слоев оркестрации, окружающих эти модели. Nimble не пытается создать исследователя, который сидит перед пользователем. Она пытается стать частью инфраструктуры, которая определяет, что именно исследователь может найти, насколько эффективно он может это найти и являются ли полученные данные достаточно полными для принятия производственных решений.

Агенты Web Search Agents доступны через API, SDK и интеграции MCP от Nimble, а для разработчиков, оценивающих платформу, доступен бесплатный пробный период.