Mistral mění vyhledávání ve firemních dokumentech v digitální investigaci

Mistral Agentic Search je vyhledávací vrstva, která umožňuje modelu zkoumat kolekci dokumentů prostřednictvím několika navazujících volání nástrojů. Model může nejprve najít kandidátní dokumenty, poté je otevřít, procházet jejich strukturu, přečíst relevantní pasáže a nakonec vyhledat přesné výrazy nebo vzory.

Rozdíl je nejvýraznější u dlouhých finančních výkazů, naskenovaných stran, tabulek, poznámek pod čarou nebo dotazů, jejichž odpověď je rozptýlená mezi několika dokumenty. Mistral uvádí, že jeho přístup zvýšil správnost modelu Mistral Medium 3.5 v testu FinanceBench z 26,7 % na 86 % — tedy přibližně trojnásobně — na korpusu 368 výkazů o rozsahu zhruba 53 900 stran. Jde o vlastní produktové hodnocení Mistralu, nikoli o nezávisle potvrzený průmyslový standard.

Co Agentic Search mění na RAG

Klasický systém RAG, tedy generování s podporou vyhledávání, obvykle jednou provede retrieval, vybere pevný počet nejvýše hodnocených textových úseků a předá je jazykovému modelu k vytvoření odpovědi. To může dobře fungovat u přímé otázky, jejíž odpověď je obsažena v jediném odstavci. Méně spolehlivé je to ve chvíli, kdy první hledání přehlédne důležitý výkaz, oddělí tabulku od jejího vysvětlení nebo vrátí text bez potřebného kontextu. Dokumentace Mistralu popisuje standardní RAG podobně: systém z nahrané knihovny dokumentů vyhledá relevantní pasáže.

Agentic Search dělá vyhledávání adaptivním. Model nepovažuje první sadu výsledků za konečnou, ale může podle toho, co našel, rozhodnout o dalším kroku:

1. Search vyhledá pravděpodobně relevantní dokumenty nebo pasáže.
2. Open otevře vybraný dokument k podrobnější kontrole.
3. Navigate umožní pohybovat se mezi stránkami, oddíly nebo jinými částmi struktury dokumentu.
4. Read načte relevantní obsah včetně okolního kontextu.
5. Grep ověří výskyt přesných slov, frází, čísel nebo vzorů.

Tyto operace může model opakovat, dokud otázku neupřesní. Vzniká tak smyčka vyhledání a ověřování: najít pravděpodobnou odpověď, prozkoumat její zdroj, dohledat související důkazy a před odpovědí zkontrolovat přesné znění. Tento způsob práce odpovídá zdokumentované architektuře agentů Mistralu, v níž model během úkolu volá externí funkce a výsledky používá v dalším kroku uvažování.

Proč smyčka pomáhá u náročných firemních dokumentů

Slabý první výsledek nemusí znamenat konec

Jednorázové RAG je silně závislé na původním dotazu, podobě indexu, dělení dokumentu na části a pořadí výsledků. Pokud první vyhledávání vrátí zdánlivě přesný, ale neúplný materiál, model se k důležitému důkazu nemusí vůbec dostat. Iterativní agent může dotaz přeformulovat, otevřít jiný dokument nebo projít sousední oddíly, místo aby skončil u první přijatelné shody.

Zachovává strukturu dokumentu

Finanční tabulky a regulatorní informace často dávají smysl teprve v souvislosti s nadpisem, číslem stránky, poznámkou pod čarou a okolním textem. Plochá sbírka krátkých úryvků tyto vazby snadno rozbije. Navigace a cílené čtení dávají modelu možnost dokumentem procházet, nikoli zacházet s každou pasáží jako s izolovaným fragmentem.

Umožňuje kontrolu přesných důkazů

Sémantické vyhledávání je užitečné pro hledání podobných pojmů, ale u názvů společností, účetních termínů, dat, identifikátorů a opakovaných zveřejnění stále záleží na přesné shodě. Operace typu grep nabízí doplňkový způsob, jak ověřit, zda se konkrétní výraz nebo vzor v korpusu skutečně nachází. Podobné nástroje pro práci se soubory — vyhledávání, grep, čtení a procházení stromu dokumentu — používají i jiné agentní systémy.

Lépe zvládá otázky napříč dokumenty

Firemní dotazy často vyžadují porovnání několika výkazů nebo nalezení čísla v jednom dokumentu a jeho definice v jiném. Smyčka řízená modelem může v rámci celého korpusu střídat hledání a ověřování, místo aby se spoléhala na jediný průchod pořadím výsledků.

Co ukazují zveřejněné benchmarky

Mistral zdůrazňuje dvě hodnocení zaměřená na náročné úlohy práce s dokumenty.

