Exa

Exa est une API de recherche web conçue de A à Z pour les agents IA et les applications basées sur les LLM. Fondée sous le nom de Metaphor Systems via Y Combinator (W21) et rebaptisée Exa en janvier 2024, l'entreprise de San Francisco exploite un index de recherche neuronal propriétaire qui classe les résultats par sens plutôt que par fréquence de mots-clés. Le PDG Will Bryk décrit le problème central de manière simple : « Chercher sur Internet devrait donner l'impression de naviguer dans une grande bibliothèque de connaissances. Aujourd'hui, chercher sur Internet ressemble plus à naviguer dans une décharge. » Exa a levé une Série B de $85M pour une valorisation de $700M en septembre 2025, menée par Benchmark avec la participation de Lightspeed, Y Combinator et la branche NVentures de NVIDIA.

L'API propose plusieurs points de terminaison distincts : Search (récupération web sémantique avec extraction des passages clés), Contents (texte intégral nettoyé à partir de n'importe quelle URL), Answer (réponses directes avec citations), Find Similar (découverte de pages sémantiquement liées à partir d'une URL source) et Monitors (alertes en temps réel sur les nouveaux contenus correspondants). Au-dessus de l'API se trouve Websets, un produit d'automatisation de la recherche lancé le 26 février 2025, qui accepte des objectifs de recherche en langage naturel et déploie des pipelines d'agents pour vérifier des milliers de sources et renvoyer des tableaux de résultats structurés. Des intégrations natives sont disponibles pour LangChain, LlamaIndex, CrewAI et le serveur Model Context Protocol de Claude, qui comptait plus de 46 000 téléchargements en avril 2025.

Ce que fait réellement Exa en avril 2026

Le mécanisme central d'Exa est un système de classement axé sur les embeddings. Plutôt que de faire correspondre les mots-clés d'une requête à la fréquence des mots-clés d'une page (le fonctionnement du PageRank original de Google), Exa encode à la fois la requête et les pages candidates dans un espace vectoriel partagé, puis les récupère par proximité sémantique. Cela signifie qu'une requête telle que « fondateurs de startups ayant quitté le monde universitaire pour commercialiser le repliement des protéines » trouve des pages pertinentes même si ces mots exacts n'apparaissent jamais ensemble sur une même page.

L'API Search renvoie les résultats sous forme de JSON structuré avec l'URL, le titre, la date de publication, l'auteur et des extraits optionnels (highlights) : les phrases spécifiques du document source qui correspondent à la requête. Cette fonctionnalité d'extraction, contrôlée via le paramètre highlights, réduit la charge de tokens transmise aux LLM en aval de 50 à 75 % par rapport à l'envoi du contenu complet de la page, tout en améliorant la précision du RAG d'environ 10 % selon les benchmarks internes d'Exa. Les développeurs qui créent des systèmes de génération augmentée par la recherche (RAG) obtiennent des données d'entrée propres sans appel de scraping secondaire.

Au-delà de la recherche standard, le point de terminaison /findsimilar prend une URL en entrée et renvoie des pages sémantiquement liées, sans nécessiter de chaîne de requête. Cela alimente les flux de découverte : trouver des concurrents similaires à une startup connue, trouver des articles similaires à un texte de référence, trouver des offres d'emploi similaires à un poste cible. Le point de terminaison Monitors vérifie régulièrement les nouveaux contenus correspondant à une requête sémantique, remplaçant les alertes Google manuelles par des déclencheurs de la qualité des embeddings.

Le produit Websets, accessible sur websets.exa.ai, cible un flux de travail différent : la recherche complexe multi-sources qui nécessiterait autrement des heures de compilation manuelle. Vous définissez un objectif en langage naturel (« PDG des 50 meilleures startups d'IA aux États-Unis par capitalisation boursière »), et Exa déploie un pipeline d'agents qui traite plus de 1 000 pages web, vérifie de manière récursive les sources par rapport à vos critères, et produit un tableau structuré. Le système a trouvé 20 fois plus de résultats corrects que Google et 10 fois plus qu'OpenAI Deep Research lors des propres tests comparatifs d'Exa sur des requêtes complexes. Les requêtes s'exécutent en quelques minutes, voire des dizaines de minutes, et non en secondes, Websets est donc destiné aux tâches de recherche plutôt qu'à la récupération en temps réel.

