검색 AI 시장의 경쟁이 '누가 더 빨리 답하는가'에서 '누가 더 빠짐없이 찾아내는가'로 이동하고 있습니다. 2026년 9월 26일, 검색 기술 전문 기업 Exa는 자사의 에이전트 API 중 가장 강력한 심층 조사 모드인 Exa Agent Ultra를 출시했습니다1. 이 서비스는 단순히 질문에 답하는 수준을 넘어, 수천 개의 소스를 동시에 탐색해 누락 없는 리스트를 구축하고 데이터를 보강하는 '서브에이전트 스웜(Subagent Swarm)' 방식을 채택한 것이 특징입니다1[2.
기존 AI 모델들이 웹상에서 몇 개의 문서를 읽고 요약하는 데 그쳤다면, Exa Agent Ultra는 특정 조건을 만족하는 기업을 전수 조사하거나 복잡한 기술 구현 사례를 모두 찾아내야 하는 전문가급 업무를 목표로 합니다. 특히 Opus 5.5나 GPT-6 Astra 같은 선도적 모델(Frontier models)보다 심층 조사 분야에서 우수한 성적을 거두었다는 발표는, 기업용 AI 에이전트의 가치 기준이 단순 지능을 넘어 실제적인 '조사 수행력'과 '완결성'으로 옮겨가고 있음을 보여줍니다2.
서브에이전트 스웜: 복잡한 리서치를 분해하고 병렬 실행하는 구조
Exa Agent Ultra의 핵심 원리는 하나의 거대한 작업을 여러 개의 하위 작업(Subtasks)으로 쪼개고, 이를 수많은 서브에이전트에게 할당해 여러 도메인을 동시에 조사하도록 만드는 구조에 있습니다2. 하나의 에이전트가 순차적으로 검색 결과를 훑는 기존 방식과 달리, 이 모델은 수천 개의 소스를 동시에 탐색하며 정보를 수집해 '망라적인(Exhaustive)' 결과를 도출합니다.
이 과정에서 효율적인 자원 배분을 위해 모델 믹스 전략을 사용합니다. 고도의 판단이나 추론이 필요한 단계에는 최상위 지능을 가진 모델을 배치하고, 단순한 정보 추출이나 반복 검색 단계에는 더 빠른 모델을 배치해 처리 속도와 정확도의 균형을 맞춥니다2. 사용자는 복잡한 오케스트레이션 과정을 직접 설계할 필요 없이, API 호출 시 effort 옵션을 ultra로 설정하는 것만으로 대규모 리서치 프로세스를 가동할 수 있습니다3.
특히 리스트 구축 업무에 유용한 '중복 제외' 기능을 지원합니다. 사용자가 이미 보유하고 있는 데이터 행을 입력하면, Exa Agent Ultra는 이를 검색 결과에서 제외하고 오직 새로운 엔터티(Entity)만 찾아냅니다2. 이는 영업 대상 리스트를 업데이트하거나 기존 시장 지도에 없는 신규 기업을 발굴할 때 리서치 효율을 극대화하는 장치가 됩니다.
벤치마크 결과: 리콜 성능과 검색당 비용의 상관관계
Exa는 이번 출시와 함께 WANDR, DeepSearchQA, WideSearch 등 4가지 주요 벤치마크 결과를 공개했습니다. 이 테스트들은 단순히 정답을 맞히는 것을 넘어, 얼마나 넓고(Wide) 깊게(Deep) 정보를 찾아내는지에 초점을 맞췄습니다.
WANDR 벤치마크: 리서치 에이전트가 정확한 근거를 바탕으로 적격 엔터티를 얼마나 빠짐없이 찾는지를 측정합니다. Exa Agent Ultra는 81.4%의 소프트 리콜(soft recall)을 기록하며 Opus 5.5(72.3% 대비 +12.6%), Perplexity Agent(40.1% 대비 +103%), GPT-6 Astra(대비 +213%)를 크게 앞섰습니다24. 작업당 비용은 Opus 5.5의 절반 수준으로 나타났습니다2.
기업 전수 조사(Find-All Company): 특정 조건을 만족하는 기업을 모두 찾는 테스트에서 성능 차이가 두드러졌습니다. 발견된 엔터티당 지출 비용을 기준으로 측정했을 때, Exa Agent Ultra는 Opus 5.5 대비 +1579%, GPT-6 Astra 대비 +2069% 더 높은 효율을 기록했습니다24.
