Mistral gør dokumentsøgning til en AI-drevet efterforskning

Agentic Search gør søgningen dynamisk. Den første resultatliste er ikke nødvendigvis slutpunktet; modellen kan vurdere fundene og beslutte, hvad der skal ske bagefter:

1. Search finder sandsynlige dokumenter eller tekstpassager.
2. Open åbner et udvalgt dokument til nærmere undersøgelse.
3. Navigate bevæger sig gennem sider, afsnit eller anden dokumentstruktur.
4. Read henter det relevante indhold sammen med dets kontekst.
5. Grep kontrollerer præcise ord, fraser, tal eller mønstre.

Modellen kan gentage trinnene, mens den afgrænser spørgsmålet. I praksis skaber det en løkke med søgning og kontrol: Find et sandsynligt svar, undersøg kilden, led efter relaterede beviser, og kontrollér den præcise formulering, før svaret gives. Mønstret stemmer overens med Mistrals dokumenterede agentarkitektur, hvor modeller kalder eksterne funktioner under en opgave og modtager resultaterne tilbage til den videre behandling.

Hvorfor hjælper flere trin med svære virksomhedsdokumenter?

Modellen kan komme videre efter en dårlig første søgning

One-shot RAG afhænger i høj grad af den oprindelige forespørgsel, indekseringen, opdelingen i tekststykker og rangeringsmetoden. Hvis den første søgning giver et plausibelt, men ufuldstændigt resultat, ser modellen måske aldrig det materiale, der kunne have korrigeret svaret. En iterativ agent kan omformulere søgningen, åbne et andet dokument eller undersøge nærliggende afsnit i stedet for at stoppe ved det første rimelige match.

Dokumentets struktur bevares bedre

Tabeller og finansielle oplysninger afhænger ofte af overskrifter, sidetal, fodnoter og den omkringliggende tekst. En flad samling af tekststykker kan skjule disse forbindelser. Navigation og målrettet læsning giver modellen mulighed for at bevæge sig gennem dokumentet i stedet for at behandle hver passage som et isoleret tekstfragment.

Den kan kontrollere konkrete beviser

Semantisk søgning er god til at finde beslægtede begreber, men eksakte match er stadig vigtige for virksomhedsnavne, regnskabsudtryk, datoer, identifikatorer og gentagne oplysninger. En grep-lignende funktion giver modellen en supplerende metode til at kontrollere, om et bestemt ord eller mønster faktisk findes i materialet. Lignende filorienterede værktøjer – herunder søgning, grep, læsning og browsing i dokumenter – bruges også i andre agentbaserede dokumentsystemer.

Den passer bedre til spørgsmål på tværs af dokumenter

Virksomhedsspørgsmål kræver ofte, at flere indberetninger sammenlignes, eller at et tal findes i ét dokument, mens definitionen findes i et andet. En modelstyret løkke kan skifte mellem at opdage og kontrollere oplysninger på tværs af hele samlingen i stedet for at stole på én rangeringsrunde.

Hvad viser benchmarkene?

Mistral fremhæver to evalueringer, der er rettet mod vanskelige spørgsmål om dokumenter.

FinanceBench: fra 26,7 % til 86 %

FinanceBench omfatter 368 finansielle indberetninger med i alt cirka 53.900 sider. Mistral rapporterer, at Mistral Medium 3.5 opnåede 26,7 % korrekthed med one-shot retrieval og 86 % med Agentic Search. Det svarer til en fremgang på 59,3 procentpoint eller cirka 3,2 gange resultatet ved one-shot-metoden.

Mistral oplyser også, at retrieval-laget blev testet med GLM-5.2, som dokumentationen beskriver som en open source-tekstmodel fra tredjeparten Z.ai. I den rapporterede sammenligning steg GLM-5.2 fra 6,3 % med one-shot retrieval til 51,9 % med Agentic Search.

OfficeQA Pro: 45,6 procentpoint højere resultat

OfficeQA Pro fokuserer på tabeltunge spørgsmål på tværs af flere dokumenter og bygger på 696 scannede dokumenter fra U.S. Treasury Bulletin. I en Mistral-meddelelse, som Ina Koleva delte, rapporteres en stigning fra 6,3 % til 51,9 % – altså en forbedring på 45,6 procentpoint sammenlignet med one-shot RAG.

