Qué cambia frente al RAG convencional

En un sistema tradicional de generación aumentada por recuperación —RAG, por sus siglas en inglés— se realiza una búsqueda, se selecciona un número fijo de fragmentos mejor clasificados y se entregan al modelo para que redacte una respuesta. Este método puede funcionar bien cuando la respuesta aparece claramente en un solo pasaje. Es menos fiable si la primera búsqueda no encuentra el informe adecuado, separa una tabla de su explicación o devuelve texto sin el contexto que lo rodea. La documentación de Mistral describe de forma similar su flujo estándar: recuperar pasajes relevantes de una biblioteca de documentos cargados por el usuario.

Agentic Search hace que la recuperación sea adaptable. El primer conjunto de resultados deja de ser el punto final y se convierte en el inicio de un ciclo de comprobación:

1. Search localiza documentos o pasajes candidatos.
2. Open abre un documento seleccionado.
3. Navigate recorre páginas, secciones u otros elementos de su estructura.
4. Read recupera el contenido pertinente junto con su contexto.
5. Grep comprueba palabras, frases, cifras o patrones exactos.

El modelo puede repetir estas operaciones mientras delimita la respuesta. En la práctica, el flujo se parece más a una investigación que a una consulta única: encuentra una posible respuesta, revisa su fuente, busca pruebas relacionadas y verifica la formulación exacta antes de contestar. El patrón de llamadas a herramientas coincide con la arquitectura de agentes documentada por Mistral, en la que el modelo invoca funciones externas, recibe sus resultados y continúa el razonamiento.

Por qué el enfoque iterativo ayuda con documentos complejos

Puede corregir una primera búsqueda incompleta

El RAG de una sola pasada depende mucho de la consulta inicial, el índice, la estrategia de fragmentación y el sistema de clasificación. Si devuelve información aparentemente correcta pero incompleta, el modelo quizá nunca llegue a ver la evidencia que le permitiría corregirse. Un agente iterativo puede reformular la búsqueda, abrir otro documento o revisar secciones cercanas en vez de detenerse ante la primera coincidencia plausible.

Conserva mejor la estructura del documento

En tablas y documentos financieros, el significado suele depender de los encabezados, la posición en la página, las notas al pie y el texto contiguo. Una colección plana de fragmentos puede ocultar esas relaciones. Las funciones de navegación y lectura dirigida permiten recorrer el documento, en lugar de tratar cada pasaje como una pieza de texto aislada.

Facilita las comprobaciones exactas

La búsqueda semántica sirve para encontrar conceptos relacionados, pero la coincidencia literal sigue siendo importante para nombres de empresas, términos contables, fechas, identificadores y divulgaciones repetidas. Una operación de tipo grep ofrece una vía complementaria para comprobar si un término o patrón concreto aparece en el corpus. Herramientas de recuperación orientadas a archivos —con funciones como buscar, hacer grep, leer y explorar el árbol de documentos— también se utilizan en sistemas agénticos ajenos a Mistral.

Encaja mejor con preguntas que cruzan documentos

Muchas consultas empresariales exigen comparar varios informes, encontrar una cifra en un documento y localizar su definición en otro. Un ciclo dirigido por el modelo puede alternar entre descubrimiento y verificación en todo el corpus, en vez de depender de una única pasada de clasificación.

Qué muestran los resultados publicados

Mistral destaca dos evaluaciones centradas en preguntas difíciles sobre documentos.

FinanceBench: del 26,7 % al 86 %

FinanceBench reúne 368 informes financieros con aproximadamente 53.900 páginas. Mistral afirma que Mistral Medium 3.5 obtuvo una corrección del 26,7 % con recuperación de una sola pasada y del 86 % con Agentic Search. La diferencia es de 59,3 puntos porcentuales, equivalente a unas 3,2 veces el resultado inicial.

La compañía también informa de una prueba con GLM-5.2, descrito en su documentación como un modelo de texto de código abierto de terceros. En esa comparación, el modelo pasó del 6,3 % con recuperación de una sola pasada al 51,9 % con Agentic Search.

