Nimble ha introdotto una nuova infrastruttura di ricerca web destinata agli agenti di intelligenza artificiale aziendali, basata su strategie di recupero autoapprendenti, indici proprietari e accesso in tempo reale alle informazioni pubbliche. Il sistema non viene proposto come un motore di ricerca generico per utenti finali, ma come un livello infrastrutturale che permette agli sviluppatori di alimentare agenti autonomi impegnati nella ricerca, nella generazione di lead, nell’intelligence competitiva, nella conformità e in altri flussi di lavoro che richiedono dati esterni aggiornati e verificabili. La piattaforma è progettata per integrarsi nei sistemi aziendali esistenti e può essere utilizzata direttamente attraverso le API di Nimble oppure distribuita all’interno dell’infrastruttura del cliente con il supporto di partner come Microsoft, Oracle e Snowflake.
Il funzionamento si distingue dai sistemi che affidano a un modello linguistico una raccolta ampia e poco filtrata di risultati provenienti da motori di ricerca e basi di conoscenza pubbliche. In questi casi, l’agente deve eseguire più passaggi di recupero, analizzare numerose fonti irrilevanti e consumare quantità elevate di token prima di ricostruire una risposta utilizzabile. Nimble crea invece modelli di recupero specifici per il dominio di ciascun cliente, capaci di apprendere quali fonti, segnali e criteri di attendibilità siano più rilevanti per una determinata attività. L’ottimizzazione inizia già dalla seconda ricerca e non richiede una configurazione manuale iniziale, mentre una singola organizzazione può utilizzare centinaia di agenti differenti, ciascuno dotato di proprie competenze, obiettivi, benchmark e strategie di ricerca.
Gli agenti adattano progressivamente il modo in cui interrogano il web e restituiscono un contesto strutturato, evitando di inviare ripetutamente intere pagine non elaborate al modello linguistico. Nimble dichiara che questa architettura consente di ridurre del 51% il consumo di token, accorciando i percorsi di ricerca in più fasi e diminuendo il numero di chiamate agli strumenti. Il vantaggio diventa particolarmente rilevante nei processi aziendali di lunga durata, che possono proseguire per ore o giorni e nei quali ogni operazione di recupero non necessaria incide sui costi, sulla latenza e sulla coerenza del risultato finale.
La nuova soluzione estende la Agentic Search Platform presentata dall’azienda dopo un finanziamento di Serie B da 47 milioni di dollari. Nimble intende trasformare il web in tempo reale in informazioni strutturate e leggibili dalle macchine, superando il precedente posizionamento legato principalmente al web scraping. Il sistema utilizza un’architettura definita Harness as a Tool, che riunisce in un’unica interfaccia le funzionalità che normalmente richiederebbero API di ricerca, automazione del browser, pipeline di estrazione, controlli di validazione, memoria, caching e codice di orchestrazione sviluppati separatamente.
La piattaforma determina autonomamente quali informazioni cercare, naviga direttamente nelle pagine quando gli indici tradizionali non sono sufficienti, estrae i contenuti rilevanti, ne verifica l’attendibilità e restituisce il contesto in un formato predisposto per gli agenti che dovranno elaborarlo successivamente. Il sistema conserva inoltre una memoria semantica specifica per il dominio e costruisce indici proprietari che si affinano con l’aumento delle ricerche. L’agente apprende nel tempo i modelli di utilizzo, le fonti preferite e le competenze del settore, rendendo ogni interrogazione successiva più rapida ed efficiente.
Nimble indica tra i possibili casi d’uso la creazione di analisti per l’investment banking, agenti di intelligence competitiva destinati ai product manager, strumenti di ricerca di mercato, sistemi per il monitoraggio delle redazioni, applicazioni assicurative, soluzioni per le scienze della vita e piattaforme per l’ottimizzazione della catena di approvvigionamento. L’architettura è stata progettata per non conservare le query dei clienti nell’ambiente di Nimble. Quando vengono utilizzati la memoria semantica e i modelli autoapprendenti, le conoscenze generate rimangono all’interno del tenant dell’azienda che utilizza il servizio.
Tra le prime implementazioni figura Rox, società che sviluppa un CRM basato sull’intelligenza artificiale e che ha segnalato una riduzione di venti volte dei costi legati ai token dopo l’adozione dell’infrastruttura di recupero di Nimble. L’azienda ha dichiarato anche un miglioramento della qualità e della completezza delle informazioni fornite ai propri agenti, senza però pubblicare dati dettagliati sui carichi di lavoro o una metodologia di confronto riproducibile. Nimble sostiene che la propria infrastruttura gestisca complessivamente più di 90 milioni di ricerche al giorno per aziende Fortune 500 e società native dell’intelligenza artificiale.
Gli agenti sono disponibili attraverso API, SDK e integrazione con il Model Context Protocol, indipendentemente dal framework di orchestrazione utilizzato dagli sviluppatori. La piattaforma supporta ricerche web in tempo reale a bassa latenza, analisi approfondite articolate in più fasi, scansioni del web, generazione di dataset strutturati e recupero di informazioni specializzate per dominio. Nimble fornisce anche agenti preconfigurati per le attività di estrazione più comuni e consente di definire agenti personalizzati mediante istruzioni in linguaggio naturale, senza programmare direttamente la logica di scraping.
Il servizio prevede due modalità di consumo. Gli sviluppatori possono accedere a un’API a consumo con un prezzo iniziale di 0,025 dollari per ogni richiesta eseguita dal Web Search Agent, mentre le aziende che richiedono una configurazione personalizzata, la gestione dei flussi di dati e la distribuzione dell’infrastruttura possono sottoscrivere piani annuali a partire da 2.500 dollari al mese. La proposta non compete direttamente con assistenti di ricerca rivolti agli utenti, come ChatGPT Deep Research, Gemini Deep Research o Perplexity, ma si colloca a un livello sottostante, fornendo agli agenti aziendali le funzioni necessarie per raccogliere e organizzare le informazioni prima dell’avvio del ragionamento.
Il confronto più diretto riguarda quindi piattaforme infrastrutturali come Exa e Tavily, che forniscono API di ricerca e recupero progettate per sistemi di intelligenza artificiale. Nimble punta a differenziarsi attraverso le strategie autoapprendenti, gli indici proprietari, la memoria semantica, la gestione aziendale e la riduzione dei token. Sakana Marlin opera invece in una categoria differente, eseguendo direttamente ricerche strategiche di lunga durata e producendo report destinati ai dirigenti, mentre Nimble mette a disposizione il livello di recupero, navigazione, estrazione e validazione che può alimentare sistemi di questo tipo.
La strategia dell’azienda parte dal presupposto che il principale limite delle applicazioni AI in produzione non sia sempre la capacità di ragionamento del modello, ma la qualità delle informazioni esterne che gli vengono fornite. Un agente che recupera pagine irrilevanti o ripete inutilmente le stesse ricerche consuma risorse prima ancora di iniziare l’elaborazione principale. Nimble interviene quindi sulla fase precedente al ragionamento, applicando strategie diverse in base al settore, al carico di lavoro e alle fonti ritenute attendibili dal cliente.
L’azienda dichiara un miglioramento di 21 punti percentuali nella qualità delle risposte e una riduzione del 51% nell’uso dei token, risultati che dovranno però essere verificati in modo indipendente su un insieme più ampio di implementazioni. La piattaforma è già disponibile tramite API, SDK e MCP, con una prova gratuita destinata agli sviluppatori che intendono valutarne le capacità prima di procedere con una distribuzione gestita.