FinanceBench: z 26,7 % na 86 %

FinanceBench pracuje s 368 finančními výkazy o celkovém rozsahu přibližně 53 900 stran. Mistral uvádí, že Mistral Medium 3.5 dosáhl při jednorázovém vyhledávání správnosti 26,7 %, zatímco s Agentic Search 86 %. Jde o nárůst o 59,3 procentního bodu, respektive přibližně 3,2násobek původního výsledku.

Mistral zároveň uvádí testování vyhledávací vrstvy s modelem GLM-5.2, který jeho dokumentace označuje za open-source textový model třetí strany. V tomto srovnání se správnost zvýšila z 6,3 % při jednorázovém vyhledávání na 51,9 % s Agentic Search.

OfficeQA Pro: zisk 45,6 procentního bodu

OfficeQA Pro se zaměřuje na tabulkově náročné otázky napříč dokumenty. Využívá 696 naskenovaných dokumentů U.S. Treasury Bulletin, tedy historických bulletinů amerického ministerstva financí. Oznámení Mistralu sdílené Inou Kolevou uvádí nárůst z 6,3 % na 51,9 %, tedy o 45,6 procentního bodu, ve srovnání s jednorázovým RAG.

Čísla vypadají slibně, nejsou však univerzální zárukou výkonu. Výsledek může ovlivnit parsování dokumentů, kvalita OCR, dělení textu, indexace, volba modelu, instrukce, limity nástrojů i samotná metodika hodnocení. Výzkum benchmarku OfficeQA Pro navíc ukazuje, že reprezentace a zpracování dokumentu mají výrazný dopad na přesnost, odezvu, počet volání nástrojů i cenu.

Přesnost je jen část podnikové rovnice

Mistral tvrdí, že Agentic Search v uvedených benchmarcích zvyšuje přesnost a současně snižuje počet kroků, spotřebu tokenů i latenci. Vícekrokový systém však musí čekat na volání nástrojů a zpracování dokumentů. Sekundární analýza výsledků FinanceBench uvádí průměrnou latenci 71 sekund a 154 sekund na 90. percentilu při použití celé smyčky; tyto hodnoty nejsou uvedeny v primárním výňatku zdroje Mistralu, a je proto třeba s nimi takto zacházet.

Pro týmy nasazující systém do produkce tedy není hlavní otázkou pouze to, zda je řešení „agentní“, nebo „neagentní“. Důležité je zjistit:

• Jak často systém najde správný důkaz?
• Zachovává spolehlivě kontext stránky, tabulky a citace?
• Jaká je průměrná a nejhorší odezva?
• Kolik volání nástrojů a tokenů vyžaduje jedna otázka?
• Lze do workflow začlenit oprávnění, indexaci, OCR a auditní záznamy?
• Kde probíhá zpracování dokumentů a inference modelu?

Agentní vyhledávání může omezit množství nepotřebného kontextu tím, že model načte jen to, co potřebuje. Další kroky uvažování ale mohou současně přidat latenci a náklady. Vhodná architektura proto závisí na rizikovosti a složitosti konkrétní úlohy.

Kde Mistral Agentic Search nabízí

Mistral uvádí, že Agentic Search je dostupný prostřednictvím Search Toolkit a Libraries. Tyto produkty zapadají do širšího ekosystému agentů a vyhledávání v dokumentech: dokumentace uvádí Libraries jako vestavěný způsob vyhledávání v nahraných souborech a Agents API podporuje agenty, kteří během konverzace volají nástroje.

Podstatné je, že Agentic Search Mistral staví jako vyhledávací komponentu, nikoli pouze jako funkci spotřebitelského chatbota. Organizace tak může tento workflow vložit do vlastní aplikace, agenta nebo podnikového vyhledávacího systému.

Proč záleží na nezávislosti na konkrétním modelu

Mistral své testy provedl s modely Mistral Medium 3.5 i GLM-5.2, což naznačuje design zaměřený na více modelů. Pokud vyhledávací a navigační vrstva skutečně funguje s různými modely pro uvažování, podnik nemusí při každé změně modelu budovat celý dokumentový workflow znovu.

Tato přenositelnost může být důležitá pro organizace, které zvažují schopnosti, cenu, licencování, místo nasazení i kontrolu nad daty. Konkurenční boj se tím přesouvá také na vyhledávací vrstvu, reprezentaci dokumentů, oprávnění, dohled nad systémem a kvalitu důkazů — nejen na samotný jazykový model generující konečnou odpověď.

Je však nutné testovat každé nasazení zvlášť. Systém může být z principu nezávislý na modelu, ale v praxi se jednotlivé modely liší spolehlivostí při používání nástrojů, prací s kontextem i kvalitou uvažování.

