Im Zeitalter der Agenten, warum fangen manche Leute an, Google neu aufzubauen?

Ist es notwendig, eine Suchmaschine von Grund auf neu zu erfinden, wenn Google fast das gesamte offene Internet indexiert hat?

Die Antwort von Andrey Styskin, ehemaliger Leiter der Such-, KI- und Cloud-Geschäfte bei Yandex, lautet: Ja. Nur diesmal sind die wichtigsten Nutzer der Suchmaschine möglicherweise nicht mehr Menschen.

Kürzlich trat ein Startup namens Keenable offiziell aus dem Stealth-Modus hervor und gab gleichzeitig den Abschluss einer Seed-Finanzierungsrunde über 26 Millionen US-Dollar unter der Leitung von Accel bekannt. Styskin ist Mitbegründer und CEO des Unternehmens. Nach fast zwanzigjähriger Tätigkeit bei Yandex wechselte er zu Amazon AGI, wo er für die Web-Infrastruktur verantwortlich war. Der andere Mitbegründer Matthias Petri stammt ebenfalls von Amazon AGI und war zuvor am Aufbau der Web-Grounding-Infrastruktur hinter Alexa beteiligt.

Dies ist ein Team, das nur aus etwa 15 Ingenieuren besteht, aber eine sehr „schwere“ Aufgabe verfolgt: Das Internet erneut zu durchsuchen, einen eigenen Web-Index aufzubauen und diesen zu einer Suchinfrastruktur zu machen, die speziell für KI-Agenten dient.

Laut Angaben auf der offiziellen Website von Keenable deckt sein Index bereits mehr als 100 Milliarden Dokumente ab, die Abfrage-Latenz im Osten der USA liegt unter 250 ms (p95); für Großkunden mit über 100 RPS kann der Preis auf bis zu 1 US-Dollar pro tausend Anfragen gesenkt werden. Bemerkenswerterweise behauptet das Unternehmen außerdem, dass seine API bereits in die Produktionsumgebungen mehrerer KI-Labore und Inferenzdienstanbieter integriert wurde und sowohl für das Modelltraining als auch für die Laufzeitabfrage verwendet wird, ohne jedoch konkrete Kundennamen offenzulegen.

Styskin hat sich ein ziemlich ehrgeiziges Ziel gesetzt: das „nächste Google“ im Zeitalter der KI-Agenten zu werden.

Agenten durchsuchen das Internet auf eine andere Weise

Keenable unterscheidet sich von den heute weit verbreiteten KI-Suchprodukten. Es will kein weiteres KI-Suchfeld für normale Nutzer entwickeln und auch nicht einfach eine große Modellschicht über die Google- oder Bing-Such-API legen. Keenable entwickelt Crawl, Index, Retrieval und Ranking von Grund auf neu und stellt die Suchfähigkeit den Agenten über REST API, MCP Server und CLI zur Verfügung. Das Unternehmen erklärt offen, dass die derzeit von Agenten verwendeten Web-Zugriffstools „für Menschen optimiert“ sind, und es hofft, dass der Zugriff von Agenten auf Web-Wissen so günstig wird, dass er fast dem Aufruf des eigenen Wissens des Modells entspricht – sodass keine „Zurückhaltung bei der Suche“ mehr aufgrund von Kosten und Latenz besteht.

Das ist auch der Grund, warum ein gerade aus dem Stealth-Modus hervorgegangenes Startup bereit ist, die extrem kostspielige Aufgabe der erneuten Indexierung des gesamten Internets zu übernehmen.

Styskin erklärte in einem Interview mit TechCrunch, dass die Kosten für einen Dienst, der das gesamte Internet durchsucht, sehr hoch sind – wenn die Indexstruktur nicht für bestimmte Aufgaben optimiert ist, geraten die Kosten schnell außer Kontrolle. Echte technische Herausforderung besteht darin, den Suchraum für eine einzelne Abfrage schnell genug einzugrenzen. Er beschrieb die Kosten für den Aufbau eines riesigen Web-Index sogar als „schmerzhaft teuer“.

Hinter dieser teuren Investition verbirgt sich jedoch eine grundlegendere Veränderung als die „Suchqualität“: Menschen und Agenten nutzen das Internet auf völlig unterschiedliche Weise.

In den letzten zwei Jahrzehnten verlief die typische Kette einer Suchmaschine wie folgt:

Mensch gibt Abfrage ein → Suchmaschine gibt Ergebnis-Seite zurück → Nutzer durchsucht Links → Klickt → Liest die Webseite.

