AI 에이전트를 위한 검색 엔진, 기존 검색과 무엇이 다른가

메타데이터

• 원문 제목: [한영자막] AI 에이전트 시대를 위한 검색 엔진, 왜 기존 검색과 완전히 다를까요?
• URL: https://www.youtube.com/watch?v=X66cWPrmiq4
• 날짜: 2026-09-21
• 처리일: 2026-09-22
• 채널: Tech Bridge
• 주제: AI 에이전트 검색(Agent Search), Exa, 정보 인프라, 검색 API
• 발표자/서비스: Exa

---

📌 핵심 질문 / 논점

==AI 에이전트가 인간보다 훨씬 많은 검색을 수행하는 시대에는, 광고와 SEO 중심의 인간용 검색 엔진이 아니라 복잡한 질의를 정확히 처리하고 에이전트의 추론 루프에 맞춰 정보를 공급하는 검색 인프라가 필요하다.==

• 2026년에는 AI 시스템의 검색량이 인간의 검색량을 넘어설 것으로 예상되며, 몇 년 뒤에는 인간보다 약 1,000배 많은 검색이 발생할 수 있다.
• 인간은 짧은 키워드를 한 번 검색하지만, 에이전트는 긴 질의를 만들고 결과를 읽은 뒤 질의를 반복해서 고친다.
• Exa는 키워드 검색과 임베딩(Embedding), 재순위화(reranking), 구조화 추출을 결합해 에이전트별로 다른 검색 엔진을 제공한다.
• 목표는 어떤 복잡한 정보 질의든 작동하고, 1년 동안 조사할 분량의 정보를 1초 안에 얻는 ‘완벽한 정보(perfect information)’다.

웹에는 약 1조 개의 페이지가 있고 그 안에는 인류의 지식이 들어 있지만, 정보가 너무 크고 뒤섞여 있어 그대로는 누구도 세계를 이해할 수 없다. 검색은 이 정보를 필요한 맥락으로 걸러내는 핵심 인프라다. AI 에이전트가 모든 소프트웨어와 상호작용의 기반이 되면 검색량은 폭발적으로 증가하므로, 에이전트가 정확하고 빠르게 접근할 수 있는 검색 시스템의 품질이 개인과 사회의 판단 품질을 좌우하게 된다.

1. AI 검색량의 폭발과 Exa의 출발점

AI 에이전트는 인간보다 훨씬 많은 검색을 수행하게 되며, Exa는 이 새로운 사용자를 위한 검색 엔진을 만든다.

1.1. 검색의 주 사용자가 인간에서 AI로 이동한다

1. 검색량의 역사적 전환

   1. 지난 30년: 웹 검색은 거의 전적으로 인간이 수행했다.
   2. 2020년대의 변화: AI 시스템이 웹을 검색하기 시작하면서 검색량 그래프에 새로운 축이 생겼다.
   3. 2026년의 예상: AI 시스템의 검색 수가 인간의 검색 수를 넘어설 것으로 예상된다.
   4. 중기 전망: 몇 년 뒤에는 AI 시스템의 검색량이 인간보다 1,000배 많아질 수 있다.

2. 검색 생태계의 재편

   1. AI 제품과 AI 에이전트는 모든 작업을 수행하기 전에 외부 정보를 검색한다.
   2. 개별 AI 시스템 하나가 아니라 코딩 에이전트, 금융 에이전트, 영업 에이전트, 음성 에이전트가 동시에 검색을 발생시킨다.
   3. 검색량의 규모와 질의의 형태가 인간용 검색과 달라지므로, 같은 엔진을 그대로 재사용하기 어렵다.

