Building Search for AI Agents with Exa CEO Will Bryk

Summary & Insights

Could a perfect search engine actually reduce political polarization or cure loneliness? Will Brick, co-founder and CEO of Exa, argues that many of society’s deepest frictions are actually search problems in disguise. He suggests that when people are fed misleading or incomplete information, reasonable people become unreasonable. If a search tool could provide truly comprehensive, accurate, and controllable knowledge, it would not only revolutionize business intelligence but could potentially stabilize the human information environment.

Exa is building this future by recognizing that AI agents search fundamentally differently than humans. While Google is optimized for “human clicks” and quick consumer answers, agents require deep context, massive result sets (thousands of links rather than ten), and high controllability. By leveraging Transformers and neural systems from the ground up, Exa has bypassed the need for the decades of human click data that Google relies on, allowing a small, lean team to build a retrieval system that outperforms incumbents in complex, high-stakes use cases like biotech investing and automated coding.

The conversation also explores the “tokenpocalypse,” where the skyrocketing cost of LLM tokens is becoming a critical bottleneck for enterprises. Brick proposes that high-quality retrieval is the primary solution: by using Exa to feed only the most relevant data into smaller, more efficient models, companies can achieve the performance of a massive model at a fraction of the cost. This shift toward “intelligent processing” rather than “weight-heavy knowledge” suggests a future where the world’s software is powered by a massive, invisible infrastructure of agentic search.

Surprising Insights

Search vs. Intelligence: Much of what is currently viewed as an “intelligence” problem in AI is actually a search (retrieval) problem. Increasing search quality often provides more value than increasing the raw size of the LLM.
The “Sloth” Analogy: Humans search like sloths compared to AI agents. Agents have a perceived “infinite” capacity for processing and require an entirely different architectural approach to search—prioritizing comprehensiveness over a curated “top 10” list.
Click Data Irrelevance: The massive moat of human click data that Google has spent decades building is largely irrelevant for AI agents, which don’t “click” or behave based on popular consumer trends.
The Scale of Agentic Search: Agentic search could potentially become a larger market than Google Ads by 2030, as the volume of searches shifts from a few per human per day to millions per agent.

Practical Takeaways

Optimize for Small Models: To combat high token costs (the “tokenpocalypse”), pair small, specialized LLMs with high-quality retrieval tools. This allows a 1B parameter model to perform like a much larger one.
Prioritize “The Fire in the Eye”: When hiring in an agentic era, prioritize passion and “agentic” behavior over specific pedigrees, as AI tools now fill the technical gaps, making raw drive the primary differentiator.
Avoid Benchmark Maxing: Do not rely on standard third-party retrieval benchmarks, as they are often “maxed” and don’t reflect real-world agentic needs. Instead, implement rigorous A/B testing and custom internal evals.
Focus on “Memetic” Missions: When leading a team, frame technical goals as inspiring, memetic missions (e.g., “making humanity interplanetary”) to maintain high alignment and motivation across the organization.

Liệu một công cụ tìm kiếm hoàn hảo có thực sự làm giảm phân hóa chính trị hay chữa trị được sự cô đơn? Will Brick, đồng sáng lập và CEO của Exa, lập luận rằng nhiều mâu thuẫn sâu sắc nhất trong xã hội thực chất là những vấn đề về tìm kiếm được ngụy trang. Ông cho rằng khi con người tiếp nhận những thông tin sai lệch hoặc thiếu sót, những người vốn lý trí sẽ trở nên bất hợp lý. Nếu một công cụ tìm kiếm có thể cung cấp kiến thức thực sự toàn diện, chính xác và có thể kiểm soát, nó không chỉ cách mạng hóa trí tuệ doanh nghiệp mà còn có tiềm năng ổn định môi trường thông tin của nhân loại.

Exa đang xây dựng tương lai này bằng cách nhận ra rằng các tác nhân AI (AI agents) tìm kiếm theo cách cơ bản khác với con người. Trong khi Google được tối ưu hóa cho “những cú nhấp chuột của con người” và các câu trả lời nhanh cho người tiêu dùng, thì các tác nhân AI yêu cầu ngữ cảnh sâu, tập kết quả khổng lồ (hàng nghìn liên kết thay vì mười) và khả năng kiểm soát cao. Bằng cách tận dụng Transformers và các hệ thống thần kinh ngay từ đầu, Exa đã bỏ qua nhu cầu về dữ liệu nhấp chuột của con người tích lũy trong nhiều thập kỷ mà Google dựa vào, cho phép một đội ngũ nhỏ, tinh gọn xây dựng một hệ thống truy xuất vượt trội hơn các đối thủ hiện nay trong những trường hợp sử dụng phức tạp và có rủi ro cao như đầu tư công nghệ sinh học và lập trình tự động.

