Mistral Agentic Search zamienia przeszukiwanie dokumentów firmowych w dochodzenie

Agentic Search czyni ten proces adaptacyjnym. Pierwszy zestaw wyników nie jest traktowany jako ostateczny — model może ocenić, co znalazł, i zdecydować, jaki powinien być kolejny krok:

1. Search wyszukuje prawdopodobne dokumenty lub fragmenty.
2. Open otwiera wybrany dokument do dalszej analizy.
3. Navigate pozwala poruszać się po stronach, sekcjach i innej strukturze dokumentu.
4. Read pobiera właściwą treść wraz z kontekstem.
5. Grep sprawdza występowanie konkretnych słów, fraz, liczb lub wzorców.

Model może powtarzać te operacje, stopniowo zawężając odpowiedź. W praktyce powstaje pętla wyszukiwania i weryfikacji: najpierw znalezienie prawdopodobnej odpowiedzi, potem sprawdzenie źródła, poszukanie powiązanych dowodów i kontrola dokładnego brzmienia przed udzieleniem odpowiedzi. Taki sposób wywoływania narzędzi odpowiada opisanej przez Mistrala architekturze agentów, w której model korzysta z zewnętrznych funkcji w trakcie zadania, otrzymuje ich wyniki i kontynuuje rozumowanie.

Dlaczego iteracyjna pętla pomaga przy trudnych dokumentach

Pozwala naprawić słabe pierwsze wyszukiwanie

Jednorazowy RAG jest mocno uzależniony od treści zapytania, sposobu podziału dokumentów na fragmenty, indeksowania i rankingu wyników. Jeśli pierwsze wyszukiwanie zwróci materiał pozornie trafny, ale niepełny, model może w ogóle nie zobaczyć informacji potrzebnych do skorygowania odpowiedzi. Agent działający iteracyjnie może zmienić zapytanie, otworzyć inny dokument albo przejrzeć sąsiednie sekcje, zamiast zatrzymać się na pierwszym wiarygodnie wyglądającym wyniku.

Zachowuje strukturę dokumentu

Tabele i ujawnienia finansowe często zależą od nagłówków, położenia na stronie, przypisów i sąsiadującego tekstu. Płaski zbiór fragmentów może zerwać te zależności. Nawigowanie i celowane odczytywanie dają modelowi możliwość przejścia przez dokument, zamiast traktowania każdej części jako oderwanego kawałka tekstu.

Ułatwia sprawdzanie konkretnych dowodów

Wyszukiwanie semantyczne pomaga odnaleźć informacje dotyczące podobnych pojęć, ale w finansach i dokumentacji firmowej liczy się również dokładne dopasowanie nazw spółek, terminów księgowych, dat, identyfikatorów i powtarzających się ujawnień. Operacja typu grep stanowi uzupełnienie wyszukiwania semantycznego i pozwala sprawdzić, czy określony termin lub wzorzec rzeczywiście występuje w zbiorze. Podobne narzędzia do pracy z plikami — search, grep, read i przeglądanie struktury dokumentu — są stosowane również w innych systemach agentowego wyszukiwania.

Lepiej obsługuje pytania dotyczące wielu dokumentów

Odpowiedzi na pytania biznesowe często wymagają porównania kilku raportów albo znalezienia liczby w jednym dokumencie i jej definicji w innym. Pętla sterowana przez model może przeplatać odkrywanie informacji z ich weryfikacją w całym korpusie, zamiast polegać na jednym przebiegu rankingu.

Co pokazują przedstawione benchmarki

Mistral wskazuje dwie ewaluacje dotyczące trudnych zadań odpowiadania na pytania na podstawie dokumentów.

FinanceBench: z 26,7% do 86%

FinanceBench obejmuje 368 dokumentów finansowych liczących łącznie około 53 900 stron. Mistral podaje, że Mistral Medium 3.5 osiągnął 26,7% poprawności przy jednorazowym wyszukiwaniu oraz 86% z Agentic Search. Oznacza to wzrost o 59,3 punktu procentowego, czyli około 3,2 raza względem wyniku bazowego.

Mistral informuje również o testach warstwy wyszukiwania z użyciem GLM-5.2, opisywanego w dokumentacji jako zewnętrzny model tekstowy o otwartych zasadach udostępniania. W przedstawionym porównaniu wynik GLM-5.2 wzrósł z 6,3% przy jednorazowym wyszukiwaniu do 51,9% z Agentic Search.

