検索APIはエージェントにウェブデータへの高速アクセスを提供します。しかし本番ワークロードでは、背後のデータが古かったり不完全だったりすると、高速アクセスだけでは不十分です。エージェントは取得したデータをそのまま報告します。
例えば、競合他社が一夜にして価格ページを変更したとします。エージェントはそのページを検出しますが、数時間前のキャッシュされた要約を返します。実際のページコンテンツを読み取ることも、価格履歴と比較することも、変更の背後にある戦略を示す非自明なソースを見つけることもできません。
TL;DR：
検索APIはプロトタイプには有効です。本番AIエージェントは5つの構造的な限界に直面します：鮮度、再現率、完全なコンテンツ、スループット、そして過去のベースラインです。ナレッジサプライチェーンがこれらを解決します。
- 検索APIはキャッシュされたスニペットを返します。本番エージェントには完全なページコンテンツを含む意図でランク付けされた結果が必要です。
- GoogleはSERPベースのデータアクセスを制限しています。単一のSERPパスは単一障害点です。
- Bright DataのSERP API、Web Unlocker、データセットが3層のナレッジサプライチェーンを形成します。
- 両アーキテクチャを実行可能なコードと実際の出力で比較します。最後に意思決定フレームワークと参照テーブルを掲載します。
検索APIとナレッジサプライチェーン：主要な定義
検索APIカテゴリが存在するのは、トレーニングデータセットだけでは不十分だったからです。チャットボットとエージェントはウェブデータへのライブアクセスを必要としていました。ライブデータの取得は最初の問題に過ぎません。より難しい問題は、質問に答えるためではなく意思決定を支援するために、十分な深さ、鮮度、検証可能性を持ってデータを取得することです。
インフラの決定を定義する2つの用語があります。それぞれが実際に何を意味するかを説明します。
検索API：
検索APIは、クエリを受け付け、既存の検索インデックスからソースされたURLのランク付きリストやページ要約を返すエンドポイントです。低レイテンシと統合の容易さに最適化されています。出力は現在インデックスされているもののスナップショットであり、クエリ時点のウェブのライブ状態を反映している場合とそうでない場合があります。
ナレッジサプライチェーン：
ナレッジサプライチェーンとは、AIエージェントがウェブデータを継続的に取得、検証、コンテキスト化するために使用するエンドツーエンドのインフラです。ライブ探索、完全なページコンテンツ抽出、本番規模のスループット、そして過去のデータセットを組み合わせます。各層は異なる問題を解決します：鮮度、カバレッジ、検証可能性、並列処理、そして評価です。単一のAPIコールではなく、アーキテクチャです。
2つのアプローチは3つの軸で異なります：
| 検索API | ナレッジサプライチェーン | |
|---|---|---|
| モデル | 単一コール、スナップショットベース | 多層、パイプラインベース |
| 最適化対象 | 速度 | 証拠の品質 |
| 出力 | ランク付きリンク＋要約 | 検証済みコンテンツ＋コンテキスト＋履歴 |
この区別が重要なのは、TinyFish CEOのSudheesh Nair氏が述べたように：「検索は人間の限界を中心に構築されたショートカット」だからです。人間は限られた数の結果しか処理できないため10個のリンクが必要です。エージェントはインターネットをトップ10リストに圧縮したものを必要としません。それらのリンクの背後にあるコンテンツを、検証され文脈に置かれた形で必要とします。
もう一つの定義：市場認識エージェント。これらは収益、リスク、または業務に影響を与える意思決定を行うエージェントです：価格インテリジェンス、競合対応、規制監視、サプライチェーン追跡。これらは検証可能な根拠となる事実を必要とし、もっともらしい要約では不十分です。
現在、自律型AIエージェントの本番デプロイメントを持つ組織はわずか11%です（Deloitte Tech Trends 2026）。しかし、公開ウェブデータでAIを構築している組織の97%がすでにリアルタイムウェブインフラに依存しています（Data for AI 2026）。このギャップが問題です。今行われているインフラの決定が、どのエージェントが成功し、どのエージェントが誰も監査できない自信満々な答えを生み出すかを決定します。
誤った答えの最悪のケースがユーザーがクエリを再試行することであれば、検索APIで十分です。最悪のケースがチームが悪い情報に基づいて行動することであれば、ナレッジサプライチェーンが必要です。
検索APIが優れている点（そしてなぜそれが重要か）
Tavilyのような検索APIは特定のコンテキストで真の価値を提供します：
サブ秒レイテンシ。レスポンス時間がUXのKPIである場合（インタラクティブなチャット、ユーザーが待機しているエージェント向けのツールコール）、検索APIはこのために特化して設計されています。Proxyway Search API Report 2026は、インデックスベースのプロバイダーが0.4秒未満の中央値レスポンス時間を達成することを確認しました。多くのユースケースでは、速度が優先事項です。