Cuộc hội thoại cũng khám phá khái niệm “thảm họa token” (tokenpocalypse), nơi chi phí tăng vọt của các token LLM đang trở thành nút thắt nghiêm trọng đối với các doanh nghiệp. Brick đề xuất rằng truy xuất chất lượng cao là giải pháp chính: bằng cách sử dụng Exa để chỉ cung cấp những dữ liệu phù hợp nhất vào các mô hình nhỏ hơn, hiệu quả hơn, các công ty có thể đạt được hiệu suất của một mô hình khổng lồ với chi phí chỉ bằng một phần nhỏ. Sự chuyển dịch hướng tới “xử lý thông minh” thay vì “kiến thức nặng về trọng số” gợi mở một tương lai nơi phần mềm của thế giới được vận hành bởi một cơ sở hạ tầng tìm kiếm tự trị khổng lồ và vô hình.

Những góc nhìn bất ngờ

Tìm kiếm với Trí tuệ: Nhiều điều hiện được coi là vấn đề về “trí tuệ” trong AI thực chất là vấn đề về tìm kiếm (truy xuất). Việc tăng chất lượng tìm kiếm thường mang lại nhiều giá trị hơn là tăng kích thước thô của mô hình LLM.

Phép ẩn dụ về “Con lười”: Con người tìm kiếm chậm chạp như những con lười so với các tác nhân AI. Các tác nhân AI có khả năng xử lý “vô hạn” và yêu cầu một hướng tiếp cận kiến trúc tìm kiếm hoàn toàn khác—ưu tiên tính toàn diện hơn là một danh sách “top 10” được chọn lọc.

Sự không tương thích của dữ liệu nhấp chuột: “Hào” dữ liệu khổng lồ về những cú nhấp chuột của con người mà Google mất nhiều thập kỷ xây dựng phần lớn là không còn phù hợp với các tác nhân AI, vì chúng không “nhấp chuột” hay hành xử dựa trên các xu hướng tiêu dùng phổ biến.

Quy mô của Tìm kiếm Tự trị: Tìm kiếm tự trị có tiềm năng trở thành một thị trường lớn hơn cả Google Ads vào năm 2030, khi khối lượng tìm kiếm chuyển từ vài lần mỗi người một ngày sang hàng triệu lần mỗi tác nhân AI.

Bài học thực tiễn

Tối ưu hóa cho các Mô hình Nhỏ: Để đối phó với chi phí token cao (“thảm họa token”), hãy kết hợp các LLM chuyên biệt kích thước nhỏ với các công cụ truy xuất chất lượng cao. Điều này cho phép một mô hình 1 tỷ tham số hoạt động hiệu quả như một mô hình lớn hơn nhiều.

Ưu tiên “Ngọn lửa trong ánh mắt”: Khi tuyển dụng trong kỷ nguyên AI tự trị, hãy ưu tiên đam mê và hành vi “tự chủ” (agentic) hơn là bằng cấp cụ thể, vì các công cụ AI hiện nay đã khỏa lấp các khoảng trống kỹ thuật, khiến cho động lực tự thân trở thành yếu tố phân loại chính.

Tránh chạy theo điểm Benchmark: Đừng quá phụ thuộc vào các bài kiểm tra truy xuất chuẩn của bên thứ ba, vì chúng thường đã bị “max” điểm và không phản ánh đúng nhu cầu tự trị trong thế giới thực. Thay vào đó, hãy triển khai thử nghiệm A/B nghiêm ngặt và đánh giá nội bộ tùy chỉnh.

Tập trung vào sứ mệnh “Lan truyền”: Khi lãnh đạo một đội ngũ, hãy định khung các mục tiêu kỹ thuật như những sứ mệnh truyền cảm hứng, có tính lan truyền (ví dụ: “đưa nhân loại trở thành loài đa hành tinh”) để duy trì sự đồng thuận và động lực cao trong toàn tổ chức.

