--- title: "Keenable quer preparar a web para agentes de inteligência artificial" author: "André Iglesias" date: "2026-08-27 07:00:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/27/keenable-quer-preparar-a-web-para-agentes-de-inteligencia-artificial/md" --- ## Resumo - A Keenable saiu do modo furtivo após captar US$ 26 milhões em uma rodada seed liderada pela Accel. - A startup criou um índice com mais de 100 bilhões de documentos para atender agentes de inteligência artificial. - A proposta prioriza a recuperação de informações para modelos de linguagem, e não a busca voltada diretamente a usuários humanos. - A empresa já oferece uma API de Busca na Web e a Web Query Language para sintetizar respostas de múltiplas fontes. - A Keenable afirma que sua infraestrutura pode deixar a busca na web por IA até 10 vezes mais barata. - A startup anunciou uma parceria com a Gradium para recuperação de informações em tempo real. - A equipe deve crescer de 15 para 30 pessoas até o final de 2026. --- O grande **bug** dos agentes de inteligência artificial não está apenas em fazê-los compreender uma pergunta, mas em permitir que encontrem informações atuais com eficiência suficiente para executar tarefas baseadas em dados. É nesse ponto que a **Keenable** entra: a startup saiu do modo furtivo depois de levantar **US$ 26 milhões** em uma rodada seed liderada pela Accel e revelou um índice próprio com mais de **100 bilhões de documentos**. A proposta é preparar uma camada de busca feita para modelos de linguagem, em vez de simplesmente repetir a experiência de pesquisa pensada para usuários humanos. A notícia foi detalhada pelo [TechCrunch](https://techcrunch.com/2026/08/25/accel-backed-keenable-is-indexing-the-web-for-ai-agents), e ajuda a entender por que a disputa pelos agentes passa também pela infraestrutura que fornece informação a eles. ## Uma busca desenhada para outro tipo de leitor A proposta da **Keenable** começa por uma troca de prioridade: o destinatário da busca deixa de ser exclusivamente uma pessoa que abre uma página e passa a incluir um agente autônomo que precisa recuperar dados para produzir uma resposta ou apoiar uma tarefa. Na descrição da empresa, recuperação de informações significa localizar materiais relevantes para que **modelos de linguagem**, conhecidos pela sigla LLMs, possam trabalhar com múltiplas fontes. A diferença é menos visual do que estrutural, porque o objetivo não é apresentar uma lista de resultados para leitura manual, mas oferecer uma base que sistemas de inteligência artificial consigam consultar e sintetizar. Essa mudança de foco conecta a busca diretamente ao funcionamento dos agentes. Esse redesenho também se apoia na trajetória dos fundadores. **Andrey Styskin** foi CEO do Yandex Search e diretor na Amazon AGI, enquanto **Matthias Petri** atuou como cientista principal aplicado na Amazon AGI, segundo o comunicado da Accel. O histórico dos dois está ligado tanto à busca quanto à pesquisa aplicada em inteligência artificial, combinação que aparece na proposta de construir uma infraestrutura específica para agentes. Para quem ainda está tentando entender o termo “IA agêntica”, a ideia é acompanhar sistemas capazes de usar informação para realizar etapas de uma tarefa, e não apenas conversar sobre ela. O Desbugados já explicou essa diferença em uma análise sobre [IA de agentes](https://desbugados.com.br/post/2026/04/08/accenture-compra-keepler-data-tech-para-tentar-entender-o-que-raios-e-a-tal-da-ia-de-agentes), e a Keenable atua justamente em uma das peças necessárias para esse modelo funcionar. ## O índice de 100 bilhões de documentos Esse foco ganha escala no índice proprietário da empresa, que reúne mais de **100 bilhões de documentos**. Em termos simples, um índice é a base organizada que permite localizar documentos sem consultar a web de maneira aleatória a cada solicitação. A Keenable não apresentou apenas uma nova ferramenta de consulta, mas uma estrutura construída para atender ao modo como os agentes precisam recuperar informação para os LLMs. A escala anunciada dá dimensão ao projeto, embora o dado, por si só, não informe quais documentos estão incluídos nem como cada resposta será formada. O ponto concreto é que a startup decidiu tratar a indexação da web como uma camada própria de infraestrutura, e não como um detalhe secundário de um aplicativo de IA. Essa escala vem acompanhada de produtos já disponibilizados pela companhia. A **API de Busca na Web** permite que sistemas de inteligência artificial acessem a infraestrutura, enquanto a **Web Query Language**, ou WQL, foi apresentada como uma linguagem de consulta para ajudar a sintetizar respostas de múltiplas fontes. A formulação é relevante porque coloca a Keenable em uma posição voltada a quem constrói agentes, e não somente a quem deseja fazer uma busca individual. Segundo as informações divulgadas, o acesso à ferramenta está previsto como gratuito até o final de **setembro de 2026**. Assim, o