OfficeQA Pro: una mejora de 45,6 puntos

OfficeQA Pro se centra en preguntas con muchas tablas y varios documentos, a partir de 696 boletines escaneados del Tesoro de Estados Unidos. Una publicación de Mistral compartida por Ina Koleva informa de una subida del 6,3 % al 51,9 %, es decir, una mejora de 45,6 puntos porcentuales frente al RAG de una sola pasada.

Las cifras son prometedoras, pero no garantizan el mismo rendimiento en cualquier entorno. Los resultados pueden variar según la extracción del texto, la calidad del OCR, la fragmentación, la indexación, el modelo elegido, las instrucciones, los límites de las herramientas y la metodología de evaluación. La investigación de OfficeQA Pro también muestra que la representación y el procesamiento de los documentos afectan de forma material a la precisión, la latencia, el número de llamadas y el coste.

La precisión es solo la mitad de la ecuación empresarial

Mistral sostiene que Agentic Search mejora la precisión y, al mismo tiempo, reduce los turnos, el uso de tokens y la latencia en los benchmarks destacados. Sin embargo, un sistema de varios pasos debe esperar a las llamadas a herramientas y al procesamiento documental. Un análisis secundario de FinanceBench situó la latencia media del ciclo completo en 71 segundos y el percentil 90 en 154 segundos; esas cifras no aparecen en el fragmento de la fuente primaria de Mistral y deben interpretarse con cautela.

Para un equipo que evalúa el producto, la comparación relevante no es simplemente «agéntico frente a no agéntico», sino cuestiones mucho más concretas:

• ¿Con qué frecuencia encuentra la evidencia correcta?
• ¿Conserva de forma consistente el contexto de página, tabla y cita?
• ¿Cuál es el tiempo medio y el peor tiempo de respuesta?
• ¿Cuántas llamadas a herramientas y tokens necesita cada consulta?
• ¿Puede integrarse con permisos, OCR, indexación y registros de auditoría?
• ¿Dónde se procesan los documentos y dónde se ejecuta el modelo?

La recuperación agéntica puede reducir el contexto desperdiciado al leer solo lo necesario, pero los pasos adicionales de razonamiento también pueden aumentar la latencia y el coste. El diseño adecuado dependerá del riesgo y la complejidad de cada tarea.

Dónde ofrece Mistral Agentic Search

Mistral indica que Agentic Search está disponible mediante Search Toolkit y Libraries. Estas herramientas forman parte de su conjunto más amplio de agentes y búsqueda documental: la documentación de Mistral presenta las bibliotecas como una función integrada para buscar archivos cargados, mientras que su arquitectura de agentes permite invocar herramientas durante una conversación.

La distinción de producto es relevante: Agentic Search se presenta como un componente de recuperación, no únicamente como una función de un chatbot de consumo. Eso permite incorporarlo a una aplicación, un agente o una plataforma de búsqueda empresarial más amplia.

Qué implica que sea compatible con varios modelos

Las pruebas publicadas con Mistral Medium 3.5 y GLM-5.2 apuntan a un diseño flexible respecto al modelo. Si la capa de recuperación y navegación puede funcionar con distintos modelos de razonamiento, una empresa no tendría necesariamente que reconstruir todo su flujo documental cada vez que cambia de modelo.

Esa portabilidad puede ser importante para organizaciones que sopesan capacidad, precio, licencias, ubicación del despliegue y controles sobre los datos. También desplaza parte de la competencia: la representación documental, los permisos, la observabilidad y la calidad de la evidencia pasan a ser tan importantes como el modelo que genera la respuesta.

Aun así, la compatibilidad con varios modelos debe comprobarse en cada despliegue. Un sistema puede ser agnóstico respecto al modelo en principio y comportarse de forma distinta con cada uno, porque la fiabilidad en el uso de herramientas, la gestión del contexto y la calidad del razonamiento no son idénticas.

La búsqueda como pieza de la estrategia empresarial de Mistral

Agentic Search refuerza el intento de Mistral de vender algo más que un modelo independiente. La empresa está posicionando su tecnología como una capa portátil para buscar y razonar sobre datos organizativos sensibles, incluidos registros financieros y bases de conocimiento internas. Sus materiales para el sector financiero destacan la búsqueda con permisos y las respuestas acompañadas de evidencia y contexto.