OfficeQA Pro: wzrost o 45,6 punktu procentowego

OfficeQA Pro koncentruje się na pytaniach dotyczących tabel i wielu dokumentów. Wykorzystuje 696 zeskanowanych biuletynów Departamentu Skarbu Stanów Zjednoczonych. W komunikacie Mistrala udostępnionym przez Inę Kolevą opisano wzrost z 6,3% do 51,9%, czyli o 45,6 punktu procentowego, w porównaniu z jednorazowym RAG.

Wyniki wyglądają obiecująco, ale nie są uniwersalną gwarancją skuteczności. Rezultaty mogą się zmieniać w zależności od jakości parsowania dokumentów, OCR, podziału na fragmenty, indeksowania, wybranego modelu, promptów, limitów narzędzi i metodologii oceny. Badania dotyczące OfficeQA Pro pokazują ponadto, że sposób reprezentacji i parsowania dokumentów wyraźnie wpływa na dokładność, opóźnienie, liczbę wywołań narzędzi i koszt.

W firmie sama dokładność nie wystarczy

Mistral twierdzi, że Agentic Search poprawia dokładność, a jednocześnie ogranicza liczbę tur, zużycie tokenów i opóźnienie względem wyróżnionych benchmarków. Wieloetapowy system musi jednak czekać na kolejne wywołania narzędzi i przetwarzanie dokumentów. Wtórna analiza wyników FinanceBench podawała średnie opóźnienie pełnej pętli na poziomie 71 sekund oraz 154 sekundy dla 90. percentyla. Dane te nie pojawiają się we wskazanym fragmencie głównego źródła Mistrala, dlatego należy traktować je z odpowiednią ostrożnością.

Dla zespołów wdrażających takie rozwiązanie właściwe pytanie nie brzmi więc po prostu: „agentowe czy nieagentowe?”. Należy sprawdzić:

• jak często system znajduje właściwe dowody;
• czy zachowuje kontekst stron, tabel i cytowań;
• jaki jest średni oraz najgorszy czas odpowiedzi;
• ile wywołań narzędzi i tokenów wymaga jedno pytanie;
• czy da się zintegrować uprawnienia, indeksowanie, OCR i dzienniki audytowe;
• gdzie odbywa się przetwarzanie dokumentów i wnioskowanie modelu.

Agentowe wyszukiwanie może ograniczyć ilość niepotrzebnego kontekstu, bo model odczytuje tylko informacje, których potrzebuje. Dodatkowe kroki rozumowania mogą jednak zwiększyć opóźnienie i koszt. Właściwy projekt zależy od ryzyka oraz złożoności zadania.

Gdzie dostępny jest Agentic Search

Mistral informuje, że Agentic Search jest dostępny przez Search Toolkit i Libraries. Produkty te wpisują się w szerszy stos narzędzi Mistrala do agentów i przeszukiwania dokumentów: dokumentacja wymienia biblioteki dokumentów jako wbudowany sposób wyszukiwania przesłanych plików, a Agents API obsługuje agentów korzystających z narzędzi podczas rozmowy.

Istotne jest pozycjonowanie produktu jako komponentu wyszukiwania, a nie wyłącznie funkcji konsumenckiego chatbota. Dzięki temu przepływ pracy można umieścić w większej aplikacji, agencie lub firmowym systemie wyszukiwania.

Znaczenie warstwy niezależnej od modelu

Testy przeprowadzone zarówno z Mistral Medium 3.5, jak i GLM-5.2 wskazują na projekt, który może współpracować z więcej niż jednym modelem. Jeśli warstwa wyszukiwania i nawigacji rzeczywiście pozostaje elastyczna modelowo, firma nie musi od początku budować procesu pracy z dokumentami za każdym razem, gdy zmienia model rozumujący.

Taka przenośność może mieć znaczenie dla organizacji, które równoważą możliwości, cenę, licencjonowanie, miejsce wdrożenia i kontrolę nad danymi. Zmienia też pole konkurencji: równie ważne jak sam model generujący odpowiedź stają się warstwa wyszukiwania, reprezentacja dokumentów, uprawnienia, obserwowalność i jakość dowodów.

Deklarację o niezależności od modelu trzeba jednak sprawdzać w konkretnym wdrożeniu. Różne modele mogą odmiennie radzić sobie z używaniem narzędzi, obsługą kontekstu i rozumowaniem.

Agentic Search a strategia Mistrala

Agentic Search wzmacnia próbę sprzedawania przez Mistrala czegoś więcej niż pojedynczego modelu. Firma pozycjonuje swoje rozwiązania jako przenośną warstwę do przeszukiwania i analizowania wrażliwych danych organizacji, w tym dokumentów finansowych i wewnętrznych baz wiedzy. Materiały Mistrala dotyczące finansów podkreślają wyszukiwanie uwzględniające uprawnienia oraz odpowiedzi zawierające dowody i kontekst.

