AI-поиск становится вертикальным: почему специализированный retrieval выигрывает в 2026

Product manager спрашивает универсальный AI-поиск, какие пользователи заблокированы новым багом в onboarding. Ответ звучит уверенно, цитирует два публичных документа, но пропускает support tickets, changelog и заметки про feature flags внутри рабочего пространства. Разработчик спрашивает о миграции версии фреймворка и получает правдоподобное резюме, но не тот issue, где maintainer объяснил edge case. SEO-лид спрашивает, что конкуренты изменили после падения трафика, и получает общие советы вместо доказательств из SERP, продуктовых страниц и исходных документов.

В этом и есть разрыв. Универсальные answer engines хороши для ориентации. Но многие рабочие процессы требуют retrieval, который понимает домен, корпус, модель доступа и локальное определение релевантности. Поэтому AI-поиск движется к вертикальному поиску. Exa, Danswer или Onyx, Devv, Lumona и Airweave интересны не тем, что делают одно и то же, а тем, что сужают задачу retrieval.

Универсальные ответы — старт, а не workflow

Первая волна AI-поиска научила пользователей ждать ответы вместо списков ссылок. Для многих вопросов синтез с цитатами быстрее десяти вкладок. Но product ops, SEO-команды и AI builders быстро задают более точный вопрос: быстрее какого процесса?

Для "объясни векторные базы данных" универсального поиска достаточно. Для "найди три документа, объясняющие падение trial-to-paid после изменения pricing page" — нет. Ответ зависит от приватных analytics notes, истории релизов, ID экспериментов, правок CMS и точного текста, который видел пользователь. Широкая модель может суммировать интернет. Она не угадает вашу цепочку доказательств, если слой retrieval не принесет правильные источники.

Это тот же урок, что в AI content operations и knowledge base для поддержки: качество модели важно, но доверие определяет качество retrieval.

Что значит вертикальный AI-поиск

Вертикальный AI-поиск — не просто поисковая строка с отраслевым ярлыком. Обычно у него есть ограниченный корпус, доменные сигналы ранжирования, интерфейс как инфраструктура и проверяемые источники.

Exa ориентирована на web retrieval для AI-приложений. Devv фокусируется на поиске для разработчиков. Danswer/Onyx и Airweave ближе к корпоративному знанию или knowledge retrieval для агентов. Lumona связана с поиском и сравнением продуктов. Границы здесь не слабость, а источник качества.

Сигналы тоже различаются. Developer search должен иначе оценивать официальную документацию, GitHub issues, версии пакетов, changelog и комментарии maintainers. Product research должен отделять заявления вендоров, цены, обзоры и affiliate bias. Внутренний поиск должен учитывать свежесть, права доступа и каноничность документов.

Разные инструменты, один тренд

Exa показывает AI-native web retrieval. Для research agents, prospecting workflows и content intelligence часто полезнее получить релевантные свежие страницы, чем обрабатывать обычные SERP snippets.

Danswer, который сейчас часто встречается через проект Onyx, представляет enterprise knowledge search. Проблема не в нехватке информации, а в том, что она разбросана по документам, чатам, тикетам и wiki. Полезный ассистент должен уважать connectors, permissions, freshness и traceability.

Devv показывает, почему developer search нужна собственная логика. Разработчику редко нужен общий очерк; нужны поведение API, паттерн ошибки, release note или объяснение рядом с кодом. Lumona указывает на другую вертикаль — discovery и comparison продуктов, где доказательства за рекомендацией должны быть видимыми. Airweave интересен AI builders, потому что рассматривает retrieval как инфраструктуру для агентов.

Это связано с agent operations funnels и MCP SaaS integration strategy: когда агенты касаются реальных workflows, retrieval становится частью production architecture.

Почему доменный retrieval часто выигрывает

Главный аргумент не в том, что универсальный AI-поиск плох. Релевантность локальна.

Для SEO-команды релевантность означает, что источник отражает целевую SERP, тип страницы, набор конкурентов и дату изменения. Общий совет про helpful content менее ценен, чем набор источников с реальными страницами, которые выросли, запросами и изменениями контента.

Для product ops релевантность — это связь feedback с workflow. Жалоба в Intercom, проваленный onboarding event, правка docs и Slack thread могут описывать одну проблему. Вертикальный retrieval должен их кластеризовать. Универсальный поиск часто видит отдельные фрагменты или вообще не имеет доступа.

Для AI builders релевантность снижает неоднозначность инструментов. Если агент может брать данные откуда угодно, он может выбрать старый blog post вместо внутреннего runbook. Вертикальный слой задает приоритеты: policy pages выше chat, официальные docs выше forum snippets, свежие tickets выше старых summaries.

Поэтому оценка должна быть шире, чем satisfaction по ответу. Измеряйте source precision, полезность citations, freshness, корректность permissions и downstream task success. Ассистент с меньшим числом, но лучше обоснованных ответов может превзойти более эффектный универсальный engine.

Как внедрять без лишней сложности

Начните с workflow, а не с категории инструмента. Выберите решение, которое регулярно страдает от плохого retrieval: support deflection, competitive content research, developer issue triage, sales enablement или synthesis product feedback. Запишите, какие источники проверил бы senior teammate.

Затем сделайте retrieval map. Пометьте каждый источник как public, private, canonical, stale-prone, permission-sensitive или weak signal. Для SEO это могут быть SERP captures, Search Console exports, страницы конкурентов, CMS history и content inventory. Для product ops — tickets, release notes, docs, analytics annotations и sales calls.

После этого выберите вертикальный слой: API-first web retrieval для актуальных внешних страниц, enterprise search для внутреннего знания, developer search для code и issues, agent-knowledge infrastructure, если output запускает действия.

В первый месяц проверяйте источники до автоматизации. Не спрашивайте только, хорош ли ответ. Спросите, выбрал бы senior эти sources. Неверный source set делает ответ красиво написанным риском. Верный source set позволяет отредактировать даже среднее резюме.

Компромиссы

Вертикальный поиск добавляет поддержку: connectors, deduplication, permissions и определение canonical sources. Небольшим командам не нужна такая сложность в каждом случае. Универсальный answer engine часто остается хорошим первым шагом для exploratory research.

Есть и vendor risk. Если content intelligence зависит от одной retrieval API, а support assistant — от одного enterprise search index, нужны export paths, fallbacks и logging. Относитесь к retrieval как к инфраструктуре.

Выгода — доверие. Product ops быстрее действует, когда источники взяты из систем команды. SEO публикует более сильный анализ, когда claims возвращаются к реальным pages и queries. AI builders выпускают агентов, чьи сбои менее загадочны. AI-поиск не станет одной универсальной коробкой ответов. Он делится на broad orientation, vertical expertise и retrieval infrastructure для агентов.