Daher wurde die traditionelle Suche lange Zeit auf das menschliche Verhalten optimiert: Welches Ergebnis verdient den vordersten Platz, auf was klickt der Nutzer mit höherer Wahrscheinlichkeit und ob er nach dem Finden der Antwort weiter sucht.

Der Arbeitsablauf von Agenten kann sich dagegen zu Folgendem wandeln:

Aufgabe empfangen → Suchen → Abrufen → Lesen → Informationslücke erkennen → Abfrage anpassen → Erneut suchen → Kreuzvalidierung durchführen → Finale Aktion ausführen.

Ein Forschungsagent kann Dutzende von Suchen nacheinander ausführen, um eine komplexe Frage zu beantworten; ein Programmieragent muss ständig nach aktuellen Dokumenten, Issues, GitHub-Repositories und Changelogs suchen; ein Vertriebsagent kann zur Beurteilung, ob ein Kunde verfolgt werden soll, gleichzeitig die offizielle Website des Unternehmens, Finanzierungsnachrichten, Stellenangebote und Neuigkeiten zu Führungskräften abfragen. Für diese Agenten ist die „Suche“ nicht mehr eine Aktion, die der Nutzer durch einen einzigen Klick auf einen Button auslöst, sondern ein Schritt im Aufgabenausführungszyklus.

Das bedeutet auch, dass Agenten nicht wie Menschen mit „zehn blauen Links“ konfrontiert werden müssen. Was sie wirklich brauchen, ist ein Kontext, der vollständig genug, aktuell genug und aus vertrauenswürdigen Quellen stammt, gleichzeitig aber so kompakt wie möglich ist, um die weitere Inferenz des Modells zu erleichtern.

Styskin ist daher der Ansicht, dass Agenten einen anderen Feedback-Kreislauf bilden werden als der, den Google aus dem menschlichen Klickverhalten gelernt hat. Die traditionelle Suche konzentriert sich auf Klicks, Rangfolge und Nutzerzufriedenheit, während die Agentensuche zunehmend auf Recall, Freshness, Latency, QPS, Maschinenlesbarkeit, Token-Effizienz, Provenance und die Gesamtkosten für die Erledigung einer Aufgabe achten wird.

Mit anderen Worten: Früher optimierte die Suchmaschine darauf, „Menschen beim Finden von Webseiten zu helfen“; die Agentensuche löst ein Problem, das näher daran liegt, „Informationen zu möglichst geringen Kosten zu finden, die zur Erledigung einer Aufgabe ausreichen“.

Keenable ist nicht das erste Unternehmen, das dieses Geschäftspotenzial erkannt hat

Der direkteste Konkurrent von Keenable, Exa, verfügt bereits über einen unabhängigen Web-Index gleicher Größenordnung. Laut offiziellen Daten von Exa deckt seine Vektordatenbank derzeit 100 Milliarden Dokumente ab, verfolgt etwa 1,4 Billionen URLs und durchsucht täglich mehrere Milliarden Dokumente – die Plattform hat bereits über 500.000 Entwickler. Cursor, AWS, Groq und weitere Unternehmen stehen auf seiner Kundenliste. Walden Yan, Mitbegründer von Cognition (dem Unternehmen hinter Devin), hat öffentlich erklärt, dass traditionelle Suchlösungen die Anforderungen nicht erfüllen und Exa bereits in mehreren Komponenten von Devin eingesetzt wird.

Diesen Mai schloss Exa eine C-Finanzierungsrunde über 250 Millionen US-Dollar ab, mit einer Bewertung von 2,2 Milliarden US-Dollar. Das Unternehmen prognostiziert sogar, dass die Anzahl der von KI-Agenten initiierten Websuchen in diesem Jahr die der menschlichen Suchen übertreffen wird, und geht davon aus, dass das Suchvolumen, das von großen Sprachmodellen erzeugt wird, in den nächsten Jahren das Tausendfache des heutigen Suchvolumens von Google erreichen könnte. Letztere Zahl ist offensichtlich eine vorausschauende Einschätzung des Unternehmens, aber das Kapital setzt bereits auf diese Möglichkeit.

Das Produkt von Exa geht längst über die Such-API hinaus. Es deckt bereits Suchen, Inhalte, Tiefensuchen, Agenten und Monitore ab: Es kann nicht nur Suchvorgänge mit niedriger Latenz von etwa 200 ms durchführen, sondern auch mehrstufige Agenten für tiefgreifende Recherchen starten. Sein Inhaltsdienst extrahiert zudem aufgabenrelevante Inhalte von Webseiten und liefert sogenannte token-effiziente Highlights, statt das gesamte Webseiteninhalt ungeordnet an das Modell zu übergeben.

