Mistral Agentic Search ersätter engångshämtning med en loop där modellen söker, öppnar, navigerar, läser och letar efter exakta termer i dokument. Tekniken är utformad för svåra företagsarkiv med långa rapporter, skannade PDF filer, tabeller, fotnoter och frågor som kräver belägg från flera dokument.
Mistral Agentic Search ersätter engångshämtning med en loop där modellen söker, öppnar, navigerar, läser och letar efter exakta termer i dokument.
Tekniken är utformad för svåra företagsarkiv med långa rapporter, skannade PDF filer, tabeller, fotnoter och frågor som kräver belägg från flera dokument.
Mistral rapporterar att resultatet på FinanceBench ökade från 26,7 till 86 procents korrekthet och att OfficeQA Pro förbättrades från 6,3 till 51,9 procent.
Agentic Search erbjuds via Mistrals Search Toolkit och Libraries och är tänkt som ett flexibelt hämtningslager som kan användas med olika modeller.
What is Mistral AI’s Agentic Search, how does its five-operation iterative retrieval loop (search, open, navigate, read, and grep) improve oMistral Agentic Search uses an iterative tool loop to investigate complex documents.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What is Mistral AI’s Agentic Search, how does its five-operation iterative retrieval loop (search, open, navigate, read, and grep) improve o. Article summary: Mistral’s Agentic Search is a retrieval layer that lets an LLM investigate an enterprise corpus over multiple tool calls rather than answer from a single batch of retrieved chunks. Its purpose is to make long, table-heav. Topic tags: general, documentation, general web, news, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
openai.com
Mistral Agentic Search är ett hämtningslager för AI som låter en modell undersöka en dokumentsamling genom flera verktygsanrop – i stället för att svara utifrån en enda, fast uppsättning hämtade textstycken. Modellen kan söka efter kandidater, öppna dokument, navigera i strukturen, läsa relevanta avsnitt och leta efter exakta ord eller mönster.
Skillnaden märks framför allt när svaret är utspritt över långa finansiella rapporter, skannade sidor, tabeller, fotnoter eller flera relaterade dokument. Mistral uppger att metoden ökade korrektheten för Mistral Medium 3.5 i FinanceBench från 26,7 till 86 procent – ungefär tre gånger högre – på ett material med 368 rapporter och omkring 53 900 sidor. Resultatet kommer från Mistrals egen utvärdering och bör därför ses som ett produktbenchmark, inte som en oberoende branschstandard.
Från en sökning till en utredning
I ett traditionellt RAG-system, alltså retrieval-augmented generation, hämtas vanligtvis ett bestämt antal textsegment. De skickas sedan till språkmodellen, som formulerar ett svar. Det fungerar ofta bra när frågan besvaras direkt i ett enda stycke.
Problemet uppstår när den första sökningen missar en relevant rapport, skiljer en tabell från dess förklaring eller hittar text utan tillräcklig omgivande kontext. Mistrals dokumentation beskriver på liknande sätt vanlig RAG som en process där relevanta avsnitt hämtas ur ett uppladdat dokumentbibliotek.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Mistral gör dokumentsökning till en AI-utredning"?
Mistral Agentic Search ersätter engångshämtning med en loop där modellen söker, öppnar, navigerar, läser och letar efter exakta termer i dokument.
What are the key points to validate first?
Mistral Agentic Search ersätter engångshämtning med en loop där modellen söker, öppnar, navigerar, läser och letar efter exakta termer i dokument. Tekniken är utformad för svåra företagsarkiv med långa rapporter, skannade PDF filer, tabeller, fotnoter och frågor som kräver belägg från flera dokument.
What should I do next in practice?
Mistral rapporterar att resultatet på FinanceBench ökade från 26,7 till 86 procents korrekthet och att OfficeQA Pro förbättrades från 6,3 till 51,9 procent.
Agentic Search gör hämtningen adaptiv. Den första träfflistan behöver inte vara slutpunkten. Modellen kan i stället inspektera resultatet och bestämma nästa steg:
Search hittar möjliga dokument eller textavsnitt.
Open öppnar ett utvalt dokument.
Navigate rör sig genom sidor, avsnitt och annan dokumentstruktur.
Read hämtar relevant innehåll tillsammans med sin kontext.
Grep söker efter exakta ord, fraser, siffror eller mönster.
Modellen kan upprepa stegen medan den ringar in frågan. I praktiken skapas en loop för sökning och kontroll: hitta ett troligt svar, granska källan, leta efter kompletterande belägg och kontrollera den exakta formuleringen innan svaret skrivs. Mönstret ligger nära Mistrals dokumenterade agentarkitektur, där modeller anropar externa funktioner under en uppgift och får tillbaka resultaten för fortsatt resonemang.
Därför kan metoden fungera bättre på företagsdokument
Den kan reparera en svag första träff
Engångs-RAG är starkt beroende av den ursprungliga frågan, indexeringen, hur texten delats upp och hur träffarna rankas. Om de första resultaten verkar rimliga men är ofullständiga får modellen kanske aldrig se informationen som krävs för att rätta sig själv.
En iterativ agent kan formulera om sökningen, öppna ett annat dokument eller läsa närliggande avsnitt i stället för att stanna vid den första plausibla träffen.
Den behåller mer av dokumentets struktur
Finansiella tabeller och upplysningar är ofta beroende av rubriker, sidplacering, fotnoter och texten intill. När dokumentet plattas ut till isolerade textsegment kan dessa samband försvinna.
Navigation och riktad läsning ger modellen möjlighet att röra sig genom dokumentet – inte bara behandla varje textbit som fristående information.