1.2. Exa가 제공하는 에이전트용 검색

1. 사용자와 적용 영역

   1. 고객 규모: Exa는 5,000개 이상의 기업과 40만 명 이상의 개발자에게 서비스를 제공한다.
   2. 코딩 에이전트: Cursor가 최신 기술 문서나 뉴스를 찾을 때 Exa를 검색 계층으로 사용할 수 있다.
   3. 영업 에이전트: HubSpot과 같은 시장 진입(go-to-market) 에이전트가 영업 대상 기업 목록을 찾는 데 활용한다.
   4. 금융 에이전트: 금융 데이터가 필요한 에이전트와 연구소, YC 스타트업 등 다양한 사용자가 포함된다.

2. 에이전트가 검색하는 방식

   1. 인간은 보통 “SpaceX news”처럼 짧은 키워드를 입력한다.
   2. AI 에이전트는 작업 목표와 이미 알고 있는 맥락을 포함한 긴 질의를 만든다.
   3. 검색 결과를 읽은 뒤 다음 검색어를 재작성하고, 필요한 정보를 찾을 때까지 검색을 반복한다.
   4. 따라서 에이전트용 검색은 단순한 결과 목록이 아니라 추론 루프에 연결된 정보 수집 시스템이다.

2. 기존 검색의 한계와 ‘잘못된 정보의 무정부 상태’

기존 검색 엔진은 인간에게 유용한 추천 결과를 제공하지만, 복잡한 사실 집합을 정확하게 반환하는 데이터베이스로 설계되지는 않았다.

2.1. 인터넷은 거대하지만 그대로는 이해할 수 없다

1. 웹의 규모

   1. 웹에는 블로그 글, 기업 웹사이트, 이미지, 소셜미디어 게시물, 뉴스 등 다양한 정보가 섞여 있다.
   2. 시각 자료로 몇 천 페이지를 표현해도 실제 웹은 약 1조 개 페이지에 달한다.
   3. 세계의 정보가 공개되어 있다는 사실만으로는 누구도 세계를 깊이 이해할 수 없다.

2. 정보 도구의 역할

   1. 정보는 너무 크고 지저분해서 인간의 머릿속에 모두 들어갈 수 없다.
   2. 검색·필터·요약 도구는 거대한 정보 공간을 필요한 지식으로 변환해야 한다.
   3. 이 변환이 실패하면 사람은 세상에서 무슨 일이 일어나는지 모른 채 결정을 내리게 된다.

2.2. Google식 검색이 복잡한 질의에 약한 이유

1. ‘줄무늬 없는 셔츠’ 사례

   1. Google에 “shirts without stripes”라고 입력해도 줄무늬가 있는 셔츠가 결과에 나타난다.
   2. 이는 검색 엔진이 세상의 정보를 정확히 조회하는 데이터베이스가 아니라, 관련성이 높다고 판단한 결과를 추천하는 시스템이기 때문이다.
   3. 부정 조건(없어야 하는 속성)과 복합적인 의미를 정확히 적용하려면 단순 키워드 일치 이상의 처리가 필요하다.

2. 집합 질의의 한계

   1. “싱가포르에서 AI 검색을 연구하는 사람을 모두 찾고, 그들이 쓴 블로그와 논문을 알려 달라”는 요청은 일반 검색창의 강점과 맞지 않는다.
   2. Google은 검색어에 포함된 단어가 들어 있는 문서와 링크를 추천할 수는 있다.
   3. 하지만 조건을 만족하는 412명의 전체 목록을 데이터베이스 질의처럼 반환하지는 않는다.

3. 뉴스와 공공 판단의 문제

   1. 시민은 모든 매체를 가로질러 가장 중요한 미국 뉴스를 찾고 싶어 한다.
   2. 추천 중심 검색은 무엇이 중요한지에 대한 완전한 근거를 제공하지 않으므로 결과를 그대로 신뢰하기 어렵다.
   3. 검색 엔진이 소셜미디어처럼 추천만 계속하면 사람은 세계를 부분적으로만 보게 된다.

