Mistral Agentic Search transforme la recherche documentaire en véritable enquête

Le problème du RAG classique n’est pas toujours le modèle qui rédige la réponse. Il se situe parfois plus tôt : dans les documents que le système n’a pas trouvés, ou dans les extraits qu’il a récupérés sans leur contexte.

Mistral Agentic Search propose une autre méthode. Au lieu de fournir au modèle un lot fixe de passages puis de lui demander de répondre, le système lui permet d’explorer un corpus en plusieurs étapes. Le modèle peut rechercher des pistes, ouvrir un document, parcourir sa structure, lire les passages pertinents et vérifier des termes précis avec une fonction de type grep.

Pour des rapports financiers de plusieurs centaines de pages, des PDF numérisés, des tableaux ou des notes de bas de page, cette différence peut être décisive. Mistral affirme que son approche a fait progresser le taux de réponses correctes de Mistral Medium 3.5 de 26,7 % à 86 % sur FinanceBench, soit environ trois fois mieux, dans un corpus de 368 documents financiers représentant près de 53 900 pages. Ces chiffres proviennent de l’évaluation de Mistral et doivent être considérés comme un benchmark produit, pas comme une nouvelle référence indépendante du secteur.

Ce que change Agentic Search par rapport au RAG classique

Dans un système de RAG — ou génération augmentée par récupération — le moteur recherche généralement les passages les mieux classés, sélectionne un nombre fixe d’extraits et les transmet au modèle de langage. Cette méthode fonctionne bien lorsqu’une réponse se trouve clairement dans un passage unique. Elle devient plus fragile lorsque la première recherche passe à côté du bon document, dissocie un tableau de son explication ou renvoie un extrait trop court pour préserver son contexte. La documentation de Mistral décrit elle aussi le RAG documentaire comme la récupération de passages pertinents dans une bibliothèque de fichiers importés.

Agentic Search rend cette récupération adaptative. Le modèle peut examiner les premiers résultats, décider qu’ils ne suffisent pas et poursuivre son exploration :

1. Search recherche les documents ou passages susceptibles de contenir la réponse.
2. Open ouvre un document sélectionné.
3. Navigate permet de parcourir ses pages, sections ou autres éléments structurels.
4. Read extrait le contenu ciblé avec davantage de contexte.
5. Grep vérifie l’apparition exacte d’un mot, d’une expression, d’un nombre ou d’un motif.

Le modèle peut répéter ces opérations jusqu’à mieux cerner la question. On obtient ainsi une boucle de recherche et de vérification : trouver une première piste, consulter sa source, rechercher des éléments associés, puis contrôler la formulation exacte avant de répondre. Ce fonctionnement correspond au modèle d’appel d’outils décrit dans l’architecture des agents de Mistral, où le modèle appelle une fonction externe et reçoit son résultat pour poursuivre la tâche.

Pourquoi cette boucle est utile dans les documents d’entreprise

Elle peut corriger une première recherche insuffisante

Le RAG en une passe dépend fortement de la requête initiale, de la segmentation des documents, de l’indexation et du classement des résultats. Si les premiers extraits semblent plausibles mais sont incomplets, le modèle risque de ne jamais voir l’élément qui permettrait de rectifier sa réponse. Un agent itératif peut reformuler sa recherche, ouvrir un autre document ou examiner les sections voisines au lieu de s’arrêter à la première correspondance.

Elle conserve la structure du document

Dans les documents financiers, le sens d’un chiffre dépend souvent d’un titre, d’une position dans une page, d’une note de bas de page ou du texte qui l’entoure. Une collection de fragments aplatis peut faire disparaître ces relations. Les fonctions de navigation et de lecture ciblée donnent au modèle la possibilité de se déplacer dans le document plutôt que de traiter chaque extrait comme un morceau autonome.

Elle facilite la vérification de termes exacts

La recherche sémantique permet de retrouver des concepts proches, mais la correspondance exacte reste essentielle pour les noms d’entreprises, les termes comptables, les dates, les identifiants et les informations répétées. Une fonction de type grep offre un moyen complémentaire de vérifier si un terme ou un motif précis apparaît dans le corpus. Des systèmes documentaires agentiques utilisent également des fonctions de recherche, grep, lecture et navigation dans l’arborescence des fichiers.

Elle convient mieux aux questions multi-documents

Les questions posées aux systèmes d’information d’entreprise exigent souvent de comparer plusieurs rapports, de trouver un chiffre dans un document et sa définition dans un autre. Une boucle pilotée par le modèle peut alterner entre découverte et vérification à travers tout le corpus, plutôt que de s’appuyer sur un unique classement initial.

