あなたのAIエージェント、裏側でどの検索エンジンを使っているか知っていますか?
Cursor、Claude MCP、OpenClaw、Cline——エンジニアが日常的に使うAIツールの多くが、実はBrave Search API経由で情報を取得しています。Googleでも旧Bingでもなく、Brave Searchです。
私自身、OpenClawをセットアップした際にデフォルトでBrave Search APIキーの設定を求められ、そこで初めて「AIエージェントの検索エンジン=Brave」という現実を実感しました。なぜGoogleでもBingでもなくBrave Searchなのか?この疑問がこの記事の出発点です。
余談: BraveとYouTubeの「いたちごっこ」
Braveブラウザといえば、広告ブロック機能でYouTubeの広告を無料でスキップできることで知られています。2023年10月、GoogleがYouTubeで広告ブロッカー検出を本格導入した際、多くの拡張機能が機能停止する中、BraveはShields(内蔵広告ブロッカー)のフィルタリスト更新で数時間〜数日で対応し続けました。GoogleがブロックすればBraveが回避し、Googleが再ブロックすればまた対応する——この攻防は今も続いています。広告ブロックの最前線で鍛えられたWeb解析技術が、Brave Search APIの品質を支えている側面もあります。
この記事では、なぜBrave SearchがAIエージェントのデフォルト検索エンジンになったのか、その技術的な仕組みを実際のコード例とともに解説します。
TL;DR
- 2025年8月のBing API廃止により、独立した大規模Webインデックスを持つ商用APIはBrave Searchだけになった
- LLM Context API(2026年2月にリリース)はJSON-LDを優先抽出し、構造化データ対応がAI可視性の鍵になる
- オープンウェイトのQwen3がChatGPTを上回った事実が示すのは「データ品質 > モデル性能」
- 月間13億クエリ、300億ページの独自インデックス、95%が1秒以内にレスポンス
Bing API廃止で何が変わったのか?
2025年5月、MicrosoftはBing Search APIの廃止を発表しました(同年8月に正式終了)。これは検索API市場の地殻変動でした。ただし、ChatGPTについては、OpenAIとMicrosoftの戦略的パートナーシップにより、専用の検索インフラへのアクセスを継続している可能性があります。
廃止前後の構造変化
廃止前(2025年8月以前):
| API | 特徴 | 問題点 |
|---|---|---|
| Google PSE | $5/1,000 req | AI利用に制約多い。RAG/グラウンディング不可 |
| Bing API | 柔軟なAPI | AIアプリの多くが依存 → 廃止 |
| その他 | Tavily, Exa等 | 独自インデックスを持たず、他の検索エンジン経由で結果を取得 |
廃止後:
英語圏で主要な独立した大規模Webインデックスを持つ商用APIは、Brave Search APIが最も有力な選択肢になりました。Google PSEはAIグラウンディングやRAGアプリケーションの基盤としては使えません。他のAPIサービスはToS違反リスクや品質の不安定性を抱えています。
主要な採用企業
AI企業トップ10の大半がBrave Search APIを利用しており、2025年3月時点で35,000以上の無料顧客、2,700以上の有料顧客を抱えています。
- コーディングアシスタント: Cursor、Cline、Windsurf
- AIプラットフォーム: OpenClaw、Dify.ai、FlowiseAI
- エンタープライズ: Snowflake (Cortex)、Chegg、Turnitin
Brave Search APIを実際に叩いてみる
エンジニアとして、まずは手を動かしてみましょう。
基本的なWeb検索
# curlでBrave Search APIを呼び出す
curl -s "https://api.search.brave.com/res/v1/web/search?q=Next.js+App+Router+migration" \
-H "Accept: application/json" \
-H "X-Subscription-Token: YOUR_API_KEY"
Pythonでの実装例
import requests
from typing import Any
def brave_search(query: str, api_key: str, count: int = 10) -> dict[str, Any]:
"""Brave Search APIでWeb検索を実行する。
Args:
query: 検索クエリ文字列
api_key: Brave Search APIキー
count: 取得する結果数(最大20)
Returns:
検索結果のJSON辞書
"""
headers = {
"Accept": "application/json",
"X-Subscription-Token": api_key,
}
params = {
"q": query,
"count": count,
}
resp = requests.get(
"https://api.search.brave.com/res/v1/web/search",
headers=headers,
params=params,
)
resp.raise_for_status()
return resp.json()
# 使用例
results = brave_search(
"Kubernetes pod security best practices 2026",
api_key="YOUR_KEY",
)
# 結果を表示
for r in results.get("web", {}).get("results", []):
print(f"Title: {r['title']}")
print(f"URL: {r['url']}")
print(f"Desc: {r.get('description', '')[:120]}")
print()
料金は $5/1,000リクエスト、無料枠は 月2,000クエリ です。個人開発やプロトタイプには十分な量でしょう。実際に私が月間で約500クエリ程度使っていますが、AI開発の調査用途であれば無料枠内で十分収まります。
レスポンス構造の解析
Brave Search APIのレスポンスは構造化されており、AIエージェントが消費しやすい形式になっています。
import json
def analyze_brave_response(results: dict) -> None:
"""Brave Search APIのレスポンス構造を解析して表示する。"""
# Web検索結果
web_results = results.get("web", {}).get("results", [])
print(f"Web結果数: {len(web_results)}")
# 各結果のメタデータ
for i, r in enumerate(web_results[:3], 1):
print(f"\n--- Result {i} ---")
print(f" title: {r.get('title')}")
print(f" url: {r.get('url')}")
print(f" description: {r.get('description', '')[:100]}...")