一個完美的搜尋引擎是否真的能減少政治極端化或治癒孤獨？Exa 的共同創辦人兼執行長 Will Brick 認為，社會中許多最深層的摩擦，實際上是偽裝成社交問題的「搜尋問題」。他指出，當人們接收到誤導性或不完整的信息時，理性的個體也會變得不理性。如果搜尋工具能提供真正全面、準確且可控的知識，它不僅將徹底改變商業智能，還有可能穩定人類的信息環境。

Exa 正透過認識到 AI Agent（AI 代理）與人類的搜尋方式有根本的不同，來構建這個未來。Google 針對的是「人類點擊」和快速的消費者答案進行優化，而 Agent 則需要深層的上下文、龐大的結果集（數千個連結而非十個）以及高度的可控性。透過從底層開始利用 Transformer 和神經系統，Exa 繞過了對 Google 所依賴的數十年人類點擊數據的需求，使一個精簡的小團隊能夠構建出一個在生物技術投資和自動化編碼等複雜、高風險應用場景中，性能優於既有巨頭的檢索系統。

對話中還探討了「Token 災難」（tokenpocalypse），即 LLM（大語言模型）Token 成本的飆升正成為企業的關鍵瓶頸。Brick 提出，高品質的檢索（Retrieval）是首要解決方案：透過使用 Exa 僅將最相關的數據輸入到較小且更高效的模型中，公司可以用極低的成本實現巨型模型的性能。這種從「權重密集型知識」向「智能處理」的轉移，預示了一個未來的景象：全球的軟體將由一個巨大的、不可見的 Agent 搜尋基礎設施所驅動。

驚人之見

搜尋 vs. 智能： 目前 AI 中許多被視為「智能」的問題，實際上是搜尋（檢索）問題。提高搜尋質量往往比增加 LLM 的原始規模更能提供價值。

「樹懶」類比： 與 AI Agent 相比，人類的搜尋方式就像樹懶一樣緩慢。Agent 具有感知上的「無限」處理能力，因此需要完全不同的搜尋架構方法——將「全面性」置於精選的「前 10 名」列表之上。

點擊數據的失效： Google 花數十年建立的巨大人類點擊數據護城河，對於 AI Agent 來說基本失效，因為 Agent 不會「點擊」，也不會根據大眾消費趨勢來行動。

Agent 搜尋的規模： 到 2030 年，Agent 搜尋可能會成為比 Google Ads 更大的市場，因為搜尋量將從每人每天幾次轉變為每個 Agent 每天數百萬次。

實踐啟示

為小模型優化： 為了對抗高昂的 Token 成本（Token 災難），請將小型專業化 LLM 與高品質檢索工具配對。這能讓一個 10 億參數的模型表現得像一個大得多的模型。

優先考量「眼神中的光」： 在 Agent 時代招聘時，優先考慮熱情和「主動代理」行為，而非特定的學歷背景，因為 AI 工具現在可以填補技術差距，使得原生的驅動力成為主要區分因素。

避免追求基準測試極值： 不要依賴標準的第三方檢索基準測試，因為這些測試往往已被「刷到極限」，不能反映現實世界中 Agent 的需求。相反，應實施嚴格的 A/B 測試和自定義內部評估。

專注於「模因化」使命： 在領導團隊時，將技術目標構思為能激發靈感且具備模因特質（memetic）的使命（例如：「讓人類成為跨行星物種」），以在整個組織中保持高度的一致性和動力。

Un moteur de recherche parfait pourrait-il réellement réduire la polarisation politique ou guérir la solitude ? Will Brick, cofondateur et PDG d’Exa, soutient que nombre des frictions les plus profondes de notre société sont, en réalité, des problèmes de recherche déguisés. Il suggère que lorsque les gens sont nourris d’informations trompeuses ou incomplètes, des personnes raisonnables deviennent déraisonnables. Si un outil de recherche pouvait fournir des connaissances véritablement exhaustives, précises et contrôlables, il ne révolutionnerait pas seulement l’informatique décisionnelle (business intelligence), mais pourrait potentiellement stabiliser l’environnement informationnel humain.

Exa bâtit cet avenir en reconnaissant que les agents d’IA effectuent des recherches de manière fondamentalement différente des humains. Alors que Google est optimisé pour les « clics humains » et les réponses rapides pour les consommateurs, les agents nécessitent un contexte profond, des ensembles de résultats massifs (des milliers de liens plutôt que dix) et une grande capacité de contrôle. En exploitant les Transformers et les systèmes neuronaux dès la conception, Exa a contourné le besoin des décennies de données de clics humains sur lesquelles Google s’appuie, permettant ainsi à une équipe restreinte et agile de construire un système de récupération qui surpasse les acteurs historiques dans des cas d’utilisation complexes et à enjeux élevés, comme l’investissement en biotechnologie et le codage automatisé.