Agentic Search v širší strategii Mistralu

Agentic Search posiluje snahu Mistralu prodávat víc než jen samostatný model. Firma svou technologii prezentuje jako přenositelnou vrstvu pro vyhledávání a uvažování nad citlivými organizačními daty, včetně finančních záznamů a interních znalostních databází. Materiály Mistralu pro finanční sektor zdůrazňují vyhledávání respektující přístupová oprávnění a odpovědi s důkazy a kontextem.

Tato nabídka je relevantní zejména pro regulované organizace, které potřebují mít kontrolu nad tím, kde se data zpracovávají a jak se k důkazům přistupuje. Zprávy o Mistralu popisují nasazení v cloudu i v řízené infrastruktuře včetně prostředí typu on-premises. Flexibilita nasazení však automaticky neznamená splnění všech regulatorních požadavků v každé zemi nebo odvětví.

Do stejného příběhu zapadají i infrastrukturní plány společnosti. Reuters informoval o dohodě, podle níž Microsoft investuje miliardy do evropské výpočetní infrastruktury Mistralu a zákazníci Azure budou moci vyvíjet software s využitím datových center Mistralu ve Francii. Evropský hosting může podpořit lokalizaci dat a provozní kontrolu, vztah s Microsoftem ale zároveň ukazuje, proč „suverénní AI“ neznamená úplnou nezávislost na globálním cloudu a dodavatelských řetězcích s hardwarem.

Financování v pozadí uvedení produktu

Uvedení produktu přišlo v době zpráv, že Mistral jedná o získání přibližně 3 miliard eur při ocenění kolem 20 miliard eur. Bloomberg popsal jednání jako předběžná a upozornil, že podmínky se mohou změnit.

Takové ocenění by výrazně převyšovalo 11,7 miliardy eur, které byly Mistralu připisovány po financování v září 2025. Je důležité odlišovat zprávu o probíhajících jednáních od dokončeného investičního kola: uvedené částky popisují možné podmínky, nikoli uzavřenou transakci.

Potenciální investice zároveň ukazuje, proč mají podnikové vyhledávání a infrastruktura strategický význam. Vývoj špičkových AI produktů vyžaduje přístup k drahému výpočetnímu výkonu, zatímco firemní zákazníci potřebují spolehlivé systémy schopné pracovat s jejich vlastními daty. Agentic Search řeší aplikační a vyhledávací vrstvu, evropská datová centra zase část infrastrukturního příběhu.

Jak Agentic Search zapadá do konkurenčního trhu

Mistral soupeří na několika frontách současně:

• Tradiční podnikové vyhledávání: Agentic Search přidává k řazení a vyhledávání vyšetřování řízené modelem. Nesnaží se pouze vrátit seznam dokumentů, ale najít, prozkoumat a vysvětlit důkazy.
• Základní RAG: Hlavním rozdílem je iterativní vyhledávání, navigace a ověřování místo jediného průchodu vektorovým nebo klíčovým vyhledáváním.
• Cloudové a platformní firmy: Mistral zdůrazňuje skládání nástrojů, flexibilitu modelů a evropské možnosti nasazení, nikoli pouze univerzálního asistenta.
• Další agentní vyhledávače: OpenSearch rovněž popisuje workflow, v němž model automaticky plánuje a provádí vyhledávání. Tato kategorie tedy není výhradně doménou Mistralu.

Výsledky benchmarků dávají Mistralu silnou výchozí pozici, zejména u dlouhých a strukturálně složitých dokumentů. Trvalá konkurenční výhoda se ale ukáže až podle toho, zda se zlepšení potvrdí v nezávislých testech a reálných produkčních úlohách — a zda je Mistral dokáže nabídnout za přijatelnou cenu, s rozumnou odezvou, bezpečností a nároky na integraci.

Závěr

Hlavní myšlenka Mistral Agentic Search je jednoduchá, ale důležitá: vyhledávání nemá být pouze jednorázový předběžný krok, nýbrž aktivní průzkum. Kombinace hledání, otevírání dokumentů, navigace, cíleného čtení a kontroly přesných výrazů dává modelu více příležitostí najít a ověřit důkazy v náročných podnikových archivech.

Mistralem uváděné výsledky — zlepšení z 26,7 % na 86 % ve FinanceBench a nárůst o 45,6 procentního bodu v OfficeQA Pro — naznačují, že tento design může výrazně zlepšit odpovídání na otázky z dokumentů. Stejně důležitá je však výhrada: jde o výsledky benchmarků spojené s výrobcem a firemní zákazníci si stále musí sami změřit latenci, náklady, oprávnění, kvalitu parsování a spolehlivost na vlastních datech.