最小限の統合摩擦。ネイティブLangChainサポート、十分に文書化されたエンドポイント。プロトタイプにウェブ検索が必要な開発者にとって、統合は数分で完了します。
プロトタイプと軽量なQ&Aに強い。検索APIはRAGデモ、内部チャットボット、低リスクのエンリッチメントワークフローをうまく処理します。Tavilyは特に引用対応の出力とソース信頼性スコアリングを提供しており、エージェント出力にソース引用が必要な場合に役立ちます。
低スケールでの低コスト。1クレジットあたり$0.008（Tavily価格）で、実験への障壁はほぼゼロです。
プロトタイプ、チャットボット、または軽量なQ&Aワークフローを構築している場合、検索APIが適切なツールです。制限はリスクが高まったときに現れます。
限界：検索APIが本番規模で直面する5つのギャップ
以下のギャップは構造的な制約であり、検索APIへの批判ではありません。AIエージェントは完全なSERPを必要としません。広告、ウィジェット、モバイルレイアウトはナレッジ検索に何も追加しません。
Proxyway SERP APIレポートは、高速APIがSERPを提供するがその背後のページは提供しないこと、一方インデックスAPIは事前構築されたコーパスからページを返しライブウェブより遅れる可能性があることを確認しました。どちらのアーキテクチャも単独では問題を解決しません。
ギャップ1：鮮度 – キャッシュされたインデックスは古い根拠となる事実を提供する
検索APIはキャッシングと事前インデックス化によってレイテンシ目標を達成します。a16zの「Search Wars」分析が「主に人間向けに最適化されている」と説明したアーキテクチャを継承しており、現在それに依存するエージェントワークフローには適していません。
これらのベンチマークは結果として生じる3層の分割を記録しました：フルAPIはリアルタイムでスクレイプします（P95は5秒超）。高速APIはコアSERP要素を素早く返します（中央値0.6〜0.7秒）。インデックスAPIは事前スクレイプされたコーパスから提供します（P50は0.4秒未満）、ここで「データコーパスが古かったり不完全になるリスクがある」とされています。
価格インテリジェンス、ポリシー監視、または速報ニュースの場合、キャッシュされた結果は誤った結果です。Bright Data Web Discovery Summit 2026では、スピーカーたちがデータ半減期という観点で問題を説明しました：ソーシャルメディアデータは数分から数時間で関連性を失います。非ソーシャルウェブデータ（価格ページ、求人情報、製品カタログ）は数日以内に劣化します。昨日更新された検索インデックスは、すでに有効な半減期を過ぎたデータを提供している可能性があります。
価格ページは一夜にして変更されましたが、検索インデックスは次のクロールまでそれを反映しません。エージェントは古いデータに基づいて自信を持って報告します。そして問題は悪化しています。
GoogleはSERPベースのデータアクセスを積極的に劣化させています。AIエージェントは「閲覧を気にせず、広告の購入も確かに気にしない」（SERP APIレポート、2026年）。これは広告モデルへの直接的な脅威です。
同じレポートは、SearchGuardがスクレイピングコストをおよそ10倍に増加させたことを記録しました。&num=100パラメータは完全に削除されました。2025年12月、GoogleはDMCAに基づいてSERP APIプロバイダーを訴え、迂回行為1件につき$200〜$2,500を求めました（Proxyway SERP APIレポート、2026年）。Googleがアクセスを厳しくするにつれて、鮮度のギャップは悪化しています。
唯一のデータパスが検索インデックスに依存している場合、信頼性の問題があります。Bright Dataは検索結果のスクレイピングだけでなく、複数の収集方法を通じてクエリ時点のウェブの現在の状態を取得します。エージェントと根拠となる事実の間に単一のインデックスが立ちはだかることはありません。
ギャップ2：再現率 – 検索インデックスのスニペットでは不十分
検索APIは検索インデックスからスニペットを返します。結果はインデックス自身のアルゴリズムによってランク付けされており、エージェントのリサーチタスクの背後にある特定の意図ではなく、キーワードクエリに最適化されています。チャットボットにはこれで機能します。競合インテリジェンスエージェントには2つの問題が現れます。
第一に、キーワードランク付けの結果がリサーチエージェントが実際に必要とするものと一致しない場合があります。同じサミットで、パネリストたちは本番のディープリサーチコールが初期段階のランキングシグナルに基づいて10,000のURLを考慮できることを説明しました。エージェントはそのうち5〜30%を読み、最終的に1〜5%を最終回答で引用します。
検索APIはインデックスがあなたのキーワードに対して最も高くランク付けしたものを返します。エージェントのタスクの背後にある特定の意図によってフィルタリングしません。
第二に、基礎となるデータへのアクセスが急速に低下しています。2026年のウェブスクレイピング業界調査では、垂直方向のトップサイトでデータアクセスが急激に低下していることがわかりました：eコマースは2020年の10サイト中9サイトアクセス可能から10サイト中4サイトに低下しました。