Où se situe Exa par rapport à Tavily et Brave Search API

Le marché des API de recherche pour développeurs compte trois principaux concurrents, chacun optimisé différemment.

Tavily a également été conçu spécifiquement pour être utilisé par des agents IA (et non adapté à partir d'un produit grand public), ce qui lui confère des avantages ergonomiques : un paramètre search_depth permet aux agents d'échanger la latence contre la qualité des résultats en fonction de l'urgence de la tâche, et include_raw_content ajoute l'extraction de la page complète en un seul appel. Mais Tavily s'appuie sur une récupération basée sur des mots-clés avec un post-traitement LLM plutôt que sur un classement neuronal. Sa latence P95 est de 3.8-4.5 secondes, contre 1.4-1.7 secondes pour Exa. Tavily ne possède pas de sous-index propriétaire pour la recherche de personnes, d'entreprises ou de code. Dans les benchmarks indépendants AN Score pour agents, Exa a obtenu 8.7 contre 8.6 pour Tavily, un écart minime. Tavily a été acquis par Nebius en février 2026 pour $275M, ce qui introduit une certaine incertitude quant à sa feuille de route indépendante. Le classement neuronal d'Exa l'emporte sur les tâches de récupération sémantique ; le paramètre search_depth de Tavily l'emporte lorsqu'un agent a besoin de compromis explicites entre qualité et vitesse.

Brave Search API adopte une approche totalement différente. Brave exploite un index web indépendant de plus de 30 milliards de pages, entièrement séparé de l'infrastructure de Google ou de Bing, et l'API n'enregistre explicitement aucune donnée de requête, ce qui en fait l'outil de choix pour les charges de travail dans les domaines de la santé, du droit ou du gouvernement où la confidentialité des requêtes est une exigence de conformité. Son niveau gratuit est plus généreux (2 000 requêtes par mois contre 1 000 pour Exa). Le compromis : Brave utilise un classement basé sur les mots-clés, de sorte que les requêtes techniques ou conceptuelles de niche renvoient des résultats plus rares. Dans le même benchmark AN Score pour agents, Brave a obtenu 7.1, soit environ 1.6 point de moins qu'Exa. Choisissez Brave lorsque la posture de conformité ou le budget importe plus que la précision de la récupération ; choisissez Exa lorsque la compréhension sémantique est l'exigence principale.

« Les résultats de Websets sont bons car les modèles d'embedding renvoient les véritables pages d'accueil des startups, tandis que les moteurs basés sur les mots-clés renvoient des listicles. » - Utilisateur HN, fil de lancement Hacker News, mai 2025

À quoi ressemble réellement le flux d'intégration des agents

Pour un développeur Python ajoutant Exa à un agent LangChain, l'intégration prend environ une douzaine de lignes : installer le SDK (pip install exa-py), instancier un client Exa avec une clé API, et utiliser le wrapper intégré ExaSearchRetriever. Pour CrewAI, il existe un modèle de décorateur @tool dédié dans la documentation. Le serveur MCP se connecte à Claude Desktop ou à tout client compatible MCP sans aucun code, faisant apparaître la recherche web, la recherche approfondie et la recherche de documentation de code comme des outils natifs.

Le modèle de tarification est basé sur l'utilisation, sans abonnement requis pour le niveau API. L'allocation gratuite de 1 000 requêtes par mois couvre le prototypage et l'évaluation. À l'échelle de la production, une équipe effectuant 10 000 recherches par mois paie environ $70 au tarif standard de Search ($7 pour 1 000). Les projets de startups et d'éducation peuvent demander $1,000 de crédits gratuits. Les limites de débit sont par défaut de 10 QPS (600 requêtes par minute), ce qui est adéquat pour la plupart des flux de travail à agent unique, mais nécessite une logique de mise en file d'attente pour les pipelines multi-agents parallèles. Les clients Enterprise négocient directement des plafonds plus élevés.