La propuesta puede resultar atractiva para organizaciones reguladas que necesitan controlar dónde se procesan los datos y cómo se accede a la evidencia. La información disponible sobre Mistral describe despliegues en la nube y en infraestructuras controladas, incluidos entornos de tipo local, pero esa flexibilidad no equivale automáticamente al cumplimiento normativo en todas las jurisdicciones o sectores.

Los planes de infraestructura de la compañía apuntan en la misma dirección. Reuters informó de un acuerdo por el que Microsoft invertiría miles de millones en la infraestructura europea de computación de Mistral, mientras que los clientes de Azure podrían desarrollar software utilizando centros de datos de Mistral en Francia. El alojamiento europeo puede facilitar la residencia de datos y el control operativo, pero la relación con Microsoft también muestra por qué la «IA soberana» no significa independencia completa de las cadenas globales de nube y hardware.

La financiación detrás del lanzamiento

El lanzamiento se produjo en un contexto de informaciones sobre conversaciones preliminares de Mistral para captar aproximadamente 3.000 millones de euros con una valoración cercana a 20.000 millones de euros. Bloomberg describió las negociaciones como iniciales y sujetas a cambios.

Esa valoración sería considerablemente superior a los 11.700 millones de euros atribuidos a la empresa después de su ronda de financiación de septiembre de 2025. Conviene distinguir entre una negociación de financiación divulgada por medios y una ronda cerrada: las cifras se refieren a posibles condiciones, no a una operación finalizada.

La posible ampliación también ilustra la importancia estratégica de la recuperación y la infraestructura empresarial. Crear productos de IA de frontera exige acceso a una capacidad de computación costosa, mientras que los clientes corporativos buscan sistemas fiables que puedan operar sobre sus propios datos. Agentic Search aborda la capa de aplicación y recuperación; los centros de datos europeos cubren parte de la dimensión de infraestructura.

La posición de Mistral en un mercado saturado

Mistral compite en varios frentes a la vez:

• Buscadores empresariales tradicionales: Agentic Search añade investigación dirigida por el modelo a la clasificación y la recuperación, con el objetivo de localizar, inspeccionar y explicar la evidencia, no solo devolver una lista de documentos.
• RAG básico: su diferencia central es la recuperación iterativa, la navegación y la verificación frente a una única pasada vectorial o por palabras clave.
• Proveedores de nube y plataformas: Mistral pone el acento en herramientas componibles, flexibilidad de modelos y opciones de despliegue europeo, en lugar de depender exclusivamente de un asistente generalista.
• Otros sistemas de búsqueda agéntica: OpenSearch también describe un flujo en el que un modelo planifica y ejecuta automáticamente la recuperación, lo que demuestra que la categoría va más allá de Mistral.

Los resultados publicados ofrecen a Mistral un punto de partida sólido, sobre todo en documentos extensos y con estructuras difíciles. La ventaja duradera dependerá de si esas mejoras se mantienen en evaluaciones independientes y en cargas de producción reales, y de si la compañía puede ofrecerlas con una latencia, un coste, una seguridad y una complejidad de integración aceptables.

En resumen

La idea principal de Mistral Agentic Search es sencilla, pero tiene consecuencias importantes: la recuperación no debería ser una consulta preliminar aislada, sino una investigación activa. Al combinar búsqueda, apertura de documentos, navegación, lectura dirigida y coincidencia de términos exactos, el sistema ofrece al modelo más oportunidades para encontrar y verificar pruebas dentro de corpus empresariales complejos.

Los resultados comunicados por Mistral —del 26,7 % al 86 % en FinanceBench y una mejora de 45,6 puntos en OfficeQA Pro— sugieren que este diseño puede elevar de forma notable la calidad de las respuestas documentales. La advertencia es igual de importante: son resultados vinculados a evaluaciones de la propia empresa, y los compradores deberán medir en sus propios datos la latencia, el coste, los permisos, la calidad del procesamiento y la fiabilidad.