ソーシャルメディアアクセスは5サイト中4サイトから5サイト中0サイトに低下しました。不動産は10サイト中10サイトから10サイト中3サイトに低下しました。ウェブのカテゴリ全体が標準的なデータセンターアクセスでは到達不可能になっています。
Bright DataのSERP APIは前半の問題に対処します：195カ国のいずれかからGoogle、Bing、Yandex、Baidu、DuckDuckGo、Yahoo、Naverをリアルタイムでスクレイプするため、エージェントが単一インデックスの単一クエリへの解釈に依存することはありません。後半はランキングの問題ではありません。ランキングはソースを表示できるだけで、それに到達することは別の作業であり、それこそが上記のアクセス数が問題となる部分です。Web Unlockerは、標準的なデータセンターアクセスで到達可能かどうかにかかわらず、ページを取得します。
競合インテリジェンスで最も重要なシグナルが1ページ目にあることはめったにありません。それらはロングテールにあります：新しい市場参入を示す求人投稿、未発表のSKUを含む代理店リスト、サポート担当者がロードマップを確認したフォーラムスレッド。これらはトップ10のSERPレスポンスにほとんど表示されません。
ギャップ3：エージェントはソースコンテンツではなく要約を見る
検索APIは設計上、要約優先です。デフォルトで抽出されたスニペットと説明を返し、概要として役立ちます。しかし要約は検証可能な証拠ではありません。
完璧な推論に加えて貧弱な検索では、依然としてハルシネーションが発生します。AI検索評価のフレームワークは、LLMの推論能力がほとんどの検索システムが返すものをすでに超えていることを示しました。ボトルネックはモデルではなくデータです。
市場認識エージェントにとって、コストは誤ったチャットボットの応答ではありません。誤ったビジネス上の意思決定です。
高リスクの意思決定を行うエージェントには、言い換えではなく実際のソーステキストが必要です。同じイベントで、エージェントを構築しているエンタープライズバイヤーは、顧客が望む最も豊富なコンテンツ（LinkedInの投稿、Twitterスレッド）はSERP結果が返すものではないと指摘しました。代わりに、トップ結果はそのコンテンツを参照するブログ投稿です。一次ソースからの完全な抽出は、検索ランキングの品質よりも重要です。
完全なコンテンツが重要なもう一つの理由があります：ウェブはますます合成的になっています。2025年のウェブデータ業界カンファレンスで、研究者のDomagoj Maric氏は10,000件の偽のボットコメントを$2で生成できることを実証しました。完全なコンテンツ検証なしでは、エージェントは本物のレビューと作られたノイズを区別できません。2026年のウェブスクレイピング業界調査では、AIツールを使用する専門家がハルシネーションを主要な懸念事項として報告しました。
エージェントがどのように結論に至ったかを誰かが尋ねる場合、タイムスタンプ付きの実際のコンテンツが必要です。スニペットは監査には不十分です。
Bright Data Web Unlockerはクリーニングされた完全なページコンテンツをMarkdown形式で返します。以下のライブテストでは、ベンダー自身の価格ページから26,758文字を2.2秒で返しました：その言い換えではなく実際のソーステキストです。
ギャップ4：スループット – RPM上限が隠れたアーキテクチャ上の技術的負債を生み出す
検索APIはレート制限を適用します。例えばTavilyは、本番プランで1,000 RPM（毎分リクエスト数）に制限しています。単一のリサーチタスクを実行する単一のエージェントにとっては問題ありません。しかし、数千のリサーチタスクを並行して実行する複数の並行エージェントのフリートを考えてみてください：数百の競合他社の競合監視、数十の市場での価格監視、複数の管轄区域での規制チェック。1,000 RPMでは、ページネーションロジック、リトライハンドラー、指数バックオフ戦略、キュー管理を構築せざるを得ません。
結果は純粋なグルーコードであり、システムを接続するが事業価値を追加しない統合ロジックです。ステージング環境では機能し、本番環境では壊れ、誰もメンテナンスの時間を予算に入れません。
並行処理の問題は複合します。Search APIのベンチマークは、フルSERP APIがレイテンシとボリュームでのコストにより、AIワークロードへの「適合性が限られている」と指摘しました。サミットで、ある金融データ企業は、150,000社を150種類の重要なイベントタイプで毎日監視すると、SERP API料金だけで月約340万ドルかかると計算しました。
それを本番の現実と比較してください。2025年のウェブデータ業界カンファレンスで、CentricSoftwareは製品インテリジェンスだけで1日1億3,000万リクエストを行う5,000のスクレイパーを実行していることを公表しました。1,000 RPMではありません。
Bright DataのSERP APIには同時リクエスト数のハード制限がありません。スループットはワークロードに合わせてスケールします。
ギャップ5：過去のベースラインなし – 比較できないものは評価できない
ギャップ5は、エージェントの出力品質を改善しようとするときに現れます。