Taka oferta może zainteresować organizacje regulowane, które muszą kontrolować miejsce przetwarzania danych i sposób dostępu do źródeł. Publikacje dotyczące Mistrala opisują wdrożenia w chmurze i kontrolowanej infrastrukturze, w tym środowiskach działających w modelu on-premises. Elastyczność wdrożenia nie oznacza jednak automatycznej zgodności z przepisami każdego kraju i sektora.

W tę samą narrację wpisują się plany infrastrukturalne Mistrala. Reuters informował o porozumieniu, w ramach którego Microsoft ma przeznaczyć miliardy na europejską infrastrukturę obliczeniową Mistrala, a klienci Azure mają otrzymać możliwość tworzenia oprogramowania z wykorzystaniem centrów danych Mistrala we Francji. Europejski hosting może wspierać rezydencję danych i kontrolę operacyjną, ale relacja z Microsoftem pokazuje także, że „suwerenna AI” nie oznacza pełnej niezależności od globalnych dostawców chmury i sprzętu.

Finansowe tło premiery

Premiera produktu nastąpiła w czasie doniesień, że Mistral prowadzi wstępne rozmowy w sprawie pozyskania około 3 mld euro przy wycenie na poziomie około 20 mld euro. Bloomberg zaznaczał, że rozmowy były na wczesnym etapie, a ich warunki mogły się zmienić.

Taka wycena byłaby wyraźnie wyższa od 11,7 mld euro, które podawano po finansowaniu Mistrala we wrześniu 2025 roku. Trzeba jednak odróżnić doniesienia o możliwej rundzie od sfinalizowanej transakcji: chodzi o potencjalne warunki, a nie zakończone finansowanie.

Możliwa runda pokazuje też, dlaczego wyszukiwanie firmowych danych i infrastruktura są dla Mistrala strategiczne. Rozwój zaawansowanych produktów AI wymaga drogiej mocy obliczeniowej, podczas gdy klienci biznesowi oczekują systemów działających wiarygodnie na ich własnych danych. Agentic Search odpowiada na problem warstwy aplikacyjnej i wyszukiwania, a europejskie centra danych — na część problemu infrastrukturalnego.

Pozycja na zatłoczonym rynku

Mistral konkuruje jednocześnie na kilku frontach:

• Tradycyjne wyszukiwanie firmowe: Agentic Search dodaje do rankingu i pobierania treści analizę prowadzoną przez model. Celem jest nie tylko zwrócenie listy dokumentów, lecz także znalezienie, sprawdzenie i wyjaśnienie dowodów.
• Podstawowy RAG: kluczową różnicą ma być iteracyjne wyszukiwanie, nawigacja i weryfikacja zamiast pojedynczego przebiegu wyszukiwania wektorowego lub słownikowego.
• Dostawcy chmurowi i platformowi: Mistral akcentuje modułowość narzędzi, elastyczność wyboru modelu i europejskie opcje wdrożenia, a nie tylko funkcję uniwersalnego asystenta.
• Inne systemy agentowego wyszukiwania: OpenSearch również opisuje rozwiązanie, w którym model automatycznie planuje i wykonuje wyszukiwanie. Pokazuje to, że jest to szersza kategoria, a nie wyłączność Mistrala.

Wynik z benchmarku daje Mistralowi mocny punkt wyjścia, szczególnie w przypadku długich i strukturalnie skomplikowanych dokumentów. Trwała przewaga będzie jednak zależeć od tego, czy poprawa utrzyma się w niezależnych testach i rzeczywistych wdrożeniach oraz czy firma dostarczy ją przy akceptowalnym czasie odpowiedzi, koszcie, poziomie bezpieczeństwa i złożoności integracji.

Wniosek

Główna idea Mistral Agentic Search jest prosta, ale znacząca: wyszukiwanie powinno być aktywnym dochodzeniem, a nie pojedynczym wstępnym odpytywaniem indeksu. Połączenie operacji search, open, navigate, read i grep daje modelowi więcej okazji do odnalezienia oraz sprawdzenia dowodów w trudnych zbiorach dokumentów firmowych.

Przedstawione przez Mistrala rezultaty — wzrost z 26,7% do 86% w FinanceBench oraz 45,6 punktu procentowego poprawy w OfficeQA Pro — sugerują, że taki projekt może wyraźnie poprawić odpowiadanie na pytania dotyczące dokumentów. Zastrzeżenie jest równie ważne: to wyniki benchmarków powiązanych z dostawcą, dlatego nabywcy biznesowi nadal muszą zmierzyć na własnych danych opóźnienia, koszty, uprawnienia, jakość parsowania i niezawodność.