Qué cambia frente al RAG convencional

En un sistema tradicional de generación aumentada por recuperación —RAG, por sus siglas en inglés— se realiza una búsqueda, se selecciona un número fijo de fragmentos mejor clasificados y se entregan al modelo para que redacte una respuesta. Este método puede funcionar bien cuando la respuesta aparece claramente en un solo pasaje. Es menos fiable si la primera búsqueda no encuentra el informe adecuado, separa una tabla de su explicación o devuelve texto sin el contexto que lo rodea. La documentación de Mistral describe de forma similar su flujo estándar: recuperar pasajes relevantes de una biblioteca de documentos cargados por el usuario.

Agentic Search hace que la recuperación sea adaptable. El primer conjunto de resultados deja de ser el punto final y se convierte en el inicio de un ciclo de comprobación:

1. Search localiza documentos o pasajes candidatos.
2. Open abre un documento seleccionado.
3. Navigate recorre páginas, secciones u otros elementos de su estructura.
4. Read recupera el contenido pertinente junto con su contexto.
5. Grep comprueba palabras, frases, cifras o patrones exactos.

El modelo puede repetir estas operaciones mientras delimita la respuesta. En la práctica, el flujo se parece más a una investigación que a una consulta única: encuentra una posible respuesta, revisa su fuente, busca pruebas relacionadas y verifica la formulación exacta antes de contestar. El patrón de llamadas a herramientas coincide con la arquitectura de agentes documentada por Mistral, en la que el modelo invoca funciones externas, recibe sus resultados y continúa el razonamiento.

Por qué el enfoque iterativo ayuda con documentos complejos

Puede corregir una primera búsqueda incompleta

El RAG de una sola pasada depende mucho de la consulta inicial, el índice, la estrategia de fragmentación y el sistema de clasificación. Si devuelve información aparentemente correcta pero incompleta, el modelo quizá nunca llegue a ver la evidencia que le permitiría corregirse. Un agente iterativo puede reformular la búsqueda, abrir otro documento o revisar secciones cercanas en vez de detenerse ante la primera coincidencia plausible.

Conserva mejor la estructura del documento

En tablas y documentos financieros, el significado suele depender de los encabezados, la posición en la página, las notas al pie y el texto contiguo. Una colección plana de fragmentos puede ocultar esas relaciones. Las funciones de navegación y lectura dirigida permiten recorrer el documento, en lugar de tratar cada pasaje como una pieza de texto aislada.

Facilita las comprobaciones exactas

La búsqueda semántica sirve para encontrar conceptos relacionados, pero la coincidencia literal sigue siendo importante para nombres de empresas, términos contables, fechas, identificadores y divulgaciones repetidas. Una operación de tipo grep ofrece una vía complementaria para comprobar si un término o patrón concreto aparece en el corpus. Herramientas de recuperación orientadas a archivos —con funciones como buscar, hacer grep, leer y explorar el árbol de documentos— también se utilizan en sistemas agénticos ajenos a Mistral.

Encaja mejor con preguntas que cruzan documentos

Muchas consultas empresariales exigen comparar varios informes, encontrar una cifra en un documento y localizar su definición en otro. Un ciclo dirigido por el modelo puede alternar entre descubrimiento y verificación en todo el corpus, en vez de depender de una única pasada de clasificación.

Qué muestran los resultados publicados

Mistral destaca dos evaluaciones centradas en preguntas difíciles sobre documentos.

FinanceBench: del 26,7 % al 86 %

FinanceBench reúne 368 informes financieros con aproximadamente 53.900 páginas. Mistral afirma que Mistral Medium 3.5 obtuvo una corrección del 26,7 % con recuperación de una sola pasada y del 86 % con Agentic Search. La diferencia es de 59,3 puntos porcentuales, equivalente a unas 3,2 veces el resultado inicial.

La compañía también informa de una prueba con GLM-5.2, descrito en su documentación como un modelo de texto de código abierto de terceros. En esa comparación, el modelo pasó del 6,3 % con recuperación de una sola pasada al 51,9 % con Agentic Search.