エージェントが実際の異常を検出しているのか、パターンをハルシネーションしているのか、どうやって区別しますか？ベースラインが必要です。また、時間をかけて出力品質をベンチマークするために再現可能な過去のデータも必要です。そして、最初から再収集せずに競合価格履歴で新しいエージェントをバックフィルしたい場合は、データセットが必要です。
検索APIは設計上ライブのみです。Boaz Grinvald氏（GM、Bright Insights）が指摘したように、リアルタイムインテリジェンスを適切な視点に置くには、より深いコンテキストが必要です。今日競合他社が価格を下げたことを知っていても、カテゴリ全体の価格が上昇したことを知らなければ無意味であり、その値下げはまったく対応を必要としないかもしれません。
そのコンテキスト層は過去のデータがあってこそ存在します。検索APIに先四半期の価格データを尋ねると、先四半期についての今日の検索結果が得られますが、それはまったく別のことです。
ベースラインの構築は、ほとんどのチームが予想するよりも手頃です。研究者のAndrew Chan氏は10億のウェブページを25.5時間で$462でクロールできることを実証しました。Bright Dataは月15億ずつ増加する2,000億以上のアーカイブHTMLページを維持しています。
B2Bデータは月約2.1%の割合で劣化し、年間22%以上に複利で増加します（MarketingSherpa）。過去のコンテキストなしでは、エージェントは本物の価格異常と通常の季節変動を区別できません。
そのサミットで、あるデータ会社の創業者は、関連する求人投稿とLinkedInスキル追加の突然の増加を時間をかけて観察することで、顧客が新しいテクノロジーを採用したときを検出した話をしました。その時系列シグナルは、縦断的クロールを通じてのみ見えるもので、顧客が最大取引の一つを締結したタイミングを予測するのに役立ちました。現在のウェブの状態を返す検索APIでは、そのようなシグナルを検出できません。Bright Dataデータセットはバックフィル、ベースライン、再現可能な評価のためのトピック構造化された過去のデータを提供し、JSON、CSV、またはParquet形式で利用可能です。
検索APIとナレッジサプライチェーン：7つの主要次元
同じコスト分析では、インデックスベースのAPIがおよそ1,000リクエストあたり$5に収束することがわかりました。彼らが述べたように：「リアルタイムAPIはほぼ常に安く済みます。しかし、インデックスと同じ結果を達成するにはより多くの作業が必要です」。Bright Data SERP APIは従量課金制で1,000件あたり$1.50から始まります。その「より多くの作業」こそがナレッジサプライチェーンが自動化するものです。
典型的なナレッジサプライチェーンワークフロー（1回のDiscoverコール、いくつかのWeb Unlockerページ取得、1回のデータセットクエリ）は、リサーチタスクあたり一桁ドルの範囲で実行されます。同じ作業を手動で行うアナリストは約30〜60分かかります。
2つのアーキテクチャを7つの次元で比較します：
| # | 次元 | Bright Data | 検索API（カテゴリ） | Tavily（例） |
|---|---|---|---|---|
| 1 | 鮮度 | ライブ探索と抽出 | 速度のためにキャッシュ/インデックスを使用する場合がある | キャッシュ/インデックスされた結果を返す場合があり、最新性は保証されない |
| 2 | クエリあたりの再現率 | 7つの検索エンジンにわたるランク付きソース、各ソースを完全なページコンテンツに展開可能（SERP API + Web Unlocker） | トップKに最適化 | コールあたり最大20件のスニペットレベルの結果に制限 |
| 3 | 検証可能なコンテキスト | オプションのクリーニングされた完全ページコンテンツをインライン（Markdown） | 多くの場合、要約優先 | デフォルトで要約優先 |
| 4 | スループット | 本番規模、並行ワークロード向けに構築 | 多くの場合RPMで制限 | 本番制限1,000 RPM |
| 5 | レイテンシプロファイル | 信頼性の高い本番探索＋低レイテンシオプション（高速SERP） | 多くの場合キャッシュを通じて低レイテンシに最適化 | 非常に高速、レイテンシを優先 |
| 6 | PAYG価格/1,000リクエスト | $1.50から（SERP PAYG） | 様々 | 1,000件あたり$8（1クレジット）〜$16（2クレジット） |
| 7 | 過去のデータセット | バックフィルとベースライン用のトピック構造化過去データ | カテゴリのコアではない | データセット製品ではない |
コストとレイテンシのトレードオフはユースケースによって異なります。
デモ：同じエージェント、2つのインフラ
同じ競合インテリジェンスエージェントを2回構築します：同一のタスク、同一のLLM、同一のシステムプロンプト。変わるのはその下のデータインフラだけです。
両方のエージェントはBright Dataのエンドポイントを使用します。これは意図的なものです：方程式からベンダーの違いを排除します。唯一の変数はアーキテクチャです：1つのツール対3つのツール。
シナリオ
探索、完全なページ抽出、過去のコンテキストを必要とするため、競合価格インテリジェンスタスクを選びました。