próximo teste da proposta acontece no uso direto por sistemas que dependem de pesquisa externa. ## A promessa de reduzir o custo da busca Sobre essa base, a **Keenable afirma** que sua infraestrutura pode tornar a busca na web por inteligência artificial até **10 vezes mais barata** do que as soluções atuais voltadas a agentes. A redução de custo é apresentada como parte da resposta ao problema de executar consultas repetidas durante uma tarefa, especialmente quando o agente precisa cruzar informações de diferentes páginas. A empresa cita três aplicações concretas para sua infraestrutura: mapeamento de mercado, monitoramento de preços e pesquisa de leads. Esses exemplos mostram que o produto foi pensado para processos em que a informação muda e precisa ser recuperada de fontes externas, em vez de permanecer limitada ao conhecimento previamente disponível no modelo. A promessa financeira, agora, precisa ser observada na prática por quem desenvolverá esses sistemas. A relação entre preço e eficiência também ajuda a traduzir o impacto da notícia para além do vocabulário de infraestrutura. Um agente que precisa pesquisar uma grande quantidade de informações pode depender de diversas consultas antes de entregar um resultado, e cada consulta adiciona demanda ao serviço de busca e ao próprio modelo de linguagem. A proposta da **Keenable** é otimizar essa recuperação para máquinas, enquanto a WQL tenta organizar solicitações que envolvem múltiplas fontes. Não há, nas informações divulgadas, uma demonstração detalhada de como cada etapa funciona ou uma comparação técnica completa com outras soluções. O dado disponível é a meta de custo anunciada pela startup, e é sobre essa afirmação que desenvolvedores e empresas terão de avaliar a utilidade do serviço. ## Informação em tempo real entra na primeira parceria Essa busca por dados atualizados já aparece na parceria estratégica anunciada com a **Gradium**, empresa de inteligência artificial de voz. O acordo prevê suporte à recuperação de informações em tempo real, chamada de **live information retrieval**, utilizando o índice da Keenable. Na prática descrita pelas fontes, a parceria conecta uma tecnologia de voz a uma estrutura capaz de buscar informação enquanto o sistema está sendo utilizado. Isso não permite concluir que a startup já tenha resolvido todos os desafios de atualização, precisão ou confiança dos agentes, mas mostra o tipo de integração que a empresa colocou em operação. O movimento aproxima a indexação da web de experiências em que a resposta precisa considerar informações obtidas no momento da interação. A parceria com a **Gradium** funciona, portanto, como um exemplo concreto do posicionamento da Keenable: fornecer a busca que outros sistemas podem incorporar, em vez de concentrar toda a experiência em um único aplicativo. Esse modelo também explica por que a startup apresenta uma API e uma linguagem de consulta como produtos centrais, pois são essas interfaces que permitem conectar a recuperação de dados a diferentes agentes. A informação disponível não descreve quais clientes adicionais usarão a plataforma nem quais resultados a integração já produziu. O que foi confirmado é a existência do acordo e o uso do índice para recuperação em tempo real, mantendo a discussão no terreno dos produtos anunciados e não de promessas ainda não demonstradas. ## O próximo passo será ampliar a equipe Para sustentar a operação, a empresa planeja aumentar seu quadro de **15 para 30 funcionários** até o final de **2026**. A expansão foi apresentada junto à rodada de US$ 26 milhões liderada pela Accel, que também contou com participação da Conviction Partners e de investidores anjo. O dinheiro e a contratação não são detalhes separados da estratégia, porque uma infraestrutura de busca para agentes exige manter o índice, operar a API e desenvolver os produtos de consulta anunciados. Ainda assim, as fontes não informam como os recursos serão distribuídos nem quais cargos serão abertos. O próximo passo concreto da Keenable é, portanto, crescer a equipe enquanto transforma a proposta técnica em serviço acessível para quem desenvolve agentes. Para o leitor que acompanha a corrida pela **IA agêntica**, a Keenable oferece uma forma simples de enxergar a mudança: antes de imaginar assistentes autônomos como personagens de filmes futuristas ou companheiros de uma missão em um game, é preciso observar as ferramentas que fornecem dados para eles. A startup já tem uma API de Busca na Web, uma WQL voltada à síntese de múltiplas fontes, um índice com mais de 100 bilhões de documentos e uma parceria de recuperação em tempo real com a Gradium. Até o final de setembro de 2026, o acesso gratuito à ferramenta permitirá testar essa proposta, enquanto a empresa pretende chegar a 30 funcionários no fim do ano. O que acontece depois dependerá da distância entre a promessa de busca 10 vezes mais barata e o desempenho observado por quem colocar os agentes para trabalhar.