정확도 및 범위 테스트: DeepSearchQA에서 GPT-6 Astra 대비 +10.1% 높은 성적을 냈으며, 작업당 비용은 46% 더 저렴했습니다. WideSearch에서도 경쟁 모델들보다 5.2%~14.1% 높은 성능을 보였습니다2.
다만, 이 수치는 Exa가 구축한 평가 환경(Harness)에서 측정된 결과라는 점을 유의해야 합니다4. Exa는 WANDR과 DeepSearchQA에서 각 200개, 나머지 테스트에서 각 100개의 태스크를 평가했으며, 경쟁사의 성능은 발표된 수치를 인용하거나 자체 측정 데이터를 혼합했습니다4. 특히 비용 비교 기준이 '작업당 총비용'인지 '발견된 정보당 비용'인지에 따라 체감 효율이 달라질 수 있습니다.
운영 방식과 제약: 예산 설정 및 실행 시간 제어
Exa Agent Ultra는 실시간 챗봇이 아닙니다. 복잡한 작업은 평균적으로 약 30분이 소요되며, 매우 까다로운 작업은 최대 3시간까지 실행될 수 있는 '비동기식 리서치 도구'입니다3. 따라서 즉각적인 답변보다는 심도 있는 보고서 작성이나 대규모 데이터베이스 구축에 적합합니다.
비용은 사용량에 따라 과금되는 계량 방식을 따르며, 사용자는 budget 객체를 통해 직접 상한선을 설정할 수 있습니다3.
비용 상한(maxCostDollars): 1달러에서 100달러 사이로 설정 가능하며, 기본값은 20달러입니다. 작업이 조기에 완료되면 설정된 금액보다 적게 청구됩니다.
시간 상한(maxDurationSeconds): 300초(5분)에서 10,800초(3시간) 사이로 설정할 수 있습니다3.
설정된 예산이나 시간에 도달하면 에이전트는 새로운 작업을 시작하지 않고 그때까지 수집된 결과를 반환합니다. 개발자는 응답 데이터의 stopReason 필드를 통해 종료 원인을 파악할 수 있습니다. schema_satisfied는 작업을 완수한 상태이며, budget_reached나 time_limit_reached는 제약 조건 때문에 중단되었음을 의미합니다3. 이를 통해 사용자는 결과의 완결성을 판단하고 추가 리서치 여부를 결정할 수 있습니다.
도입 판단 기준: 어떤 비즈니스 환경에 적합한가?
Exa Agent Ultra는 단순히 정보를 요약하는 단계를 넘어, 방대한 웹 데이터를 뒤져 '증거 기반의 리스트'를 만들어야 하는 조직에 실질적인 가치를 제공합니다.
금융 및 법률 서비스: 실사(Due Diligence) 업무 시 특정 기업의 과거 보도자료, 공시, 법정 기록을 누락 없이 수집해 KYC(고객 알기 제도) 준수 레코드를 생성할 때 유용합니다2.
투자 및 전략 기획: "유럽의 모든 배터리 재활용 기업"과 같이 특정 산업의 마켓 맵을 그리고 각 기업의 창업자, 펀딩 규모, 주요 고객 정보를 보강하는 작업에 최적화되어 있습니다2.
기술 및 모델 연구: 특정 알고리즘을 구현한 모든 코드 저장소나 논문을 수집하는 등 AI 학습용 벤치마크 데이터셋 구축에 활용할 수 있습니다2.
도입을 검토하는 의사결정자는 이 도구가 '지연 시간(Latency)'을 희생하는 대신 '망라성(Completeness)'을 얻는 솔루션임을 인지해야 합니다. 또한 벤치마크 결과가 우수하더라도, 실제 업무에서 요구하는 미세한 필터링 조건을 AI가 완벽히 이해했는지는 사용자가 직접 검증해야 합니다4. 실행 한 번에 최대 100달러가 소요될 수 있는 구조인 만큼, 자동화로 얻는 시간적 이득과 수동 조사 비용을 면밀히 비교하는 과정이 필요합니다.
1Exa Launches Agent Ultra: A Subagent Swarm Deep Research API Built for Exhaustive List Building
2Introducing Exa Agent Ultra - A New Frontier for Deep Research
3Agent Ultra - exa.ai Documentation
4Exa Adds Agent Ultra for Longer Web Research, Claims Lower Benchmark Costs
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.