Mistral gjør dokumentsøk til en etterforskning

Mistral Agentic Search er et søkelag som lar en AI-modell undersøke en samling dokumenter gjennom flere verktøykall, i stedet for å svare ut fra én fast bunke med tekst. Modellen kan finne kandidater, åpne dokumenter, navigere i strukturen, lese relevante avsnitt og søke etter bestemte ord eller mønstre.

Forskjellen blir særlig viktig når svaret er spredt over lange finansrapporter, skannede sider, tabeller, fotnoter eller flere dokumenter. Mistral rapporterer at løsningen økte korrektheten til Mistral Medium 3.5 på FinanceBench fra 26,7 til 86 prosent – omtrent en tredobling – i et materiale med 368 rapporter og rundt 53 900 sider. Dette er Mistrals egen evaluering og bør derfor leses som en produktbenchmark, ikke som en uavhengig bransjestandard.

Hva Agentic Search endrer ved RAG

RAG, eller retrieval-augmented generation, kombinerer dokumentinnhenting med tekstgenerering. I en vanlig RAG-løsning søker systemet én gang, velger et fast antall høyt rangerte tekstbiter og sender dem til språkmodellen. Det fungerer ofte godt når svaret står tydelig i ett avsnitt.

Problemet oppstår når det første søket bommer på en relevant rapport, skiller en tabell fra forklaringen eller henter tekst uten nok sammenheng. Mistrals dokumentasjon beskriver tilsvarende standard-RAG som et system der modellen henter relevante tekstpassasjer fra et opplastet dokumentbibliotek.

Agentic Search gjør innhentingen mer dynamisk. Modellen kan se på det den har funnet og avgjøre hva den bør gjøre videre:

1. Search finner aktuelle dokumenter eller tekstpassasjer.
2. Open åpner et valgt dokument.
3. Navigate beveger seg gjennom sider, kapitler eller annen dokumentstruktur.
4. Read henter relevant innhold med nødvendig kontekst.
5. Grep leter etter nøyaktige ord, uttrykk, tall eller mønstre.

Operasjonene kan gjentas mens modellen avgrenser spørsmålet. I praksis blir dette en løkke for søk og kontroll: Finn et mulig svar, undersøk kilden, se etter beslektet dokumentasjon og kontroller den presise formuleringen før svaret skrives. Mønsteret samsvarer med Mistrals dokumenterte agentarkitektur, der modellen kan kalle eksterne funksjoner underveis og bruke resultatene videre i oppgaven.

Hvorfor flere søketrinn kan hjelpe

Modellen kan rette opp et svakt førstesøk

Engangs-RAG er avhengig av den første forespørselen, hvordan dokumentene er delt opp, søkeindeksen og rangeringsmetoden. Hvis systemet finner noe som virker relevant, men er ufullstendig, kan språkmodellen ende med å bygge svaret på feil grunnlag.

En iterativ agent kan formulere søket på nytt, åpne en annen rapport eller lese avsnittene rundt treffet. Den trenger ikke stoppe ved det første plausible resultatet.

Dokumentstrukturen blir lettere å bevare

Finansielle tabeller og selskapsopplysninger avhenger ofte av overskrifter, sidetall, fotnoter og tekst i nærheten. Når dokumenter flates ut til løse tekstbiter, kan disse sammenhengene forsvinne.

Navigasjon og målrettet lesing gir modellen mulighet til å bevege seg gjennom dokumentet i stedet for å behandle hvert avsnitt som en isolert tekstblokk.

Den kan kontrollere eksakte opplysninger

Semantisk søk er nyttig for å finne beslektede begreper, men eksakte treff er fortsatt viktige for selskapsnavn, regnskapsuttrykk, datoer, identifikatorer og gjentatte opplysninger. Et grep-lignende verktøy gir modellen en ekstra måte å kontrollere om et bestemt ord eller mønster faktisk finnes i materialet. Tilsvarende filorienterte verktøy for søk, grep, lesing og dokumentnavigasjon brukes også i andre agentbaserte dokumentsystemer.

Det passer bedre til spørsmål på tvers av dokumenter

Bedriftsspørsmål krever ofte at flere rapporter sammenlignes – for eksempel at et tall hentes fra én rapport, mens definisjonen finnes i en annen. En modellstyrt søkeløkke kan veksle mellom å finne nye kilder og kontrollere dokumentasjonen, i stedet for å stole på én enkelt rangeringsrunde.

Hva benchmarkene viser

Mistral trekker særlig frem to evalueringer av krevende spørsmål og svar i dokumenter.