競合価格インテリジェンスエージェント
タスク：競合他社のSaaS価格ページを監視し、変更を検出し、過去の価格トレンドと照らし合わせてコンテキスト化し、これが構造的な戦略転換なのか一時的なプロモーションなのかを評価します。
このタスクは検索APIだけでは完全に完了することが不可能です。a16zはディープリサーチを「エージェント検索の支配的で最も収益化可能な形態」と特定しました（「Search Wars: Episode 2」、2025年）。このタスクには鮮度、再現率、完全なコンテンツ、そして履歴が必要です。
フレームワーク：両方のエージェントは、LangChainで構築されたLangGraph競合インテリジェンスエージェントで、Bright Data REST APIを使用します（SERPおよびWeb Unlockerツール用のlangchain-brightdataも利用可能）。コードはGPT-4oを使用します。アーキテクチャがLLMに依存しないことを確認するため、Cohere Command-Aで出力をテストしました。同じシステムプロンプト。異なるツール。
エージェント1：検索APIパターン
エージェント1は単一のSERPエンドポイントをラップします。1つのツール、1つのデータソース：
# Agent 1: Search API pattern
# Single SERP endpoint, snippet-level output
import os
import requests
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
@tool
def search_web(query: str) -> str:
"""Search the web and return top results."""
response = requests.post(
"https://api.brightdata.com/request",
headers={
"Authorization": f"Bearer {os.environ['BRIGHT_DATA_API_KEY']}",
"Content-Type": "application/json"
},
json={
"zone": os.environ["SERP_ZONE"],
"url": f"https://www.google.com/search?q={query}&num=10&brd_json=1",
"format": "raw"
}
)
# Response contains: organic[] with title, link, description per result
results = response.json()
organic = results.get("organic", [])[:10]
return "\n".join([
f"- {r.get('title')}: {r.get('description', '')[:200]}"
for r in organic
])
llm = ChatOpenAI(model="gpt-4o")
search_api_agent = create_react_agent(
llm,
tools=[search_web],
state_modifier="""You are a competitive intelligence analyst.
Use web search to analyze competitor pricing changes.
Provide a structured assessment with your findings."""
)
result_1 = search_api_agent.invoke({
"messages": [{
"role": "user",
"content": "Analyze recent pricing changes for [Competitor]. "
"Has their pricing strategy shifted? "
"What does this mean for our positioning?"
}]
})これをNotionの価格ページに対してライブでテストしました。
AGENT 1 OUTPUT (Search API):
Sources consulted: 10 Google results (snippets only)
Content depth: Titles + 200-char descriptions
Finding: Notion's pricing strategy in 2026 appears to be
tiered, with four main plans: Free, Plus, Business, and
Enterprise. The Plus plan is priced at $10 per user per month
and is designed for small teams. The Business plan is priced
at $18-$20 per user per month and includes additional features
such as AI integration.