Les résultats annoncés par Mistral

Mistral met en avant deux évaluations consacrées à des questions complexes sur des documents.

FinanceBench : de 26,7 % à 86 %

FinanceBench couvre 368 documents financiers, soit environ 53 900 pages. Mistral indique que Mistral Medium 3.5 obtient 26,7 % de réponses correctes avec une récupération en une passe, contre 86 % avec Agentic Search. Le gain atteint donc 59,3 points de pourcentage, soit environ 3,2 fois le score de départ.

Mistral dit également avoir testé sa couche de récupération avec GLM-5.2, présenté dans sa documentation comme un modèle de texte open source tiers. Dans la comparaison publiée, GLM-5.2 progresse de 6,3 % avec la récupération en une passe à 51,9 % avec Agentic Search.

OfficeQA Pro : un gain de 45,6 points

OfficeQA Pro porte sur des questions multi-documents riches en tableaux, à partir de 696 documents numérisés du U.S. Treasury Bulletin, une publication du Trésor américain. Une annonce de Mistral relayée par Ina Koleva fait état d’une progression de 6,3 % à 51,9 %, soit un gain de 45,6 points de pourcentage par rapport au RAG en une passe.

Ces résultats sont encourageants, mais ils ne garantissent pas les mêmes performances dans tous les environnements. Le résultat dépend notamment de l’extraction du texte, de la qualité de l’OCR, de la segmentation, de l’indexation, du modèle choisi, des instructions, des limites d’outils et de la méthode d’évaluation. Les travaux consacrés à OfficeQA Pro montrent eux aussi que la représentation et le traitement des documents influencent fortement la précision, la latence, le nombre d’appels d’outils et le coût.

La précision ne suffit pas pour un déploiement en entreprise

Mistral affirme qu’Agentic Search améliore la précision tout en réduisant le nombre d’échanges, la consommation de tokens et la latence sur les benchmarks mis en avant. Mais un système en plusieurs étapes doit attendre les appels successifs aux outils et le traitement des documents. Une analyse secondaire de FinanceBench a rapporté une latence moyenne de 71 secondes et une latence au 90e percentile de 154 secondes pour la boucle complète. Ces chiffres ne figurent pas dans l’extrait primaire de Mistral et doivent donc être interprétés avec prudence.

Pour une équipe qui prépare un déploiement, la vraie comparaison n’est pas simplement « agentique contre non agentique ». Il faut aussi mesurer :

• la fréquence à laquelle le système retrouve la bonne preuve ;
• sa capacité à conserver le contexte de la page, du tableau et de la citation ;
• le temps de réponse moyen et dans les cas les plus lents ;
• le nombre d’appels d’outils et de tokens nécessaires par question ;
• l’intégration des droits d’accès, de l’indexation, de l’OCR et des journaux d’audit ;
• le lieu où sont réalisés le traitement documentaire et l’inférence du modèle.

La récupération agentique peut limiter le contexte inutile en ne lisant que les éléments nécessaires. Mais les étapes de raisonnement supplémentaires peuvent aussi accroître la latence et le coût. Le meilleur choix dépend donc du niveau de risque et de la complexité de la tâche.

Dans quels produits Mistral Agentic Search est-il disponible ?

Mistral indique qu’Agentic Search est accessible via Search Toolkit et Libraries. Ces briques s’insèrent dans son écosystème de recherche documentaire et d’agents : la documentation présente les bibliothèques comme un moyen intégré de rechercher des fichiers importés, tandis que l’Agents API permet à des agents d’appeler des outils au cours d’une conversation.

Le positionnement est important. Agentic Search n’est pas présenté uniquement comme une fonction d’un chatbot grand public, mais comme un composant de récupération pouvant être intégré à une application, à un agent ou à un pipeline de recherche d’entreprise. Des informations publiques sur l’écosystème Mistral mentionnent également l’accès via les bibliothèques de Studio et de Vibe.

Un système conçu pour plusieurs modèles

Les tests annoncés avec Mistral Medium 3.5 et GLM-5.2 suggèrent une architecture relativement indépendante du modèle de raisonnement utilisé. Si la couche de recherche et de navigation fonctionne avec plusieurs modèles, une entreprise peut potentiellement faire évoluer son modèle sans reconstruire toute sa chaîne documentaire.

Cette portabilité peut compter pour les organisations qui arbitrent entre performances, prix, licences, lieu de déploiement et contrôle des données. Elle déplace aussi une partie de la concurrence : la représentation des documents, les autorisations, l’observabilité et la qualité des preuves deviennent aussi importantes que le modèle qui rédige la réponse.