2.3. 정보 인프라가 무너지면 생기는 사회적 위험

1. 이해하지 못한 세계

   1. 구직자는 자신에게 맞는 바이오테크 기업을 모두 찾지 못한다.
   2. 특정 지역의 상황을 파악하려는 사람은 정보를 찾지 못할 뿐 아니라, 찾은 정보가 믿을 만한지도 판단하지 못한다.
   3. 누구도 세계에서 무슨 일이 일어나는지 완전하게 알지 못하는 상태가 일상화된다.

2. 조작과 잘못된 의사결정

   1. AI 기술이 강력해질수록 사람들이 상황을 이해하지 못한 채 내리는 결정의 위험도 커진다.
   2. 정보가 부족한 개인과 사회는 조작되기 쉽다.
   3. 개인의 잘못된 판단이 사회 전체의 갈등과 충돌로 이어질 수 있다.

3. Exa의 문제 정의

   1. Exa가 해결하려는 문제를 한마디로 표현하면 ‘잘못된 정보의 무정부 상태(misinformed anarchy)’를 피하는 것이다.
   2. 정보 문제는 중요하지만 오랫동안 충분한 관심을 받지 못한 문제다.
   3. 완전한 정보에 접근하는 기반 시설은 AI의 안전과 사회적 조정 능력에도 직접 연결된다.

3. Exa의 기술적 출발점: 의미를 이해하는 검색

복잡한 질의를 처리하려면 전통적인 키워드 검색의 속도와 신경망의 의미 이해를 결합해야 한다.

3.1. 2021년의 사고 실험

1. Transformer와 GPT-3의 가능성

   1. 2021년 무렵 Transformer 기반 모델은 긴 문단을 읽고 의미를 이해하는 수준에 도달했다.
   2. GPT-3는 사용자의 문장을 이해한다는 점에서 마법처럼 보였지만, 기존 검색 엔진은 사용자의 의도를 충분히 이해하지 못했다.
   3. 질의와 문서를 함께 모델에 넣어 “이 둘이 일치하는가?”를 묻는다면 훨씬 정확한 검색을 만들 수 있다는 생각이 출발점이 됐다.

2. 완벽한 검색의 계산 비용

   1. 이상적인 방식은 모든 검색마다 1조 개 문서와 질의를 신경망으로 비교하는 것이다.
   2. 당시 계산대로라면 검색 한 번에 약 1,000만 달러가 필요하다.
   3. 따라서 핵심 연구 문제는 신경망의 의미 이해 능력을 유지하면서 비용을 수십억 배 또는 1조 배 줄이는 것이다.

3.2. 키워드와 임베딩의 결합

1. 키워드 검색의 강점

   1. 키워드 검색은 매우 효율적이고 단순한 질의에 강하다.
   2. 특정 이름, 제품명, 기술 용어처럼 문자열 자체가 중요한 정보는 정확하게 찾는다.
   3. 이미 수십 년간 최적화된 인덱스와 검색 알고리즘을 활용할 수 있다.

2. 임베딩(Embedding)의 역할

   1. 모든 문서를 신경망에 매번 넣는 대신 문서를 미리 벡터 표현으로 변환할 수 있다.
   2. 임베딩은 문장의 의미와 유사성을 압축해 복잡한 질의와 의미가 가까운 문서를 찾게 한다.
   3. “줄무늬가 없는 셔츠”처럼 단어가 직접 일치하지 않아도 의미를 파악해야 하는 질의에 유용하다.

3. 혼합 검색의 필요성

   1. 임베딩은 고유명사와 식별자, 정확한 문자열을 손실시킬 수 있다.
   2. 키워드만 사용하면 문맥과 의미 관계를 놓칠 수 있다.
   3. Exa는 키워드, 임베딩, 여러 검색 시스템과 후처리를 조합해 질의에 맞는 결과를 만든다.