Confidence: Confident (based on snippets alone).エージェントはスニペットから合理的な分析を生成しました。4つの階層とおおよその価格を特定しました。しかし、実際の価格ページを読むことができず、最近の価格変更についてのRedditやフォーラムの議論を見つけられず、現在の価格が転換を表しているかどうかを判断するための過去のコンテキストがありませんでした。
エージェント2：ナレッジサプライチェーンパターン
同じタスクを、Bright DataのSERP API、Web Unlocker、データセットがライブ探索、完全なコンテンツ抽出、過去のベースラインを提供する形で実行します：
# Agent 2: Knowledge Supply Chain
# Live discovery + full content + historical baseline
import os
import json
import requests
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
HEADERS = {
"Authorization": f"Bearer {os.environ['BRIGHT_DATA_API_KEY']}",
"Content-Type": "application/json"
}
# Tool 1: Live discovery across real search engines via SERP API
@tool
def discover_sources(query: str) -> str:
"""Search the live web with Bright Data's SERP API.
Returns ranked sources with titles, URLs and snippets."""
response = requests.post(
"https://api.brightdata.com/request",
headers=HEADERS,
json={
"zone": os.environ["SERP_ZONE"],
"url": (f"https://www.google.com/search?q={query}"
"&gl=us&hl=en&num=20&brd_json=1"),
"format": "raw"
}
)
# Response contains: organic[] with title, link, description
organic = response.json().get("organic", [])
return f"Discovered {len(organic)} sources:\n" + "\n".join(
f"- {r.get('title')} ({r.get('link')})\n"
f" {r.get('description', '')[:200]}"
for r in organic
)
# Tool 2: Targeted page extraction.
# Discovery finds candidates; Web Unlocker reads the page that matters.
@tool
def fetch_full_content(url: str) -> str:
"""Fetch the full cleaned content of a specific webpage
in Markdown format via Web Unlocker."""
response = requests.post(
"https://api.brightdata.com/request",
headers=HEADERS,
json={
"zone": os.environ["UNLOCKER_ZONE"],
"url": url,
"format": "raw",
"data_format": "markdown"
}
)
# Returns full page content as cleaned Markdown text
return response.text[:8000]
# Tool 3: Historical dataset baseline
@tool
def get_historical_pricing_data(competitor_domain: str) -> str:
"""Retrieve historical pricing snapshots from Bright Data
Datasets for baseline comparison."""
response = requests.post(
"https://api.brightdata.com/datasets/v3/trigger",
params={"dataset_id": os.environ["PRICING_DATASET_ID"]},
headers=HEADERS,
json=[{"url": f"https://{competitor_domain}/pricing"}]
)
# Returns: {"snapshot_id": "sd_xxxxx"} for async data retrieval
snapshot_id = response.json()["snapshot_id"]
return json.dumps({
"snapshot_id": snapshot_id,
"status": "Historical data retrieved"
})
llm = ChatOpenAI(model="gpt-4o")
knowledge_supply_chain_agent = create_react_agent(
llm,
tools=[discover_sources, fetch_full_content,
get_historical_pricing_data],
state_modifier="""You are a competitive intelligence analyst
with access to live web discovery, full page content,
and historical pricing datasets.
For pricing analysis:
1. Discover broadly to map the landscape
2. Fetch the actual pricing page - do not rely on snippets
3. Compare against historical baseline data
4. Identify whether this is a structural shift or temporary
5. Provide a structured assessment with source citations."""
)
result_2 = knowledge_supply_chain_agent.invoke({
"messages": [{
"role": "user",
"content": "Analyze recent pricing changes for [Competitor]. "
"Has their pricing strategy shifted? "
"What does this mean for our positioning?"
}]
})同じクエリ。同じLLM。異なるデータインフラ。注意：このテストでは過去のデータセットを設定しなかったため、ツール3（過去のベースライン）は使用されませんでした。本番デプロイメントでは、過去の比較が証拠の第三層を追加します。
AGENT 2 OUTPUT (Knowledge Supply Chain):
Sources discovered: 7 (SERP API, 4.1 seconds)
Pages extracted: 3 (Web Unlocker)
Evidence budget: 86,298 characters - 118x Agent 1
Tool calls: 6
Finding: Structural shift, not a promotion. Notion is moving
agent functionality off the seat price and onto a consumption
meter, while leaving the seat prices themselves untouched.
Seat pricing unchanged: Free $0, Plus $10/member/month,
Business $20/member/month, Enterprise custom.
