Mistral transforma a busca em documentos corporativos em uma investigação feita por IA

O Mistral Agentic Search é uma camada de recuperação de informações que permite a um modelo de IA investigar uma coleção de documentos ao longo de várias chamadas de ferramentas, em vez de responder com base em um único lote fixo de textos recuperados. O modelo pode localizar candidatos, abrir arquivos, navegar pela estrutura, ler trechos relevantes e procurar palavras ou padrões exatos.

Essa diferença aparece principalmente quando a resposta está espalhada por relatórios financeiros longos, páginas digitalizadas, tabelas, notas de rodapé ou vários documentos relacionados. A Mistral afirma que sua abordagem elevou a correção do Mistral Medium 3.5 no FinanceBench de 26,7% para 86% — aproximadamente três vezes mais — em um corpus de 368 documentos financeiros com cerca de 53.900 páginas. Como os números vêm de uma avaliação da própria Mistral, eles devem ser lidos como um benchmark de produto, e não como um padrão independente da indústria.

O que muda em relação ao RAG tradicional

Em um sistema convencional de geração aumentada por recuperação, ou RAG, a aplicação faz uma busca, seleciona um conjunto fixo dos trechos mais bem classificados e os envia a um modelo de linguagem para formular a resposta. Esse processo pode funcionar bem quando a informação está em uma passagem direta. Ele se torna menos confiável quando a primeira busca não encontra o documento certo, separa uma tabela de sua explicação ou retorna um trecho sem contexto suficiente. A própria documentação da Mistral descreve o RAG convencional como a recuperação de passagens relevantes em uma biblioteca de documentos enviados pelo usuário.

O Agentic Search torna essa recuperação adaptativa. Em vez de considerar o primeiro conjunto de resultados como definitivo, o modelo avalia o que encontrou e decide qual será o próximo passo:

1. Search: encontra documentos ou passagens prováveis.
2. Open: abre um documento selecionado para inspeção.
3. Navigate: percorre páginas, seções ou outros elementos da estrutura do arquivo.
4. Read: recupera o conteúdo relevante junto com seu contexto.
5. Grep: verifica palavras, frases, números ou padrões exatos.

O modelo pode repetir essas operações enquanto refina a resposta. Na prática, isso cria um ciclo de busca e verificação: localizar uma possível resposta, examinar sua fonte, procurar evidências relacionadas e conferir a formulação precisa antes de responder. O padrão de chamadas de ferramentas é compatível com a arquitetura de agentes documentada pela Mistral, na qual os modelos acionam funções externas durante uma tarefa e recebem os resultados de volta para continuar o raciocínio.

Por que o ciclo ajuda em documentos corporativos difíceis

Recuperação fraca não precisa encerrar a busca

O RAG de uma só etapa depende muito da consulta inicial, da indexação, da estratégia de divisão em trechos e do ranqueamento. Se os primeiros resultados forem plausíveis, mas incompletos, o modelo talvez nunca veja a evidência necessária para se corrigir. Um agente iterativo pode reformular a busca, abrir outro documento ou examinar seções próximas, em vez de parar no primeiro resultado convincente.

A estrutura do documento é preservada

Tabelas e divulgações financeiras muitas vezes dependem de títulos, posição na página, notas de rodapé e textos vizinhos. Uma coleção plana de trechos pode esconder essas relações. As funções de navegação e leitura direcionada permitem que o modelo percorra o documento, em vez de tratar cada passagem como um fragmento isolado.

A evidência pode ser conferida com precisão

A recuperação semântica é útil para encontrar conceitos relacionados, mas a correspondência exata continua importante para nomes de empresas, termos contábeis, datas, identificadores e divulgações repetidas. Uma operação no estilo grep oferece uma forma complementar de verificar se determinado termo ou padrão aparece no corpus. Ferramentas semelhantes, baseadas em busca, leitura, navegação e correspondência de texto, também são usadas em sistemas de documentos orientados por agentes fora da Mistral.

Perguntas entre documentos são mais naturais

Questões corporativas frequentemente exigem comparar vários relatórios, encontrar um número em um arquivo e sua definição em outro. Um ciclo conduzido pelo modelo pode alternar entre descoberta e verificação em todo o acervo, em vez de depender de uma única rodada de ranqueamento.

O que mostram os benchmarks divulgados

A Mistral destaca duas avaliações voltadas a tarefas difíceis de perguntas e respostas sobre documentos.