3.3. 연구 중심의 초기 선택

1. 초기 투자

   1. 창업 초기 투자금 수백만 달러 중 절반을 GPU 클러스터에 사용했다.
   2. 검색 분야에 새로 진입했지만 문제에 집착하며 수년간 연구를 수행했다.
   3. 기존 도구를 조합하는 데 그치지 않고 새로운 검색 시스템을 만들기 위해 깊게 파고들었다.

2. Metaphor에서 Exa로

   1. 2022년 창업 약 1년 반 뒤 Metaphor라는 이름으로 첫 검색 엔진을 공개했다.
   2. 출시 약 2주 뒤 ChatGPT가 등장하면서 AI와 검색의 관계가 급격히 달라졌다.
   3. 처음에는 Google보다 나은 검색을 만들고 수익화는 나중에 생각하려 했지만, 곧 검색 API 수요가 나타났다.

4. AI 에이전트가 Exa의 사용자가 된 이유

LLM은 인터넷 전체를 기억할 수 없으므로, 모델의 크기와 무관하게 검색 엔진에 연결되어야 한다.

4.1. LLM은 검색 없이 세계를 알 수 없다

1. 모델과 인터넷의 크기 차이

   1. GPT-5 같은 거대한 모델도 인터넷 전체와 비교하면 극히 작은 지식 공간이다.
   2. 더 큰 모델이 계속 나오더라도 세계의 모든 최신 정보를 모델 파라미터 안에 넣는 방식은 한계가 있다.
   3. 따라서 AI 시스템은 검색·검색 결과 수집(retrieval) 엔진에 연결되어야 한다.

2. API 비즈니스의 발견

   1. 외부 개발자와 창업자, 심지어 발표자의 아래층 룸메이트까지 Exa에 검색 API를 요청했다.
   2. 이 요청을 통해 AI 시스템이 검색을 필요로 한다는 사실이 사업 기회로 드러났다.
   3. AI가 인간보다 더 많이 검색하고 더 복잡한 방식으로 검색한다는 전망은 Exa의 초기 사명인 ‘완벽한 검색’과 일치했다.

4.2. 인간용 검색과 에이전트용 검색의 차이

1. 인간의 검색

   1. 인간은 보통 하루에 Google을 몇 번 사용한다.
   2. 한두 개의 키워드를 입력하고 10개의 파란 링크를 훑는다.
   3. 결과를 모두 읽을 수 없기 때문에 검색 엔진의 추천과 순위에 의존한다.

2. AI 시스템의 검색

   1. AI는 검색 결과를 대량으로 읽고 필요한 정보를 다음 질의에 반영한다.
   2. 코딩 에이전트는 기술 문서와 최신 뉴스를 확인하고, 영업 에이전트는 기업 목록과 기업 정보를 결합한다.
   3. 음성 에이전트는 사용자와 대화하는 동안 검색 결과를 LLM으로 처리한 뒤 다시 음성으로 출력한다.
   4. 같은 검색을 인간이 쓰기에는 지나치게 빠르고 많지만, AI 시스템에는 모든 밀리초가 중요하다.

5. 현재 Exa가 제공하는 검색 기능

Exa의 검색은 단일 결과 페이지가 아니라 고객의 목표·속도·범위·출력 형식에 맞춰 구성할 수 있는 검색 시스템이다.

5.1. 복잡한 집합 질의와 깊은 검색

1. 복합 조건 검색

   1. YC가 투자한 모든 스타트업 중 AI 분야에 해당하는 기업을 찾을 수 있다.
   2. 각 기업의 YC 배치(batch), 현재 상태(status), 회사 목록과 관련 문서를 함께 요청할 수 있다.
   3. 기업, 사람, 블로그 글, 뉴스 기사를 조합한 임의의 목록형 질의도 처리할 수 있다.