Das wirft eine sehr praktische Frage für das gerade aus dem Stealth-Modus hervorgegangene Keenable auf: Wenn Exa bereits einen 100-Milliarden-Dokumente umfassenden Index, eindeutige Kunden und eine vollständigere Produktmatrix hat, warum lohnt es sich dann, das Internet noch einmal zu indexieren?

Derzeit unterscheiden sich die öffentlich sichtbaren Schwerpunkte der beiden Unternehmen. Exa hat sich von der grundlegenden Suche in Richtung Forschung, Agenten und strukturierte Datendienste weiterentwickelt; Keenable betont dagegen stärker seine Position als grundlegende Suchinfrastruktur für KI-Labore und Inferenzplattformen und stellt niedrige Latenz, hohe QPS und skalierbare Aufrufkosten in den Mittelpunkt. Der Preis von Keenable für normale Entwickler liegt bei 4 US-Dollar pro tausend Anfragen, die dedizierte Kapazität für über 100 RPS kann auf 1 US-Dollar gesenkt werden; der aktuell öffentliche Grundpreis der Such-API von Exa beträgt 7 US-Dollar pro tausend Anfragen. Da die Anzahl der Ergebnisse, die Inhaltsverarbeitung und die Servicelevel der beiden Unternehmen nicht vollständig identisch sind, lassen sich diese Zahlen nicht einfach in Faktoren für „um ein Vielfaches günstiger“ umrechnen – aber sie verdeutlichen: Wenn die Suche in den Hochfrequenz-Aufrufzyklus von Agenten eintritt, werden die Kosten pro einzelnem Aufruf selbst zu einem Wettbewerbsindikator.

Auch im Inland ist bereits eine ähnliche Konkurrenz entstanden.

Bocha AI bietet Websuche und KI-Suche für KI-Anwendungen an, deren Suchergebnisse direkt über Methoden wie Function Call oder MCP an Agenten übergeben werden können; Xinliu · Suche positioniert sich noch direkter als „Verknüpfung von Agenten mit der realen Welt“ und bietet Websuche, Web-Abruf und Bildsuche an, unterstützt MCP, Skills, OpenClaw, Claude Code, LangChain und AutoGPT. Letzteres stellt sogar „extrem sparsam mit Tokens“ auf der Produktstartseite heraus: Zuerst werden Werbung und redundante Inhalte von Webseiten gefiltert, dann werden die neu sortierten verdichteten Ausschnitte an das Modell übergeben.

Große Technologiekonzerne bauen ebenfalls ihre ursprünglichen Suchfähigkeiten um. Die vernetzte Such-API von Tencent Cloud basiert auf öffentlichen Internetressourcen und dem Tencent-Inhaltsökosystem, ist von der Datenerfassung über das Abrufen bis zur Feinrangfolge auf große Modelle neu ausgelegt, bietet Aktualisierungen im Minutentakt und Ergebnisse in weniger als 300 ms. Am 24. August hat Tencent zudem eine MCP für die vernetzte Suche speziell für Agenten eingeführt. Auch Alibaba Cloud OpenSearch bietet bereits eine unabhängige vernetzte Such-API, die es großen Sprachmodellen ermöglicht, Abfragen neu zu schreiben, Suchergebnisse zu filtern und zwischen der Rückgabe von Zusammenfassungen oder Textteilen mit bis zu 300 Zeichen Länge zu wählen.

Die Ausgangspunkte dieser Produktkategorien sind unterschiedlich: Exa und Keenable wollen die Kontrolle über Crawl, Index und Retrieval übernehmen; Bocha und Xinliu kämpfen direkter um die Agenten-Such-API und verarbeiteten Kontext; Tencent und Alibaba verfügen über frühere Sucherfahrungen, Inhaltsökosysteme und Zugänge zu Cloud-Plattformen.

Aber sie alle kämpfen um dieselbe Position: Wer wird die Standardschnittstelle für Agenten, um auf das Internet zuzugreifen?

Die Agentensuche könnte die nächste riesige Rechnung mit sich bringen

Der Grund, warum die Agentensuche zu einer eigenständigen Infrastrukturebene werden könnte, liegt auch an einem sehr praktischen Faktor: Agenten suchen zu intensiv.