FinanceBench: fra 26,7 til 86 prosent

FinanceBench består av 368 finansielle rapporter på til sammen omtrent 53 900 sider. Mistral rapporterer at Mistral Medium 3.5 oppnådde 26,7 prosent korrekthet med engangsinnhenting og 86 prosent med Agentic Search. Det tilsvarer en økning på 59,3 prosentpoeng, eller omtrent 3,2 ganger resultatet fra engangsmetoden.

Mistral rapporterer også tester med GLM-5.2, som dokumentasjonen omtaler som en tredjeparts tekstmodell med åpen kildekode. I sammenligningen økte GLM-5.2 fra 6,3 prosent med engangsinnhenting til 51,9 prosent med Agentic Search.

OfficeQA Pro: 45,6 prosentpoengs økning

OfficeQA Pro handler om tabelltunge spørsmål på tvers av flere dokumenter, basert på 696 skannede dokumenter fra U.S. Treasury Bulletin. I en kunngjøring fra Mistral, delt av Ina Koleva, rapporteres en økning fra 6,3 til 51,9 prosent – en forbedring på 45,6 prosentpoeng sammenlignet med én enkelt RAG-runde.

Tallene er lovende, men de er ingen garanti for samme ytelse i alle miljøer. Resultatene påvirkes blant annet av dokumenttolking, OCR-kvalitet, oppdeling i tekstbiter, indeksering, modellvalg, instruksjoner, verktøygrenser og evalueringsmetode. Forskningen bak OfficeQA Pro viser også at hvordan dokumentene representeres og tolkes, har betydning for nøyaktighet, responstid, antall verktøykall og kostnad.

Nøyaktighet er bare halve bedriftsregnestykket

Mistral sier at Agentic Search både øker nøyaktigheten og reduserer antall trinn, tokenbruk og ventetid i de fremhevede benchmarkene. Et system med flere søketrinn må likevel vente på verktøykall og dokumentbehandling.

En sekundæranalyse av FinanceBench-resultatene rapporterte en gjennomsnittlig ventetid på 71 sekunder og 154 sekunder ved p90 for hele løkken. Disse tallene finnes ikke i det primære Mistral-utdraget og bør derfor vurderes med det forbeholdet.

For team som skal sette løsningen i produksjon, er det derfor ikke nok å spørre om systemet er «agentbasert». De bør også måle:

• Hvor ofte finner systemet riktig dokumentasjon?
• Bevarer det side-, tabell- og kildekontekst på en pålitelig måte?
• Hva er gjennomsnittlig og verst tenkelig svartid?
• Hvor mange verktøykall og token krever hvert spørsmål?
• Kan tilgangsstyring, indeksering, OCR og revisjonslogger bygges inn?
• Hvor behandles dokumentene og modellens beregninger?

Agentbasert innhenting kan redusere unødvendig kontekst ved å lese bare det modellen trenger. Samtidig kan flere resonnementstrinn gi høyere ventetid og kostnad. Riktig arkitektur avhenger av hvor komplisert og risikofylt oppgaven er.

Hvor Mistral tilbyr Agentic Search

Mistral opplyser at Agentic Search er tilgjengelig gjennom Search Toolkit og Libraries. Produktene inngår i Mistrals bredere stakk for agenter og dokumentsøk. Dokumentasjonen beskriver Libraries som en innebygd måte å søke i opplastede filer på, mens Agents API lar agenter kalle verktøy under en samtale.

Det sentrale produktpoenget er at Agentic Search presenteres som en komponent for innhenting, ikke bare som en funksjon i en forbrukerchatbot. Dermed kan søkeløkken bygges inn i en større applikasjon, agent eller bedriftsplattform.

Hvorfor modellfleksibilitet er viktig

Mistrals tester med både Mistral Medium 3.5 og GLM-5.2 peker mot et modellfleksibelt design. Dersom søke- og navigasjonslaget fungerer med flere resonneringsmodeller, trenger ikke en virksomhet nødvendigvis å bygge hele dokumentflyten på nytt hver gang den bytter modell.

Det kan være viktig for organisasjoner som må balansere kapasitet, pris, lisensvilkår, distribusjonssted og kontroll over data. Konkurransen flyttes da også fra selve språkmodellen til dokumentrepresentasjon, tilgangsregler, overvåking og kvaliteten på dokumentasjonen som ligger bak svaret.

Prinsipiell modelluavhengighet er likevel ikke det samme som identisk ytelse. Verktøybruk, konteksthåndtering og resonnering kan variere betydelig mellom modeller.