Le produit Websets est un abonnement distinct basé sur des crédits. Le niveau Starter à $49/mois fournit 8 000 crédits et 100 résultats par Webset. Un seul Webset complexe avec 100 résultats vérifiés consomme une fraction importante de ces crédits, ce qui prend les nouveaux utilisateurs au dépourvu. Un utilisateur de HN a signalé avoir dépensé 750 de ses 1 000 crédits gratuits pour une seule recherche exploratoire. La recommandation des utilisateurs expérimentés : utilisez le tableau de bord développeur pour suivre les habitudes de consommation de crédits avant de vous engager dans un niveau d'abonnement.

« La grande majorité de la valeur de l'ensemble de notre système de recherche provient de la récupération, et non du LLM. Nos clients apportent souvent leur propre LLM et leur propre prompt. » - Will Bryk, PDG, interview Sacra

Pour qui Exa est conçu

Exa cible principalement les ingénieurs en IA et les équipes de développeurs. Si vous créez un pipeline RAG, un agent IA qui a besoin de rechercher des informations ou un produit d'automatisation de la recherche, Exa est l'API qui a été conçue exactement pour cette charge de travail. Les affirmations de l'entreprise concernant ses benchmarks (54.4% de précision sur FRAMES contre 44.5% et 21.6% pour ses concurrents) et sa liste de clients (Cursor, AWS, Databricks, Groq) suggèrent que le niveau de qualité est bien réel.

Websets étend cette valeur aux chercheurs non-ingénieurs qui ont besoin de recherches structurées et vérifiées à grande échelle : équipes commerciales créant des listes de prospection, analystes élaborant des suivis de veille concurrentielle, équipes de recrutement recherchant des viviers de candidats. L'interface en langage naturel élimine le besoin d'écrire des appels API, mais le produit Websets reste plus lent et plus coûteux qu'une recherche Google pour des consultations occasionnelles ponctuelles.

Au sein du public des développeurs, Exa est particulièrement performant pour les équipes utilisant déjà LangChain, LlamaIndex ou CrewAI, car les intégrations natives signifient qu'aucun code de liaison personnalisé n'est nécessaire. Les utilisateurs de Claude MCP bénéficient du parcours d'intégration le plus rapide : un clic pour ajouter le connecteur dans Claude Desktop, aucun terminal requis.

Ce que n'est pas Exa

Exa n'est pas un remplaçant de Google ou de Perplexity pour la navigation web quotidienne. Il n'y a pas d'interface de chat, pas de flux de questions de suivi et pas d'expérience utilisateur grand public. Si vous voulez qu'une IA effectue des recherches sur le web et réponde à une question de manière conversationnelle, Perplexity Sonar ou Claude avec recherche web le font mieux.

Exa n'est pas non plus le bon outil pour les charges de travail critiques en matière de confidentialité. Si vos requêtes contiennent des informations sensibles sur des patients, des données juridiques ou financières et que vous avez besoin d'une garantie contractuelle que ces requêtes ne sont jamais enregistrées, la posture de non-enregistrement des requêtes de Brave Search API est plus appropriée. Exa ne publie pas de garanties équivalentes.

Websets n'est pas adapté à la récupération en temps réel. Les requêtes qui renvoient 50 à 100 résultats vérifiés prennent de quelques minutes à des dizaines de minutes, parfois plus longtemps sur des critères complexes. Si votre boucle d'agent a besoin d'un résultat de recherche web en moins de deux secondes, utilisez l'API Search de base, et non Websets.

Enfin, le système de crédits d'Exa pénalise les utilisateurs intermittents. Le forfait Websets à $49/mois ne fonctionne bien que si vous effectuez des recherches de manière suffisamment cohérente pour consommer les crédits avant la réinitialisation mensuelle. Les équipes de recherche occasionnelles peuvent trouver la tarification de l'API par requête plus économique qu'un abonnement mensuel qu'elles ne consomment que partiellement.