The change is a second, parallel meter:
- "Custom Agents ... Free to try, then $10 per 1,000 monthly
Notion credits." (notion.com/pricing, verbatim)
- The plan comparison table lists "Custom Agents - Requires
Notion credits" under every tier, Enterprise included.
Paying the top seat price does not exempt you.
- "Workers (Beta) ... Free to try now. Starts using credits
on October 15." A second product is already scheduled onto
the same meter, with a date.
Corroboration (eesel.ai): credits run "on top of your seats",
and "'Getting AI in Notion' isn't a single number anymore."
Why structural rather than promotional: a promotion is
time-boxed and reversible. This has the opposite signature - a
dated forward commitment, application at every tier including
Enterprise, and a second product migrating onto the same meter.
Positioning implication: any per-seat comparison now understates
Notion's real cost for AI-heavy teams.
Confidence: High for mechanism and tier scope - quoted from the
vendor's own live page. Medium for magnitude, which depends on
per-team credit burn that is not published.違いはインテリジェンスではなく、証拠にある
両方のエージェントは同じクエリを同じLLMで実行しました。エージェント1は4つのプラン階層とその見出し価格を正確に特定しました。エージェント2は価格ページ自体を読み、実際に尋ねられた質問に答えました：その変更が構造的かどうかです。
両方のエージェントは同等の推論能力を持っています。変わったのは証拠でした。エージェント1は7つの結果にわたって732文字のスニペットテキストを持っていました。エージェント2はその同じ7つの結果に加えて86,298文字の抽出されたページコンテンツを持っていました — 5回の追加ツールコールで118倍の証拠です。
エージェント1は盲目ではなく、その点について正確に述べる価値があります。ベンダー自身のページのスニペットは見出しの数字「1,000 Notionクレジットあたり月$10」を漏らしていました。スニペットが示せなかったのは、その背後にある構造でした：クレジットがEnterpriseを含むすべての階層に適用されること、シート価格を置き換えるのではなくその上に乗ること、そして2番目の製品がすでに日付付きで同じメーターに予定されていることです。スニペットは数字を表面化します。コミットメントは表面化しません。
エージェント2の実行には時間がかかります（単一のSERPコールではなく、探索＋抽出）。サミットのあるパネリストが述べたように：エージェントにとって、1秒のレイテンシ制約はもはや適用されません。エージェントがチャット応答を提供しているのか、夜通しのリサーチを実行しているのかによって、100ミリ秒か100秒かのどちらかです。
このテストでは6回のツールコール：2回の探索クエリと4回の抽出。本番デプロイメントでは7回（過去のベースライン用のデータセットを追加）。それが実際のナレッジサプライチェーンです。
検索は幅をカバーします。抽出は深さを処理します。データセットは両方を評価するための過去のコンテキストを追加します。
ご自身で実行してみてください。両方のエージェントは、Bright Data APIキーとLangChain互換のLLMで完全に機能します。パターンをクローンし、実際の競合他社に向け、出力を比較してください。完全なウォークスルーについては、エージェントRAGシステムの構築方法をご覧ください。
検索APIかナレッジサプライチェーンか？意思決定フレームワーク
すべてのエージェントがナレッジサプライチェーンを必要とするわけではありません。エンタープライズワークロード向けのTavilyの代替を探している場合、正しい答えは技術ではなくリスクに依存します。
| 状況 | 適切なツール |
|---|---|
| レイテンシがKPIであるインタラクティブなチャットUX | 検索API（Tavily、またはBright Data 高速SERP） |
| RAGプロトタイプ、内部デモ、ハッカソン | 検索API – 高速、低コスト、低摩擦 |
| 本番エージェント：競合インテリジェンス、価格、リスク | Bright Data SERP API + Web Unlocker + データセット |
| エージェントが完全なページコンテンツを含むランク付き結果を必要とする | Bright Data SERP API + Web Unlocker（ランク付きソース、次にオンデマンドで完全なページコンテンツ） |