OfficeQA Pro: una mejora de 45,6 puntos

OfficeQA Pro se centra en preguntas con muchas tablas y varios documentos, a partir de 696 boletines escaneados del Tesoro de Estados Unidos. Una publicación de Mistral compartida por Ina Koleva informa de una subida del 6,3 % al 51,9 %, es decir, una mejora de 45,6 puntos porcentuales frente al RAG de una sola pasada.

Las cifras son prometedoras, pero no garantizan el mismo rendimiento en cualquier entorno. Los resultados pueden variar según la extracción del texto, la calidad del OCR, la fragmentación, la indexación, el modelo elegido, las instrucciones, los límites de las herramientas y la metodología de evaluación. La investigación de OfficeQA Pro también muestra que la representación y el procesamiento de los documentos afectan de forma material a la precisión, la latencia, el número de llamadas y el coste.

La precisión es solo la mitad de la ecuación empresarial

Mistral sostiene que Agentic Search mejora la precisión y, al mismo tiempo, reduce los turnos, el uso de tokens y la latencia en los benchmarks destacados. Sin embargo, un sistema de varios pasos debe esperar a las llamadas a herramientas y al procesamiento documental. Un análisis secundario de FinanceBench situó la latencia media del ciclo completo en 71 segundos y el percentil 90 en 154 segundos; esas cifras no aparecen en el fragmento de la fuente primaria de Mistral y deben interpretarse con cautela.

Para un equipo que evalúa el producto, la comparación relevante no es simplemente «agéntico frente a no agéntico», sino cuestiones mucho más concretas:

• ¿Con qué frecuencia encuentra la evidencia correcta?
• ¿Conserva de forma consistente el contexto de página, tabla y cita?
• ¿Cuál es el tiempo medio y el peor tiempo de respuesta?
• ¿Cuántas llamadas a herramientas y tokens necesita cada consulta?
• ¿Puede integrarse con permisos, OCR, indexación y registros de auditoría?
• ¿Dónde se procesan los documentos y dónde se ejecuta el modelo?

La recuperación agéntica puede reducir el contexto desperdiciado al leer solo lo necesario, pero los pasos adicionales de razonamiento también pueden aumentar la latencia y el coste. El diseño adecuado dependerá del riesgo y la complejidad de cada tarea.

Dónde ofrece Mistral Agentic Search

Mistral indica que Agentic Search está disponible mediante Search Toolkit y Libraries. Estas herramientas forman parte de su conjunto más amplio de agentes y búsqueda documental: la documentación de Mistral presenta las bibliotecas como una función integrada para buscar archivos cargados, mientras que su arquitectura de agentes permite invocar herramientas durante una conversación.

La distinción de producto es relevante: Agentic Search se presenta como un componente de recuperación, no únicamente como una función de un chatbot de consumo. Eso permite incorporarlo a una aplicación, un agente o una plataforma de búsqueda empresarial más amplia.

Qué implica que sea compatible con varios modelos

Las pruebas publicadas con Mistral Medium 3.5 y GLM-5.2 apuntan a un diseño flexible respecto al modelo. Si la capa de recuperación y navegación puede funcionar con distintos modelos de razonamiento, una empresa no tendría necesariamente que reconstruir todo su flujo documental cada vez que cambia de modelo.

Esa portabilidad puede ser importante para organizaciones que sopesan capacidad, precio, licencias, ubicación del despliegue y controles sobre los datos. También desplaza parte de la competencia: la representación documental, los permisos, la observabilidad y la calidad de la evidencia pasan a ser tan importantes como el modelo que genera la respuesta.

Aun así, la compatibilidad con varios modelos debe comprobarse en cada despliegue. Un sistema puede ser agnóstico respecto al modelo en principio y comportarse de forma distinta con cada uno, porque la fiabilidad en el uso de herramientas, la gestión del contexto y la calidad del razonamiento no son idénticas.

La búsqueda como pieza de la estrategia empresarial de Mistral

Agentic Search refuerza el intento de Mistral de vender algo más que un modelo independiente. La empresa está posicionando su tecnología como una capa portátil para buscar y razonar sobre datos organizativos sensibles, incluidos registros financieros y bases de conocimiento internas. Sus materiales para el sector financiero destacan la búsqueda con permisos y las respuestas acompañadas de evidencia y contexto.