2. 검색 속도와 깊이의 선택

   1. 가장 빠른 검색 API는 약 200밀리초의 응답 시간을 목표로 한다.
   2. 실시간 음성 에이전트에는 빠른 검색이 중요하다.
   3. 반대로 복잡한 질의는 수 초가 아니라 수 분이 걸리더라도 더 높은 품질의 결과를 요구할 수 있다.
   4. 고객은 속도와 품질 사이에서 자신의 에이전트에 맞는 지점을 선택한다.

5.2. 토큰 효율화와 구조화 출력

1. 토큰 추출(token extraction)

   1. LLM은 검색 결과 전체가 아니라 답변에 필요한 정보만 필요로 한다.
   2. Exa는 여러 문서에서 가장 중요한 토큰만 추려 downstream LLM에 전달할 수 있다.
   3. 예를 들어 10개 문서의 전체 본문 대신 각 문서에서 핵심적인 약 100개의 토큰을 제공할 수 있다.
   4. 컨텍스트 사용량과 후속 LLM 비용을 줄이면서 검색 루프를 유지한다.

2. 구조화된 결과

   1. 채용 에이전트가 대형 연구소를 떠난 엔지니어를 찾는다고 가정한다.
   2. 각 인물의 가장 많이 인용된 논문, 출신 대학, 졸업 연도 같은 필드를 직접 요청할 수 있다.
   3. 에이전트가 비정형 스니펫을 다시 파싱하는 부담을 줄이고, 바로 데이터베이스나 다음 작업에 연결할 수 있다.

5.3. 고객마다 다른 5,000개의 검색 엔진

1. 완벽한 검색은 하나의 고정된 정의가 아니다

   1. 어떤 고객은 200밀리초의 속도를 최우선으로 둔다.
   2. 어떤 고객은 결과를 얻는 데 몇 분이 걸려도 최고의 품질을 원한다.
   3. 어떤 고객은 1,000개 도메인만 검색하거나 특정 도메인은 영구적으로 제외한다.
   4. 특정 시간 범위만 검색하거나 제품 페이지를 제거하는 조건도 설정할 수 있다.

2. 고객별 최적화

   1. Exa는 ‘무엇이 완벽한 검색인가’를 대신 선언하지 않는다.
   2. 고객이 원하는 목적 함수와 제약 조건을 정의하면 검색 파이프라인을 그에 맞게 조정한다.
   3. 그래서 5,000명의 고객에게 5,000개의 검색 엔진을 제공한다는 표현이 나온다.

6. 공개 웹을 넘어선 에이전트 데이터 마켓플레이스

에이전트는 정보가 공개 웹에 있는지 비공개 데이터 소스에 있는지보다, 답을 만드는 데 필요한 진실한 정보인지에 관심을 둔다.

6.1. 외부 데이터 제공자와 Exa의 연결

1. 모든 정보의 검색

   1. 목표는 웹에 공개된 정보만 모으는 것이 아니라 세계의 모든 유용한 정보에 접근하는 것이다.
   2. 데이터 제공자는 자신의 가치 있는 데이터를 Exa와 연결할 수 있다.
   3. 개발자는 자신의 에이전트가 해당 데이터에 접근하도록 선택할 수 있다.

2. 새로운 데이터 경제

   1. 데이터 제공자는 자신의 콘텐츠 가치에 따라 가격을 정한다.
   2. 개발자는 필요한 데이터에 비용을 지불하고 에이전트에 사용한다.
   3. Exa는 데이터 공급자와 에이전트 개발자를 연결하는 시장을 만들려 한다.
   4. 공개 웹 데이터와 Similarweb 같은 비공개 데이터 소스를 결합해 기업의 월간 방문자 수처럼 웹만으로는 얻기 어려운 결과를 만들 수 있다.

6.2. 개방형 데이터 시장의 의미

1. 가치 발견

   1. 어떤 데이터가 얼마만큼 가치 있는지는 공급자와 사용자의 실제 수요가 결정한다.
   2. 고품질 데이터는 에이전트가 정확한 결론을 내리는 데 직접 기여하므로 새로운 수익원이 될 수 있다.