Il faudra toutefois tester cette promesse au cas par cas. Une couche annoncée comme indépendante du modèle peut se comporter différemment selon la fiabilité des appels d’outils, la gestion du contexte et les capacités de raisonnement de chaque modèle.

Une pièce de la stratégie de Mistral sur les données sensibles

Agentic Search renforce l’ambition de Mistral de vendre davantage qu’un modèle isolé. L’entreprise cherche à fournir une couche portable pour rechercher et raisonner sur des données organisationnelles sensibles, notamment les dossiers financiers et les bases de connaissances internes. Ses supports consacrés à la finance mettent en avant une recherche tenant compte des permissions, avec des réponses accompagnées de preuves et de contexte.

Ce positionnement intéresse en particulier les organisations réglementées qui veulent contrôler le lieu de traitement des données et les conditions d’accès aux éléments justificatifs. Des informations liées à Mistral évoquent des déploiements dans le cloud et sur des infrastructures contrôlées, y compris des environnements de type on-premises. Cette flexibilité ne signifie pas automatiquement qu’une installation respecte toutes les obligations de chaque pays ou secteur.

Les projets d’infrastructure de Mistral s’inscrivent dans le même récit. Reuters a rapporté un accord selon lequel Microsoft investirait plusieurs milliards dans les capacités informatiques européennes de Mistral, tandis que les clients d’Azure pourraient développer des logiciels en utilisant des centres de données de Mistral en France. Un hébergement européen peut faciliter la résidence des données et le contrôle opérationnel. Mais le partenariat avec Microsoft rappelle aussi que la « souveraineté » ne signifie pas une indépendance totale vis-à-vis des chaînes mondiales du cloud et du matériel informatique.

Le financement qui accompagne le lancement

Le lancement intervient alors que Bloomberg a rapporté que Mistral menait des discussions préliminaires pour lever environ 3 milliards d’euros, sur la base d’une valorisation proche de 20 milliards d’euros. Les négociations étaient encore susceptibles d’évoluer.

Cette valorisation potentielle serait nettement supérieure aux 11,7 milliards d’euros rapportés après le financement de septembre 2025. Il faut distinguer une discussion de financement rapportée par la presse d’une levée de fonds finalisée : les montants et la valorisation évoqués ne constituent pas une transaction conclue.

Cette perspective illustre aussi l’importance stratégique de la recherche d’entreprise et des infrastructures. Les produits d’IA avancés nécessitent une puissance de calcul coûteuse, tandis que les clients professionnels veulent des systèmes fiables capables de fonctionner sur leurs propres données. Agentic Search répond à la couche applicative et documentaire ; les centres de données européens répondent à une partie de la question infrastructurelle.

Comment Mistral se positionne face à la concurrence

Mistral se trouve à la croisée de plusieurs marchés :

• Les moteurs de recherche d’entreprise traditionnels : Agentic Search ajoute une investigation guidée par le modèle au classement documentaire, avec l’objectif de localiser, examiner et expliquer les preuves plutôt que de simplement afficher une liste de fichiers.
• Le RAG de base : sa différence centrale repose sur la récupération itérative, la navigation et la vérification, au lieu d’une seule passe de recherche vectorielle ou par mots-clés.
• Les fournisseurs de cloud et de plateformes : Mistral met en avant des outils composables, la flexibilité des modèles et des options de déploiement européennes, plutôt que le seul accès à un assistant généraliste.
• Les autres systèmes de recherche agentique : OpenSearch décrit également un fonctionnement dans lequel un modèle planifie et exécute automatiquement la récupération, ce qui montre que la catégorie dépasse le seul cas de Mistral.

Le résultat annoncé sur FinanceBench donne à Mistral un argument de poids, en particulier pour les documents longs et structurés. Son avantage à long terme dépendra toutefois de la reproduction de ces gains dans des évaluations indépendantes et dans des environnements réels — avec une latence, un coût, un niveau de sécurité et une complexité d’intégration acceptables.

En bref

L’idée centrale de Mistral Agentic Search est simple, mais importante : la récupération documentaire ne devrait pas être une recherche préliminaire unique, mais une enquête active. En combinant recherche, ouverture, navigation, lecture ciblée et correspondance exacte, le système donne au modèle davantage d’occasions de trouver puis de vérifier les preuves au sein de corpus d’entreprise difficiles.

Les chiffres communiqués par Mistral — de 26,7 % à 86 % sur FinanceBench et un gain de 45,6 points sur OfficeQA Pro — suggèrent que cette conception peut améliorer sensiblement les réponses aux questions documentaires. La réserve est tout aussi importante : il s’agit de résultats liés aux benchmarks de Mistral, et les entreprises devront encore mesurer la latence, le coût, les permissions, la qualité du parsing et la fiabilité sur leurs propres données.