Tallene er lovende, men de er ikke en garanti for samme ydelse i alle miljøer. Resultaterne kan ændre sig afhængigt af dokumentfortolkning, OCR-kvalitet, opdeling i tekststykker, indeksering, modelvalg, prompts, værktøjsbegrænsninger og evalueringsmetode. Forskningen bag OfficeQA Pro viser også, at dokumentrepræsentation og parsing har betydning for nøjagtighed, svartid, antal værktøjskald og omkostninger.

Nøjagtighed er kun den ene halvdel af virksomhedsspørgsmålet

Mistral siger, at Agentic Search forbedrer nøjagtigheden og samtidig reducerer antal trin, tokenforbrug og svartid i de fremhævede benchmarks. Et system med flere trin skal dog stadig vente på værktøjskald og dokumentbehandling. En sekundær analyse af FinanceBench-resultaterne angiver en gennemsnitlig svartid på 71 sekunder og 154 sekunder ved p90 for den fulde løkke. Tallene fremgår ikke af det primære Mistral-uddrag og bør derfor behandles med det forbehold.

For teams, der skal sætte løsningen i drift, er det relevante spørgsmål derfor ikke blot, om systemet er agentbaseret eller ej. Det handler også om:

• Hvor ofte finder systemet det korrekte bevis?
• Bevarer det sidetal, tabeller og kildekontekst på en stabil måde?
• Hvad er den gennemsnitlige og værst tænkelige svartid?
• Hvor mange værktøjskald og tokens kræver hvert spørgsmål?
• Kan rettighedsstyring, indeksering, OCR og revisionslog integreres i arbejdsgangen?
• Hvor foregår dokumentbehandlingen og modelkørslen?

Agentbaseret retrieval kan begrænse spildt kontekst ved kun at læse det, modellen har brug for. Til gengæld kan de ekstra ræsonneringstrin også skabe mere ventetid og højere omkostninger. Den rigtige arkitektur afhænger af opgavens kompleksitet og risiko.

Hvor fås Mistral Agentic Search?

Mistral oplyser, at Agentic Search er tilgængelig gennem Search Toolkit og Libraries. Produkterne indgår i Mistrals bredere agent- og dokumentsøgningsplatform: Dokumentationen beskriver Libraries som en indbygget metode til at søge i uploadede filer, mens Agents API understøtter agenter, der kalder værktøjer under en samtale.

Den væsentlige produktforskel er, at Agentic Search præsenteres som en retrieval-komponent og ikke kun som en funktion i en forbrugerchatbot. Det gør det muligt at placere søgearbejdsgangen i en større applikation, agent eller virksomhedssøgeplatform.

Hvorfor betyder modeluafhængighed noget?

Mistrals rapporterede tests med både Mistral Medium 3.5 og GLM-5.2 peger på et model fleksibelt design. Hvis retrieval- og navigationslaget kan fungere sammen med forskellige ræsonneringsmodeller, behøver en virksomhed ikke nødvendigvis at bygge hele dokumentarbejdsgangen om, hver gang den skifter model.

Den fleksibilitet kan være vigtig for organisationer, der afvejer kapacitet, pris, licenser, driftssted og datakontrol. Den flytter også en del af konkurrencen: Retrieval-lag, dokumentrepræsentation, adgangsrettigheder, overvågning og kvaliteten af dokumentationen bliver lige så centrale som den sprogmodel, der formulerer det endelige svar.

Påstanden skal dog testes fra installation til installation. Et system kan være modeluafhængigt i princippet, men opføre sig forskelligt med forskellige modeller, fordi deres værktøjsbrug, konteksthåndtering og ræsonnering varierer.

Mistrals strategi for virksomhedsløsninger og europæisk suverænitet

Agentic Search styrker Mistrals ambition om at sælge mere end en enkelt model. Virksomheden positionerer sin teknologi som et bærbart lag til søgning og ræsonnering over følsomme organisationsdata, herunder finansielle dokumenter og interne vidensbaser. Materiale om Mistrals finansløsninger fremhæver søgning med rettighedsstyring samt svar med dokumentation og kontekst.