En del av Mistrals europeiske bedriftsstrategi

Agentic Search styrker Mistrals forsøk på å selge mer enn en enkelt modell. Selskapet posisjonerer teknologien som et flyttbart lag for søk og resonnering over sensitive organisasjonsdata, blant annet finansielle registre og interne kunnskapsbaser. Mistrals finansielle materiale fremhever tilgangsstyrt søk og svar med dokumentasjon og kontekst.

Dette er særlig relevant for regulerte virksomheter som trenger kontroll over hvor data behandles og hvordan kildene brukes. Mistral-relatert rapportering omtaler distribusjon i skyen og i kontrollerte miljøer, inkludert lokale installasjoner, men slik fleksibilitet er ikke det samme som automatisk etterlevelse av alle krav i alle land og sektorer.

Infrastrukturplanene støtter den samme fortellingen. Reuters har rapportert om en avtale der Microsoft skal bruke milliarder på Mistrals europeiske datainfrastruktur, samtidig som Azure-kunder skal kunne utvikle programvare ved hjelp av Mistrals datasentre i Frankrike.

Europeisk lagring kan støtte krav til dataresidens og operasjonell kontroll. Samtidig viser Microsoft-samarbeidet at «suveren AI» ikke betyr full uavhengighet fra globale skyleverandører, brikkeprodusenter og forsyningskjeder.

Finansieringen bak lanseringen

Lanseringen kom samtidig med rapporter om at Mistral var i tidlige samtaler om å hente rundt 3 milliarder euro til en verdsettelse på omtrent 20 milliarder euro. Bloomberg beskrev samtalene som foreløpige, og vilkårene kunne endres.

En slik verdsettelse ville ligge betydelig over de 11,7 milliarder euro selskapet ble verdsatt til etter finansieringen i september 2025. Det er viktig å skille mellom rapporterte forhandlinger og en fullført kapitalrunde: Tallene beskriver mulige vilkår, ikke en endelig transaksjon.

Muligheten for en ny stor kapitalinnhenting illustrerer også hvorfor bedriftsrettet søk og infrastruktur er strategisk viktig. Frontlinje-AI krever kostbar datakraft, mens bedriftskunder ønsker pålitelige systemer som kan fungere over egne data. Agentic Search svarer på applikasjons- og søkelaget; europeiske datasentre dekker en del av infrastrukturlaget.

Slik plasserer Mistral seg i markedet

Mistral konkurrerer på flere fronter samtidig:

• Tradisjonelt bedriftssøk: Agentic Search legger modellstyrt undersøkelse oppå rangering og innhenting. Målet er ikke bare å returnere dokumenter, men å finne, undersøke og forklare dokumentasjonen.
• Enkel RAG: Hovedforskjellen er iterativ innhenting, navigasjon og kontroll i stedet for én vektor- eller nøkkelordbasert søkeoperasjon.
• Sky- og plattformleverandører: Mistral fremhever sammensettbare verktøy, modellfleksibilitet og europeiske distribusjonsmuligheter, ikke bare en generell assistent.
• Andre agentbaserte søkesystemer: OpenSearch beskriver også en arbeidsflyt der en modell planlegger og gjennomfører innhentingen automatisk. Kategorien er dermed bredere enn Mistral.

Benchmark-resultatene gir Mistral et sterkt utgangspunkt, særlig for lange dokumenter med krevende struktur. Det varige konkurransefortrinnet vil likevel avhenge av om forbedringene holder i uavhengige tester og reelle produksjonsmiljøer – og om de kan leveres med akseptabel ventetid, kostnad, sikkerhet og integrasjonskompleksitet.

Konklusjon

Hovedideen bak Mistral Agentic Search er enkel, men viktig: Dokumentsøk bør være en aktiv undersøkelse, ikke bare et første oppslag.

Ved å kombinere søk, åpning av dokumenter, navigasjon, målrettet lesing og eksakt ordsøk får modellen flere muligheter til å finne og kontrollere dokumentasjon i krevende bedriftsarkiver.

Mistrals rapporterte resultater – fra 26,7 til 86 prosent på FinanceBench og en økning på 45,6 prosentpoeng i OfficeQA Pro – tyder på at metoden kan forbedre spørsmål og svar over komplekse dokumenter betydelig. Forbeholdet er like viktig: Dette er leverandørknyttede benchmark-resultater, og virksomheter må fortsatt måle ventetid, kostnad, tilgangsstyring, tolking og pålitelighet på sine egne data.