print(f" age: {r.get('age', 'N/A')}")
print(f" language: {r.get('language', 'N/A')}")
# ネストされた構造化データ
if "extra_snippets" in r:
print(f" extra_snippets: {len(r['extra_snippets'])}件")
# FAQ結果(あれば)
faq = results.get("faq", {}).get("results", [])
if faq:
print(f"\nFAQ結果数: {len(faq)}")
for f in faq[:2]:
print(f" Q: {f.get('question')}")
print(f" A: {f.get('answer', '')[:80]}...")
# ニュース結果(あれば)
news = results.get("news", {}).get("results", [])
if news:
print(f"\nニュース結果数: {len(news)}")
LLM Context API — AI検索の本質が変わる
2026年2月にリリースされたLLM Context APIは、従来のWeb検索APIとは根本的に異なる設計思想を持っています。
実際に私がOpenClawでBrave Search APIキーを設定し、Claude CodeのMCP(Model Context Protocol)経由で検索を試してみると、従来のWeb検索とは明らかに異なる体験でした。従来なら「関連するURLのリスト」が返ってきていたところに、「LLMが直接消費できるコンテキストチャンク」が返ってくるのです。
従来のWeb検索APIとの決定的な違い
従来のWeb検索APIは「URL中心」の設計でした。タイトル・URL・スニペット(160文字程度)を返し、人間がクリックして読むことを前提としています。
LLM Context APIは「データ中心」です。LLMが直接消費することを前提に、構造化された情報チャンクを返します。
4ステップの内部処理
LLM Context APIの処理フローは以下の4段階です。
Step 1: 標準Web検索 — Brave独自インデックス(300億ページ超)で関連ページを特定します。ここは従来と同じです。
Step 2: ディープコンテンツ抽出 — 各ページのHTMLからスマートチャンクを生成します。ここが革新的なポイントです。
- JSON-LD(schema.org)を優先的に抽出
- クエリに最も関連する箇所をスニペット化
- コードブロックの文脈を保持して抽出
- Reddit、Stack OverflowなどのQ&A構造を保持
- YouTube字幕のテキスト化
Step 3: スマートチャンク・ランキング — 独自モデルでページ単位ではなく、段落・テーブル行・コードブロック単位の粒度でランキングします。
Step 4: コンパクト出力 — トークン数・URL数などのユーザー指定に従い、最適化された出力を生成します。
JSON-LD対応が「必須」になった理由
Step 2でJSON-LD(schema.org)が優先抽出されるという事実は、コンテンツ制作者にとって決定的に重要です。
{
"@context": "https://schema.org",
"@type": "TechArticle",
"headline": "Next.js 15のApp Router移行ガイド",
"author": {
"@type": "Person",
"name": "田中太郎"
},
"datePublished": "2026-01-15",
"description": "Next.js 14からApp Routerへの段階的移行手順を解説"
}
このJSON-LDがあるサイトは、LLM Context APIに優先的に抽出され、AIの回答に採用されやすくなります。schema.org対応は「あると便利」から「必須」に変わりました。
この変化については、LLMO(LLM Optimization)という概念でより詳しく解説していますが、従来のSEOがGoogle向けだったように、今後はAI向けの最適化が重要になってきます。
「データ品質 > モデル性能」を証明したベンチマーク
2025年11月のBrave公式ベンチマークは、AI検索の常識を覆す結果を示しました。
評価条件
- 1,500クエリをClaude Opus 4.5およびSonnet 4.5によるLLM-as-judgeでペアワイズ比較
- 位置バイアス制御(A vs BとB vs Aの両方で評価)
結果
| サービス | 平均評価(5点満点) | 勝率 | 使用モデル |
|---|---|---|---|
| Grok | 4.71 | 59.87% | xAI独自モデル |
| Ask Brave | 4.66 | 49.21% | Qwen3(オープンウェイト) |
| Google AI Mode | 4.39 | 27.07% | Gemini |
| ChatGPT | 4.32 | 23.87% | GPT-4o |
| Perplexity | 4.01 | 10.51% | 独自パイプライン |