| 特定のページの現在の状態を検証する必要がある | Bright Data Web Unlocker / SERP API（完全なコンテンツ） |
| 過去のベースラインまたは評価データセットが必要 | Bright Dataデータセット |
| 1,000以上の並行リサーチタスクを実行中 | Bright Data – スループットはレート制限ゲートではなくワークロードに合わせてスケール |
a16zは、ほとんどの検索APIプロバイダーが類似したコア機能（彼らが「限られた初期製品差別化」と呼んだもの）を提供し、主に速度と価格で競争していることを発見しました（「Search Wars: Episode 2」、2025年）。Bright DataはリアルタイムのSERPとサブ秒の高速SERPアクセスの両方をカバーします。インデックスベースの検索APIは最速の応答を提供しますが、事前構築されたコーパスから引き出します。
本番エージェントはどちらか一方ではなく、ライブアクセスと速度の両方をますます必要としています。実際には、多くのチームが単一エージェント内で意図によってルーティングします：低レイテンシのツールコールには高速SERP、エージェントがディープリサーチループに入るときはSERP API＋Web Unlocker。
エージェントが決定していることに合ったインフラを選んでください。
ナレッジサプライチェーンスタック：リファレンス
検索APIを超える準備ができているチームのために、構成要素を示します（完全なAIエージェントテックスタックガイドも参照）：
| 構成要素 | 最適な用途 | 主要機能 |
|---|---|---|
| 高速SERP / SERP API | 監視、チャットUX、低レイテンシワークフロー | サブ秒の構造化SERP出力、地域と言語のターゲティング |
| Web Unlocker | アンチボット保護の背後にある特定ページの取得 | 成功率99.95%、組み込みCAPTCHAの解決、Markdown出力 |
| データセット | バックフィル、ベースライン、再現可能な評価 | トピック構造化された過去のデータ、JSON/CSV/Parquet |
これらは競合する製品ではありません。層です。探索がソースを見つけます。抽出がそれらを読みます。データセットが何が変わったかを評価するための履歴を提供します。
AIエージェントチームへの意味
ウェブは読みやすくなるのではなく、ますます読みにくくなっています。Cloudflareは5ヶ月間で4,160億件のAIボットリクエストをブロックしました（WIRED、2025年）。ほとんどのウェブスクレイピング専門家が前年比でアンチボット保護の増加を報告しています。
しかし、1年も経たないうちに、エージェント検索スタートアップへの開示された資金調達として3億2,300万ドル以上が集まりました（そのレポートに記載された資金調達ラウンドから計算）。AIエージェントの「検索API」と本番グレードのウェブデータインフラのギャップは縮まっていません。
市場認識エージェント向けのBright Dataスタック：
- Discover：意図でランク付けされた探索とオプションの完全なコンテンツ
- 高速SERP：低レイテンシ監視とインタラクティブな体験
- データセット：バックフィル、ベースライン、より高速な収集
インタラクティブデモを試すか、エージェントドキュメントを読むか、各製品の無料枠または無料トライアルで構築を始めてください。
よくある質問
AIエージェント向けの検索APIとは何ですか？
エージェントが検索結果を取得するために呼び出すAPIです：ランク付きURL、スニペット、場合によってはページ要約。Tavilyはよく知られた例の一つです。これらはチャットボット、RAGデモ、深さよりも速度が重要なプロトタイプに適しています。しかし結果はライブウェブではなく、キャッシュされたインデックスから来ます。
AIエージェントに検索API以上のものが必要なのはなぜですか？
検索APIはキャッシュされたインデックスからスニペットを返します。ビジネス上の意思決定を行うエージェントは、その要約ではなく実際のページコンテンツを必要とします。また、何かが変わったかどうかを検出するための過去のデータと、レート制限に達することなく数千の並行リサーチタスクを実行するための十分なスループットも必要です。
AIエージェントはウェブデータをどのように使用しますか？
エージェントは一度検索して止まりません。タスク中に何を検索するか、何ページ読むか、見つけたものに基づいて再度検索するかどうかを決定します。価格エージェントは検索し、実際のページを取得し、先月と比較し、次に関連ニュースを検索するかもしれません。ウェブはいくつかのツールの一つです。
Bright DataはTavilyと比べてどのくらいのコストがかかりますか？
Bright Data SERP APIは従量課金制で1,000リクエストあたり$1.50から始まります。Web UnlockerとデータセットはUsageに基づいて別途価格設定されています。Tavilyは1クレジットあたり$0.008（1,000件の単一クレジットリクエストで$8）から始まります。各Bright Data製品には最小コミットメントなしの無料枠または無料トライアルが含まれています。
Bright DataはTavilyの良い代替品ですか？
ワークロードによります。完全なページコンテンツ、意図でランク付けされた結果、過去のベースラインを必要とする本番エージェントには、Bright DataがTavilyがカバーしない部分をカバーします。レイテンシが優先されるプロトタイプやチャットUXには、Tavilyは引き続き強力な選択肢です。両方とも異なる問題に対する優れたツールです。