FinanceBench: de 26,7% para 86%

O FinanceBench reúne 368 documentos financeiros, totalizando aproximadamente 53.900 páginas. A Mistral relata que o Mistral Medium 3.5 alcançou 26,7% de correção com recuperação em uma única etapa e 86% com o Agentic Search. Isso representa um ganho de 59,3 pontos percentuais, ou cerca de 3,2 vezes o resultado do processo de uma só etapa.

A empresa também relata testes da camada de recuperação com o GLM-5.2, descrito em sua documentação como um modelo de texto de código aberto de uma terceira parte. Na comparação divulgada, o GLM-5.2 passou de 6,3% com recuperação em uma etapa para 51,9% com o Agentic Search.

OfficeQA Pro: ganho de 45,6 pontos

O OfficeQA Pro se concentra em perguntas com muitas tabelas e vários documentos, usando 696 documentos digitalizados do U.S. Treasury Bulletin, publicação do Tesouro dos Estados Unidos. Em um anúncio da Mistral compartilhado por Ina Koleva, a taxa subiu de 6,3% para 51,9%, um ganho de 45,6 pontos percentuais na comparação com o RAG de uma só etapa.

Os números são promissores, mas não representam uma garantia universal de desempenho. Os resultados podem mudar conforme a qualidade do processamento dos documentos, do OCR, da divisão em trechos, da indexação, do modelo, dos prompts, dos limites de ferramentas e da metodologia de avaliação. A pesquisa do próprio OfficeQA Pro também mostra que a forma de representar e processar os documentos afeta materialmente a precisão, a latência, o número de chamadas e o custo.

Precisão é apenas metade da questão empresarial

A Mistral afirma que o Agentic Search melhora a precisão e reduz o número de interações, o uso de tokens e a latência nos benchmarks destacados. Ainda assim, um sistema de recuperação em várias etapas precisa esperar por chamadas de ferramentas e pelo processamento dos documentos. Uma análise secundária dos resultados do FinanceBench relatou latência média de 71 segundos e p90 de 154 segundos para o ciclo completo. Esses números não aparecem no trecho da fonte primária da Mistral e devem ser tratados com cautela.

Para equipes que avaliam uma implantação real, a comparação não é simplesmente entre sistemas “agentivos” e “não agentivos”. As perguntas mais importantes são:

• Com que frequência o sistema encontra a evidência correta?
• Ele preserva de forma consistente o contexto de páginas, tabelas e citações?
• Qual é o tempo médio e o pior tempo de resposta?
• Quantas chamadas de ferramentas e tokens cada pergunta exige?
• É possível integrar permissões, indexação, OCR e registros de auditoria ao fluxo?
• Onde ocorre o processamento dos documentos e a inferência do modelo?

A recuperação agentiva pode reduzir o contexto desperdiçado ao ler apenas o que é necessário. Por outro lado, etapas adicionais de raciocínio também podem aumentar a latência e o custo. O desenho adequado depende do risco e da complexidade da tarefa.

Onde o Agentic Search está disponível

A Mistral afirma que o Agentic Search está disponível por meio do Search Toolkit e das Libraries. Esses produtos fazem parte de uma pilha mais ampla de agentes e busca documental: a documentação da empresa apresenta as bibliotecas de documentos como uma forma integrada de pesquisar arquivos enviados, enquanto a Agents API permite criar agentes que acionam ferramentas durante uma conversa.

A distinção importante é que o Agentic Search é apresentado como um componente de recuperação, e não apenas como uma função de um chatbot voltado ao consumidor. Isso permite incorporar o fluxo de busca a uma aplicação, a um agente ou a uma infraestrutura corporativa mais ampla.

Por que uma camada independente do modelo importa

Os testes divulgados com o Mistral Medium 3.5 e o GLM-5.2 apontam para um desenho flexível em relação ao modelo. Se a camada de recuperação e navegação funcionar com diferentes modelos de raciocínio, uma empresa não precisará necessariamente reconstruir todo o fluxo documental sempre que trocar de modelo.

Essa portabilidade pode ser relevante para organizações que equilibram capacidade, preço, licenciamento, local de implantação e controles sobre os dados. Também muda o foco da disputa: a camada de recuperação, a representação dos documentos, as permissões, a observabilidade e a qualidade das evidências passam a ser tão importantes quanto o modelo que gera a resposta final.