La propuesta puede resultar atractiva para organizaciones reguladas que necesitan controlar dónde se procesan los datos y cómo se accede a la evidencia. La información disponible sobre Mistral describe despliegues en la nube y en infraestructuras controladas, incluidos entornos de tipo local, pero esa flexibilidad no equivale automáticamente al cumplimiento normativo en todas las jurisdicciones o sectores.

Los planes de infraestructura de la compañía apuntan en la misma dirección. Reuters informó de un acuerdo por el que Microsoft invertiría miles de millones en la infraestructura europea de computación de Mistral, mientras que los clientes de Azure podrían desarrollar software utilizando centros de datos de Mistral en Francia. El alojamiento europeo puede facilitar la residencia de datos y el control operativo, pero la relación con Microsoft también muestra por qué la «IA soberana» no significa independencia completa de las cadenas globales de nube y hardware.

La financiación detrás del lanzamiento

El lanzamiento se produjo en un contexto de informaciones sobre conversaciones preliminares de Mistral para captar aproximadamente 3.000 millones de euros con una valoración cercana a 20.000 millones de euros. Bloomberg describió las negociaciones como iniciales y sujetas a cambios.

Esa valoración sería considerablemente superior a los 11.700 millones de euros atribuidos a la empresa después de su ronda de financiación de septiembre de 2025. Conviene distinguir entre una negociación de financiación divulgada por medios y una ronda cerrada: las cifras se refieren a posibles condiciones, no a una operación finalizada.

La posible ampliación también ilustra la importancia estratégica de la recuperación y la infraestructura empresarial. Crear productos de IA de frontera exige acceso a una capacidad de computación costosa, mientras que los clientes corporativos buscan sistemas fiables que puedan operar sobre sus propios datos. Agentic Search aborda la capa de aplicación y recuperación; los centros de datos europeos cubren parte de la dimensión de infraestructura.

La posición de Mistral en un mercado saturado

Mistral compite en varios frentes a la vez:

• Buscadores empresariales tradicionales: Agentic Search añade investigación dirigida por el modelo a la clasificación y la recuperación, con el objetivo de localizar, inspeccionar y explicar la evidencia, no solo devolver una lista de documentos.
• RAG básico: su diferencia central es la recuperación iterativa, la navegación y la verificación frente a una única pasada vectorial o por palabras clave.
• Proveedores de nube y plataformas: Mistral pone el acento en herramientas componibles, flexibilidad de modelos y opciones de despliegue europeo, en lugar de depender exclusivamente de un asistente generalista.
• Otros sistemas de búsqueda agéntica: OpenSearch también describe un flujo en el que un modelo planifica y ejecuta automáticamente la recuperación, lo que demuestra que la categoría va más allá de Mistral.

Los resultados publicados ofrecen a Mistral un punto de partida sólido, sobre todo en documentos extensos y con estructuras difíciles. La ventaja duradera dependerá de si esas mejoras se mantienen en evaluaciones independientes y en cargas de producción reales, y de si la compañía puede ofrecerlas con una latencia, un coste, una seguridad y una complejidad de integración aceptables.

En resumen

La idea principal de Mistral Agentic Search es sencilla, pero tiene consecuencias importantes: la recuperación no debería ser una consulta preliminar aislada, sino una investigación activa. Al combinar búsqueda, apertura de documentos, navegación, lectura dirigida y coincidencia de términos exactos, el sistema ofrece al modelo más oportunidades para encontrar y verificar pruebas dentro de corpus empresariales complejos.

Los resultados comunicados por Mistral —del 26,7 % al 86 % en FinanceBench y una mejora de 45,6 puntos en OfficeQA Pro— sugieren que este diseño puede elevar de forma notable la calidad de las respuestas documentales. La advertencia es igual de importante: son resultados vinculados a evaluaciones de la propia empresa, y los compradores deberán medir en sus propios datos la latencia, el coste, los permisos, la calidad del procesamiento y la fiabilidad.