2. 정보 접근의 확장

   1. 가치 있는 데이터가 특정 조직 내부에 갇히지 않고 검색 인프라를 통해 호출 가능해진다.
   2. 에이전트는 여러 출처를 교차 검증하고, 공개 데이터와 상업 데이터를 함께 사용해 더 정확한 답을 만들 수 있다.

7. 미래 목표: 1년의 연구를 1초에 제공하기

완벽한 정보는 모든 질의를 즉시 단순화하는 것이 아니라, 복잡한 조사 전체를 에이전트가 수행하고 결과를 압축해 돌려주는 상태다.

7.1. 완벽한 정보의 감각

1. 질의 복잡도와 무관한 성공

   1. 사람, 기업, 뉴스 등 무엇을 찾더라도 질의가 복잡하다는 이유로 실패하지 않아야 한다.
   2. 검색 결과는 단순한 관련 링크가 아니라 질문의 조건에 맞는 근거 있는 정보 집합이어야 한다.

2. 1년의 연구를 1초에

   1. 2026년 한 해를 특정 주제 조사에 쏟았다고 가정한다.
   2. 완벽한 정보 검색은 그 1년치 조사 결과에 가까운 이해를 1초 안에 제공해야 한다.
   3. 이 작업이 모든 AI 에이전트의 모든 검색에서 반복되어야 한다.

7.2. 2027년의 야심과 정보 인프라

1. 급격한 연구·제품 진전

   1. Exa는 한두 분기마다 지난 5년 동안의 진전과 맞먹는 성과를 내는 수준의 지수적 성장을 목표로 한다.
   2. 검색 품질, 속도, 토큰 효율, 데이터 범위를 동시에 개선해야 한다.

2. 2027년의 사회적 목표

   1. 모든 사람이 자신이 사는 세계에서 무슨 일이 일어나는지 깊이 이해하는 상태를 지향한다.
   2. 2028년 미국 대통령 선거를 앞두고 거의 완벽한 정보에 모두가 접근할 수 있다면, 시민이 더 잘 informed된 상태로 판단할 수 있다.
   3. 정보 인프라는 기술 제품을 넘어 사회가 집단적으로 조정하고 결정하는 기반이 된다.

8. 검색량 폭발이 사회에 미치는 영향

AI 에이전트의 검색이 모든 소프트웨어 상호작용의 바탕이 되면, 검색 품질은 곧 사회의 판단 품질이 된다.

8.1. 모든 상호작용이 검색에 근거한다

1. 에이전트의 일상화

   1. 모든 사람이 AI 비서를 사용하게 되면 개인별 상호작용마다 검색이 발생한다.
   2. 사용하는 소프트웨어 제품마다 AI 기능이 포함되면 소프트웨어 내부의 작업도 검색으로 사실을 확인한다.
   3. 인간이 하루 몇 번 검색하는 현재의 기준으로는 미래의 검색량을 표현할 수 없다.

2. 검색 그래프의 한계

   1. AI 검색량이 인간보다 1,000배 많아지면 기존 그래프의 상단으로도 표현하기 어렵다.
   2. 검색 시스템은 규모뿐 아니라 정확도와 지연 시간을 함께 감당해야 한다.
   3. 수많은 검색이 거의 완벽한 사실에 근거한다면 사회가 정보를 소비하고 결정을 내리는 방식 자체가 달라진다.

8.2. 기술보다 중요한 조정 능력

1. 미래가 제한되는 이유

   1. 기술은 빠르게 발전하지만, 사회의 미래는 사람들이 합리적인 방향으로 협력하고 조정할 수 있는지에 달려 있다.
   2. 샌프란시스코처럼 놀라운 기술과 어리석은 사회적 선택이 동시에 존재하는 상황은 기술 부족보다 조정 부족을 보여준다.