Positioneringen er særlig relevant for regulerede organisationer, der har brug for kontrol over, hvor data behandles, og hvordan dokumentationen tilgås. Rapportering om Mistral beskriver drift i cloudmiljøer og kontrolleret infrastruktur, herunder on-premises-lignende miljøer, men fleksibel drift er ikke det samme som automatisk overholdelse af alle krav i enhver jurisdiktion eller sektor.

Mistrals infrastrukturplaner understøtter den samme fortælling. Reuters rapporterede om en aftale, hvor Microsoft vil bruge milliarder på Mistrals europæiske computerinfrastruktur, mens Azure-kunder får mulighed for at udvikle software ved hjælp af Mistrals datacentre i Frankrig. Europæisk hosting kan understøtte dataresidens og operationel kontrol, men samarbejdet med Microsoft viser også, hvorfor ”suveræn AI” ikke betyder fuldstændig uafhængighed af globale cloud- og hardwareforsyningskæder.

Finansieringen bag lanceringen

Lanceringen kom, mens Bloomberg rapporterede, at Mistral var i indledende drøftelser om at rejse omkring 3 mia. euro til en værdiansættelse på cirka 20 mia. euro. Bloomberg beskrev forhandlingerne som foreløbige, og vilkårene kunne ændre sig.

En sådan værdiansættelse vil ligge markant over de 11,7 mia. euro, som blev rapporteret efter Mistrals finansiering i september 2025. Det er vigtigt at skelne mellem rapporterede forhandlinger og en gennemført kapitalrejsning: Tallene beskriver mulige vilkår, ikke en afsluttet transaktion.

Den mulige kapitalrejsning viser også, hvorfor enterprise-retrieval og infrastruktur er strategisk vigtige. Udvikling af avancerede AI-produkter kræver dyr computerkapacitet, mens virksomhedskunder efterspørger stabile systemer, der kan fungere på tværs af deres egne datamiljøer. Agentic Search adresserer applikations- og retrieval-laget, mens europæiske datacentre udgør en del af infrastrukturløsningen.

Sådan placerer Agentic Search Mistral i konkurrencen

Mistral konkurrerer på flere fronter samtidig:

• Traditionel virksomhedssøgning: Agentic Search tilføjer modelstyret undersøgelse til rangering og retrieval. Målet er ikke kun at returnere dokumenter, men også at lokalisere, undersøge og forklare dokumentationen.
• Grundlæggende RAG: Den centrale forskel er iterativ søgning, navigation og kontrol i stedet for én enkelt vektor- eller nøgleordssøgning.
• Cloud- og platformleverandører: Mistral fremhæver komponerbare værktøjer, model fleksibilitet og europæiske driftsmuligheder frem for kun at tilbyde en generel assistent.
• Andre agentbaserede søgesystemer: OpenSearch beskriver også en arbejdsgang, hvor en model automatisk planlægger og udfører retrieval. Kategorien er derfor bredere end Mistral.

Benchmarkresultaterne giver Mistral et stærkt udgangspunkt, især ved lange og strukturelt vanskelige dokumenter. Den varige fordel afhænger dog af, om resultaterne holder i uafhængige evalueringer og i virkelige produktionsmiljøer – og om Mistral kan levere dem med acceptabel svartid, pris, sikkerhed og integrationskompleksitet.

Konklusion

Hovedideen bag Mistral Agentic Search er enkel, men vigtig: Retrieval bør være en aktiv undersøgelse og ikke blot et enkelt opslag i begyndelsen af processen. Ved at kombinere søgning, åbning af dokumenter, navigation, målrettet læsning og eksakt matchning får modellen flere muligheder for at finde og kontrollere dokumentation i komplekse virksomhedskorpora.

Mistrals rapporterede resultater – fra 26,7 % til 86 % på FinanceBench og en forbedring på 45,6 procentpoint på OfficeQA Pro – tyder på, at designet kan forbedre spørgsmål-svar-systemer til dokumenter markant. Forbeholdet er lige så vigtigt: Det er leverandørknyttede benchmarkresultater, og virksomheder bør stadig måle svartid, omkostninger, adgangsrettigheder, parsingkvalitet og stabilitet på deres egne data.