La conversation explore également la « tokenpocalypse », où l’explosion du coût des tokens de LLM devient un goulot d’étranglement critique pour les entreprises. Brick propose que la récupération de haute qualité soit la solution principale : en utilisant Exa pour injecter uniquement les données les plus pertinentes dans des modèles plus petits et plus efficaces, les entreprises peuvent obtenir les performances d’un modèle massif pour une fraction du coût. Ce passage vers un « traitement intelligent » plutôt qu’une « connaissance basée sur le poids des paramètres » laisse présager un avenir où les logiciels du monde entier seront propulsés par une infrastructure invisible et massive de recherche agentique.

Perspectives surprenantes

Recherche vs Intelligence : Une grande partie de ce qui est actuellement perçu comme un problème d’« intelligence » dans l’IA est en réalité un problème de recherche (récupération). L’amélioration de la qualité de la recherche apporte souvent plus de valeur que l’augmentation de la taille brute du LLM.

L’analogie du « paresseux » : Comparé aux agents d’IA, l’humain effectue des recherches comme un paresseux. Les agents ont une capacité de traitement perçue comme « infinie » et nécessitent une approche architecturale de la recherche entièrement différente, privilégiant l’exhaustivité plutôt qu’une liste curated des « 10 meilleurs résultats ».

L’irrelevance des données de clics : Le fossé massif constitué par les données de clics humains que Google a mis des décennies à bâtir est largement hors sujet pour les agents d’IA, qui ne « cliquent » pas et ne se comportent pas en fonction des tendances populaires de consommation.

L’échelle de la recherche agentique : La recherche agentique pourrait potentiellement devenir un marché plus vaste que Google Ads d’ici 2030, car le volume de recherches passera de quelques-unes par humain et par jour à des millions par agent.

Enseignements pratiques

Optimiser pour les petits modèles : Pour combattre les coûts élevés des tokens (la « tokenpocalypse »), associez des LLM spécialisés de petite taille à des outils de récupération de haute qualité. Cela permet à un modèle de 1 milliard de paramètres de performer comme un modèle beaucoup plus vaste.

Prioriser « la flamme dans le regard » : Lors du recrutement à l’ère agentique, privilégiez la passion et le comportement « agentique » plutôt que les pedigrees spécifiques ; les outils d’IA comblant désormais les lacunes techniques, la détermination brute devient le principal facteur de différenciation.

Éviter le « benchmark maxing » : Ne vous fiez pas aux benchmarks de récupération standards tiers, car ils sont souvent « saturés » et ne reflètent pas les besoins agentiques du monde réel. Mettez plutôt en œuvre des tests A/B rigoureux et des évaluations internes personnalisées.

Se concentrer sur des missions « mémétiques » : Pour diriger une équipe, formulez les objectifs techniques comme des missions mémétiques inspirantes (ex: « rendre l’humanité interplanétaire ») afin de maintenir un alignement et une motivation élevés à travers l’organisation.

Könnte eine perfekte Suchmaschine tatsächlich die politische Polarisierung verringern oder Einsamkeit heilen? Will Brick, Mitgründer und CEO von Exa, argumentiert, dass viele der tiefsten gesellschaftlichen Spannungen in Wahrheit getarnte Suchprobleme sind. Er legt nahe, dass vernünftige Menschen unvernünftig werden, wenn sie mit irreführenden oder unvollständigen Informationen gefüttert werden. Wenn ein Suchwerkzeug wirklich umfassendes, präzises und steuerbares Wissen liefern könnte, würde dies nicht nur die Business Intelligence revolutionieren, sondern potenziell das menschliche Informationsumfeld stabilisieren.

Exa gestaltet diese Zukunft, indem das Unternehmen erkennt, dass KI-Agenten fundamental anders suchen als Menschen. Während Google auf „menschliche Klicks“ und schnelle Verbraucherantworten optimiert ist, benötigen Agenten tiefen Kontext, massive Ergebnismengen (Tausende von Links statt zehn) und eine hohe Steuerbarkeit. Durch den Einsatz von Transformern und neuronalen Systemen von Grund auf hat Exa die Notwendigkeit der jahrzehntelangen menschlichen Klickdaten, auf die Google setzt, umgangen. Dies ermöglicht es einem kleinen, schlanken Team, ein Retrieval-System aufzubauen, das etablierte Anbieter in komplexen, hochriskanten Anwendungsbereichen wie Biotech-Investments und automatisierter Programmierung übertrifft.