Ein traditioneller Nutzer erzeugt bei einer einzelnen Suchaktion möglicherweise nur wenige Abfragen, aber ein Agent kann zur Erledigung einer komplexen Aufgabe Dutzende oder sogar Hunderte Male suchen. Angenommen, eine Aufgabe ruft 100 Mal die Websuche auf – nach dem Preis von Keenable für normale Entwickler von 4 US-Dollar pro tausend Anfragen betragen die Kosten nur für Suchanfragen bereits 0,4 US-Dollar; nach dem aktuellen Grundpreis von Exa von 7 US-Dollar pro tausend Anfragen sind es 0,7 US-Dollar. Im echten Produktionsbetrieb kommen zudem Kosten für das Abrufen von Inhalten, die Webseitenverarbeitung, Kontext des Modells und Inferenz-Tokens hinzu.

Daher könnte sich die tatsächlich relevante Berechnungseinheit im Zeitalter der Agenten von cost per search zu search cost per completed task wandeln.

Die Abrechnungsstruktur von Alibaba Cloud OpenSearch verdeutlicht dies sehr anschaulich. Bei einer einzelnen vernetzten Suche kann neben dem Suchaufruf auch ein großes Modell zur Abfrage-Umformung ausgelöst werden; das Filtern der Ergebnisse verbraucht ebenfalls Modell-Tokens. Die API-Rückgabefelder erfassen sogar separat die Eingabe- und Ausgabe-Tokens des Umformungsmodells und des Filtermodells. Eine scheinbar einfache „vernetzte Suche“ besteht im Hintergrund bereits aus einer Kette von Berechnungen: Abfrage verstehen → Umformulieren → Abrufen → Filtern → Kontext aufbereiten.

Das ist auch der Grund, warum immer mehr Agenten-Suchprodukte die Token-Effizienz betonen.

Was ein Agent wirklich braucht, ist normalerweise nicht der vollständige Text einer 5000-Wörter-Webseite, sondern nur die Abschnitte daraus, die die weitere Inferenz der aktuellen Aufgabe unterstützen. Wenn die Suchebene zuerst Werbung, Navigationsmodule, Empfehlungsmodule und irrelevante Abschnitte entfernen und nur die relevantesten Passagen in den Kontext übergeben kann, spart das nicht nur Suchkosten, sondern senkt zudem die Eingabe-Token und Inferenzkosten des nachfolgenden Modells.

So entsteht eine neue Kostenkette:

Suchqualität → Kontextqualität → Token-Verbrauch → Agent-Kosten.

Suchinfrastruktur und Modellinfrastruktur tauchen nun auf derselben Rechnung auf.

Aber die Kosten sind nur die erste Ebene der Veränderung durch die Agentensuche. Tiefergehend ist, dass das, was Agenten letztendlich brauchen, möglicherweise nicht mehr die „Suche“ im traditionellen Sinne ist.

Nehmen wir als Beispiel eine Aufgabe für Agenten:

„Finde europäische KI-Unternehmen, die in den letzten sechs Monaten eine A-Runden-Finanzierung abgeschlossen haben, deren Gründer von Google stammen und gleichzeitig Inferenz-Ingenieure einstellen.“

Es ist sehr unwahrscheinlich, dass es im Internet eine einzelne Webseite gibt, die die vollständige Antwort direkt liefert. Finanzierungsinformationen stehen möglicherweise in Nachrichten, Lebensläufe von Gründern auf der Unternehmenswebsite oder bei LinkedIn und Stellenangebote auf der Karriereseite. Der Agent muss selbst Suchen → Abrufen → Zusammenführen → Filtern → Überprüfen durchführen.

Das ist auch der bemerkenswerteste Punkt der noch in Entwicklung befindlichen WebQueryLanguage von Keenable. Styskin enthüllte in dem Interview, dass er KI-Systeme in die Lage versetzen will, mehrere Web-Quellen zu kombinieren, um Fragen zu beantworten, auf die keine einzelne Seite eine vollständige Antwort geben kann. Dieses Produkt wurde noch nicht offiziell veröffentlicht, und es gibt keine ausreichenden technischen Details, um zu beweisen, dass es bereits Fähigkeiten wie der Query-Planer von Datenbanken besitzt – aber die Richtung ist klar: Suchsysteme versuchen, das offene Web von einer „Sammlung von Webseiten“ zu einem maschinell abfragbaren Datensatz zu wandeln.

Die Suche kann sich dadurch von Dokumenten finden weiter zu das Web abfragen entwickeln.

Wenn dieser Weg erfolgreich ist, könnte das Endziel der Agentensuche nicht ein „intelligenterer Google-API“ sein, sondern eher eine Art SQL für das offene Web: Agenten müssen sich nicht mehr darum kümmern, welche Webseite auf Platz eins steht, sondern geben die Frage ein, die sie wirklich lösen wollen – das zugrundeliegende System findet Entitäten aus verschiedenen Quellen, komb