2. 정보와 조정의 연결

   1. 사람은 자신이 소비하는 정보에 따라 무엇이 사실이고 중요한지 판단한다.
   2. 정보가 불완전하면 개인과 집단이 서로 다른 현실을 믿게 된다.
   3. 더 정확한 정보 인프라는 공동의 판단 기준을 만들고, 사회가 sensible한 선택을 함께 실행할 가능성을 높인다.

주요 발언 모음

“AI 시스템의 검색량이 인간의 검색량을 넘어설 것이다.”

“AI 시스템은 인간보다 1,000배 더 많이 검색하게 될 것이다.”

“Exa는 AI 에이전트를 위한 검색 엔진이다.”

“우리가 피하려는 것은 잘못된 정보의 무정부 상태다.”

“완벽한 정보는 어떤 정보 질의든, 아무리 복잡해도 작동하는 것이다.”

“1년 동안 조사한 결과를 1초 만에 얻는다고 생각해 보라.”

“우리는 하나의 검색 엔진을 만드는 것이 아니다. 고객 5,000명 각각을 위한 5,000개의 검색 엔진을 만든다.”

핵심 데이터 & 수치

• AI 검색량: 2026년 AI 시스템의 검색량이 인간의 검색량을 넘어설 것으로 전망된다.
• 중기 검색량: 몇 년 뒤 AI 시스템이 인간보다 약 1,000배 더 많이 검색할 수 있다.
• 웹 규모: 웹에는 약 1조 개 페이지가 있다.
• Exa 고객: 5,000개 이상의 기업과 40만 명 이상의 개발자가 사용한다.
• 검색 지연 시간: 빠른 검색 API의 응답 시간은 약 200밀리초다.
• 토큰 절약: 여러 문서 전체 대신 문서별 핵심 토큰만 추출해 downstream LLM 비용을 줄인다.
• 초기 계산 비용: 모든 문서와 질의를 신경망으로 비교하는 이상적 검색은 검색 1회에 약 1,000만 달러가 들 수 있었다.
• 데이터 마켓: 공개 웹 정보와 Similarweb 같은 비공개 데이터 소스를 결합할 수 있다.

결론 및 시사점

1. 검색을 인간용 UI가 아니라 에이전트용 인프라로 재정의해야 한다: AI 에이전트는 긴 질의를 만들고, 결과를 읽고, 다음 질의를 다시 만드는 반복 루프를 수행한다.
2. 검색 품질은 AI 모델 품질만큼 중요하다: 모델이 아무리 강력해도 컨텍스트에 어떤 문서를 넣느냐가 틀리면 최종 답변도 틀린다.
3. 키워드와 의미 검색은 경쟁 관계가 아니다: 정확한 문자열에는 키워드가, 복합 의미에는 임베딩이 강하므로 둘을 결합해야 한다.
4. 에이전트별 목적 함수가 필요하다: 속도, 깊이, 도메인 범위, 기간, 출력 형식이 고객마다 다르므로 검색 파이프라인도 맞춤화되어야 한다.
5. 토큰 효율은 제품 기능이 아니라 경제성의 핵심이다: 필요한 정보만 추출하면 LLM의 컨텍스트 비용과 지연 시간을 함께 줄일 수 있다.
6. 공개 웹만으로는 완벽한 정보에 도달할 수 없다: 고품질 비공개 데이터 제공자와 에이전트 개발자를 연결하는 데이터 시장이 필요하다.
7. 정보 인프라는 사회적 조정 인프라다: 정확한 정보를 빠르게 얻을 수 있어야 개인과 사회가 조작을 덜 받고 공동의 결정을 더 잘 내릴 수 있다.
8. AI 시대의 핵심 경쟁은 검색량을 감당하는 능력이다: 모든 소프트웨어 상호작용이 검색을 호출하는 시대에는 정확도·속도·범위·비용을 동시에 만족시키는 검색 계층이 필수다.