Ask BraveはオープンウェイトのQwen3を使いながら、ChatGPTとPerplexityを上回りました。
これが意味するのは明確です。グラウンディングデータの品質が、モデル性能よりも回答品質を左右するということです。巨大なパラメータを持つ最先端モデルでも、検索データの品質が低ければ良い回答は生成できません。
Zero Data Retention — エンタープライズが選ぶ理由
Brave Search APIが選ばれるもう一つの理由が、Zero Data Retention(ZDR) です。
スクレイパー系APIは、ユーザーのクエリがスクレイパー経由でBig Techの検索エンジンに転送されます。スクレイパー側でZDRを約束しても、Big Tech側のデータ保持は制御不能です。
Brave SearchはクローラーからAPIエンドポイントまで全スタックを自社管理しており、クエリデータが外部に出ません。金融・医療・法務など規制の厳しい業界のAIアプリケーションにとって、これは決定的な選定要因です。
エンジニアが今すぐやるべき3つのこと
1. Brave Searchで自分のサイトを検索する
https://search.brave.com にアクセスして、自分のサイト名や記事タイトルで検索してみてください。Googleとは異なる結果が返ってくるはずです。
私が初めてこれをやったとき、Googleでは上位表示されていた記事がBrave Searchでは見つからないケースがありました。
2. schema.org(JSON-LD)を実装する
LLM Context APIはJSON-LDを優先抽出します。TechArticle、HowTo、FAQPage等の構造化データを実装することで、AI回答に採用される確率が上がります。
3. 複数インデックスでの可視性を意識する
Bing API廃止により、実質的に独立したWebインデックスはGoogle・Brave・Yandexの3つになりました(ただしYandexは主にロシア語圏、商用API利用には制約があります)。英語圏のAI開発者にとっては、GoogleとBraveが主要な選択肢です。Google SEOだけでは、Brave Index経由でコンテンツを見つけるAIツールのユーザーにリーチできません。
Brave Search APIの導入判断フロー
検索API比較表(2026年2月時点)
| 項目 | Brave Search API | Google PSE | Tavily | Exa |
|---|---|---|---|---|
| 独自インデックス | ✅(300億ページ) | ✅ | ❌(他検索エンジン経由) | ❌(他検索エンジン経由) |
| AIグラウンディング利用 | ✅ 許可 | ❌ 制約あり | ✅ | ✅ |
| LLM Context API | ✅ | ❌ | ❌ | ❌ |
| Zero Data Retention | ✅ | ❌ | 不明 | 不明 |
| 無料枠 | 月2,000クエリ | 日100クエリ | 月1,000クエリ | 月1,000クエリ |
| 料金 | $5/1,000 req | $5/1,000 req | $5/1,000 req | $5/1,000 req |
| ToSリスク | なし | なし | あり | あり |
Key Takeaways
- Bing API廃止後、独立系検索APIはBrave Searchだけ — AI企業の大半が依存しており、Brave Searchでの可視性がAI時代のリーチを左右します
- LLM Context APIはJSON-LDを優先抽出 — schema.org対応が「必須」に変わりました
- データ品質 > モデル性能 — Qwen3がChatGPTを上回った事実は、コンテンツの品質と構造化の重要性を実証しています
- 月2,000クエリの無料枠 — 今日からBrave Search APIを試せます。まずは自分のコンテンツがどう見えるか確認しましょう
皆さんのAIツール、裏側でどの検索エンジンを使っているか確認してみてください。意外な発見があるかもしれません。
📋 今日からやることリスト
- Brave Searchで自分のサイト名を検索して可視性を確認する
- Brave Search APIで無料APIキーを取得する
- 上記のPythonスクリプトをコピーして自社サイトの検索結果を確認する
- 自サイトにJSON-LD(TechArticle/FAQPage)を実装する
- GA4でBrave Search経由のリファラルトラフィックをフィルタ設定する
参考文献
- Bing Search APIs Retiring on August 11, 2025 - Microsoft Learn
- Brave launches most powerful search API for AI to date - Brave Blog
- The Brave Search API's integration into Snowflake - Brave Blog
- Brave Search API update makes web search useful for AI apps - Developer Tech
- Introducing Claude Opus 4.5 - Anthropic