A ideia ainda precisa ser testada em cada implantação. Um sistema pode ser independente do modelo em princípio, mas apresentar comportamentos diferentes conforme a confiabilidade no uso de ferramentas, o gerenciamento de contexto e a qualidade de raciocínio de cada modelo.

A estratégia empresarial e de soberania da Mistral

O Agentic Search reforça a tentativa da Mistral de vender mais do que um modelo isolado. A empresa posiciona sua tecnologia como uma camada portátil para pesquisar e raciocinar sobre dados organizacionais sensíveis, incluindo registros financeiros e bases internas de conhecimento. Seus materiais para o setor financeiro destacam buscas com controle de permissões e respostas acompanhadas de evidências e contexto.

Esse posicionamento é especialmente relevante para organizações reguladas que precisam controlar onde os dados são processados e como as evidências são acessadas. Relatos relacionados à Mistral descrevem implantação na nuvem e em infraestruturas controladas, incluindo ambientes no estilo local, mas flexibilidade de implantação não deve ser confundida com conformidade automática em todas as jurisdições ou setores.

Os planos de infraestrutura da empresa sustentam a mesma narrativa. A Reuters informou que a Microsoft gastaria bilhões na infraestrutura computacional europeia da Mistral e que clientes do Azure poderiam desenvolver software usando data centers da empresa na França. Hospedagem europeia pode apoiar requisitos de residência de dados e controle operacional, mas a relação com a Microsoft também mostra por que “IA soberana” não significa independência completa de cadeias globais de nuvem e hardware.

O financiamento por trás do lançamento

O lançamento ocorreu em meio a relatos de que a Mistral estava em conversas iniciais para captar aproximadamente € 3 bilhões, com uma avaliação de cerca de € 20 bilhões. A Bloomberg descreveu as negociações como preliminares e sujeitas a mudanças.

Essa avaliação proposta seria substancialmente superior aos € 11,7 bilhões registrados após o financiamento da Mistral em setembro de 2025. É importante diferenciar uma negociação divulgada de uma rodada concluída: os valores representam termos possíveis, não uma transação finalizada.

A possível captação também mostra por que recuperação empresarial e infraestrutura são temas estratégicos. Produtos de IA de fronteira exigem acesso a capacidade computacional cara, enquanto clientes corporativos querem sistemas confiáveis que operem sobre seus próprios dados. O Agentic Search endereça a camada de aplicação e recuperação; os data centers europeus respondem a parte da questão de infraestrutura.

Como a Mistral se posiciona no mercado

A empresa disputa várias frentes ao mesmo tempo:

• Busca corporativa tradicional: o Agentic Search acrescenta investigação conduzida pelo modelo ao ranqueamento e à recuperação, com o objetivo de localizar, inspecionar e explicar evidências, em vez de apenas listar documentos.
• RAG básico: sua principal diferença é a recuperação iterativa, a navegação e a verificação, em lugar de uma única rodada de busca vetorial ou por palavras-chave.
• Provedores de nuvem e plataformas: a Mistral enfatiza ferramentas combináveis, flexibilidade de modelos e opções de implantação europeias, em vez de depender apenas de um assistente de uso geral.
• Outros sistemas de busca agentiva: o OpenSearch também descreve um fluxo em que um modelo planeja e executa a recuperação automaticamente, mostrando que a categoria é mais ampla que a Mistral.

O destaque dos benchmarks oferece à Mistral um ponto de partida forte, sobretudo em documentos longos e estruturalmente difíceis. A vantagem duradoura dependerá de saber se os ganhos se repetem em avaliações independentes e em cargas de produção reais — e se a empresa consegue entregá-los com latência, custo, segurança e complexidade de integração aceitáveis.

Em resumo

A ideia central do Mistral Agentic Search é simples, mas relevante: a recuperação deveria ser uma investigação ativa, e não apenas uma consulta preliminar. Ao combinar busca, abertura de documentos, navegação, leitura direcionada e correspondência exata de termos, o sistema oferece ao modelo mais oportunidades para encontrar e verificar evidências em grandes acervos corporativos.

Os resultados divulgados pela Mistral — de 26,7% para 86% no FinanceBench e um ganho de 45,6 pontos no OfficeQA Pro — sugerem que esse desenho pode melhorar de forma significativa as respostas sobre documentos. A ressalva é igualmente importante: são resultados de benchmarks ligados à própria empresa, e compradores corporativos ainda precisam medir latência, custo, permissões, qualidade do processamento e confiabilidade em seus próprios dados.