Das Gespräch befasst sich zudem mit der „Tokenpocalypse“, bei der die in die Höhe schießenden Kosten für LLM-Token zu einem kritischen Engpass für Unternehmen werden. Brick schlägt vor, dass eine qualitativ hochwertige Informationsbeschaffung (Retrieval) die primäre Lösung ist: Indem Exa genutzt wird, um nur die relevantesten Daten in kleinere, effizientere Modelle einzuspeisen, können Unternehmen die Leistung eines massiven Modells zu einem Bruchteil der Kosten erreichen. Dieser Wechsel hin zu einer „intelligenten Verarbeitung“ statt einem „gewichtigen Wissen“ deutet auf eine Zukunft hin, in der die Software der Welt von einer massiven, unsichtbaren Infrastruktur aus agentischer Suche angetrieben wird.

Überraschende Erkenntnisse

Suche vs. Intelligenz: Vieles von dem, was derzeit in der KI als „Intelligenzproblem“ betrachtet wird, ist in Wahrheit ein Such- (Retrieval-) Problem. Die Steigerung der Suchqualität bringt oft mehr Mehrwert als die bloße Vergrößerung des LLM.

Die „Faultier“-Analogie: Im Vergleich zu KI-Agenten suchen Menschen wie Faultiere. Agenten verfügen über eine gefühlt „unendliche“ Verarbeitungskapazität und benötigen einen völlig anderen architektonischen Suchansatz, der Vollständigkeit gegenüber einer kuratierten „Top 10“-Liste priorisiert.

Irrelevanz von Klickdaten: Der massive Burggraben aus menschlichen Klickdaten, den Google über Jahrzehnte aufgebaut hat, ist für KI-Agenten weitgehend irrelevant, da diese nicht „klicken“ oder basierend auf populären Verbrauchertrends handeln.

Das Ausmaß der agentischen Suche: Agentische Suche könnte bis 2030 potenziell zu einem größeren Markt als Google Ads werden, da sich das Suchvolumen von einigen wenigen Suchen pro Mensch pro Tag auf Millionen von Suchen pro Agent verschiebt.

Praktische Lehren

Optimierung für kleine Modelle: Um den hohen Token-Kosten (der „Tokenpocalypse“) entgegenzuwirken, sollten kleine, spezialisierte LLMs mit hochwertigen Retrieval-Tools kombiniert werden. Dies erlaubt es einem Modell mit 1 Milliarde Parametern, wie ein wesentlich größeres Modell zu performen.

Priorisierung von Leidenschaft („The Fire in the Eye“): Achten Sie bei Einstellungen im Zeitalter der Agenten mehr auf Leidenschaft und „agentisches“ Verhalten als auf spezifische Zeugnisse. Da KI-Tools technische Lücken nun schließen, wird der reine Antrieb zum primären Differenzierungsmerkmal.

Vermeidung von „Benchmark-Maximierung“: Verlassen Sie sich nicht auf standardisierte Drittanbieter-Benchmarks für Retrieval, da diese oft „maximiert“ sind und die realen Bedürfnisse von Agenten nicht widerspiegeln. Implementieren Sie stattdessen strenge A/B-Tests und maßgeschneiderte interne Evaluationen.

Fokus auf „memetische“ Missionen: Formulieren Sie technische Ziele bei der Führung eines Teams als inspirierende, memetische Missionen (z. B. „die Menschheit interplanetar machen“), um eine hohe Ausrichtung und Motivation innerhalb der Organisation aufrechterhalten zu können.

Sarah Wang speaks with Exa cofounder and CEO Will Bryk about building search infrastructure for the AI era.

The conversation covers Exa’s origins, why traditional search engines were not designed for AI agents, and how search changes when the user is no longer a human but an autonomous system. They discuss retrieval, agent workflows, coding agents, data access, and why search may become a foundational layer for the emerging agent economy.

Along the way, Bryk shares his views on AI-native products, the future of information discovery, and why some of the most important problems in technology can ultimately be framed as search problems.

Resources:

Find Will on X: https://x.com/WilliamBryk

Find Sarah on X: https://x.com/sarahdingwang

Stay Updated:

Find a16z on YouTube: YouTube

Find a16z on X

Find a16z on LinkedIn

Listen to the a16z Show on Spotify

Listen to the a16z Show on Apple Podcasts

Follow our host: https://twitter.com/eriktorenberg

Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.

Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.