Den möjliggör exakta kontroller
Semantisk sökning är bra på att hitta närliggande begrepp, men exakta matchningar spelar fortfarande stor roll för företagsnamn, redovisningstermer, datum, identifierare och återkommande upplysningar. Ett grep-liknande verktyg ger modellen ett kompletterande sätt att kontrollera om ett visst ord eller mönster verkligen förekommer i materialet. Liknande filorienterade verktyg för sökning, grep, läsning och dokumentnavigering används även i andra agentbaserade dokumentsystem.
Den passar frågor som går över flera dokument
Företagsfrågor kräver ofta att flera rapporter jämförs – exempelvis att ett belopp hittas i en rapport medan definitionen finns i en annan. En modellstyrd loop kan växla mellan upptäckt och verifiering i hela samlingen, i stället för att förlita sig på en enda rankningsomgång.
Vad benchmarkresultaten visar
Mistral lyfter fram två utvärderingar av krävande frågor om dokument.
FinanceBench: från 26,7 till 86 procent
FinanceBench omfattar 368 finansiella rapporter med sammanlagt cirka 53 900 sidor. Mistral uppger att Mistral Medium 3.5 nådde 26,7 procents korrekthet med engångshämtning och 86 procent med Agentic Search. Det motsvarar en ökning med 59,3 procentenheter, eller ungefär 3,2 gånger resultatet för engångsmetoden.
Mistral rapporterar även tester med GLM-5.2, som i dokumentationen beskrivs som en öppen textmodell från tredje part. I den jämförelsen ökade resultatet från 6,3 procent med engångshämtning till 51,9 procent med Agentic Search.
OfficeQA Pro: 45,6 procentenheters ökning
OfficeQA Pro fokuserar på tabelltunga frågor över flera dokument och bygger på 696 skannade dokument från U.S. Treasury Bulletin. I ett tillkännagivande som delats av Ina Koleva rapporterar Mistral en ökning från 6,3 till 51,9 procent, alltså 45,6 procentenheter, jämfört med one-shot RAG.
Siffrorna är lovande, men de är ingen garanti för samma resultat i andra miljöer. Utfallet kan påverkas av bland annat dokumenttolkning, OCR-kvalitet, textsegmentering, indexering, modellval, promptar, verktygsbegränsningar och utvärderingsmetod. Forskningen bakom OfficeQA Pro visar också att dokumentets representation och parsning påverkar korrekthet, svarstid, antal verktygsanrop och kostnad.
Korrekthet är bara halva företagsfrågan
Mistral säger att Agentic Search både förbättrar korrektheten och minskar antalet turer, tokenanvändningen och svarstiden i de benchmark som lyfts fram. Ett system med flera steg måste dock fortfarande vänta på verktygsanrop och dokumentbearbetning.
En sekundär analys av FinanceBench-resultaten uppgav en genomsnittlig svarstid på 71 sekunder och 154 sekunder vid p90 för hela loopen. Dessa siffror finns inte i det primära Mistral-utdraget och bör därför behandlas med försiktighet.
För utvecklingsteam är den relevanta jämförelsen alltså inte bara ”agentbaserat” mot ”icke-agentbaserat”. Viktigare frågor är:
Hur ofta hittar systemet rätt belägg?
Bevaras sid-, tabell- och citatkontext på ett tillförlitligt sätt?
Hur lång är den genomsnittliga och värsta svarstiden?
Hur många verktygsanrop och token kräver varje fråga?
Går behörigheter, indexering, OCR och revisionsloggar att integrera?
Var sker dokumentbearbetningen och modellkörningen?
Agentbaserad hämtning kan minska mängden onödig kontext genom att bara läsa det modellen behöver. Samtidigt kan fler resonemangssteg skapa ny fördröjning och högre kostnad. Rätt utformning beror på hur komplex och riskkänslig uppgiften är.
Var finns Agentic Search?
Mistral uppger att Agentic Search finns via Search Toolkit och Libraries. Produkterna ingår i företagets större agent- och dokumentsökningsplattform. Dokumentationen beskriver Libraries som ett inbyggt sätt att söka i uppladdade filer, medan Agents API stöder agenter som anropar verktyg under en konversation.
Den viktiga produktmässiga poängen är att Agentic Search presenteras som en komponent för informationshämtning – inte bara som en funktion i en konsumentinriktad chattbot. Det gör det möjligt att bygga in sök- och kontrollflödet i en bredare applikation, agent eller företagsplattform.
Varför modelloberoende spelar roll
Mistrals rapporterade tester med både Mistral Medium 3.5 och GLM-5.2 pekar mot en modellflexibel konstruktion. Om hämtning och dokumentnavigation kan fungera med olika resonemangsmodeller behöver ett företag inte nödvändigtvis bygga om hela dokumentflödet varje gång modellvalet ändras.
Det kan vara betydelsefullt för organisationer som väger kapacitet mot pris, licenser, driftsplats och datakontroll. Det flyttar också en del av konkurrensen från själva språkmodellen till hämtningslagret, dokumentrepresentationen, behörigheterna, spårbarheten och kvaliteten på beläggen.
Påståendet måste ändå prövas i varje faktisk installation. Ett system kan vara modelloberoende i princip men bete sig olika med olika modeller, eftersom verktygsanvändning, kontexthantering och resonemangskvalitet varierar.
En del av Mistrals större företagsstrategi
Agentic Search stärker Mistrals försök att sälja mer än en fristående modell. Företaget positionerar sin teknik som ett portabelt lager för sökning och resonemang över känslig organisationsdata, bland annat finansiella uppgifter och interna kunskapsbaser. Materialet om finanssektorn betonar behörighetsstyrd sökning samt svar med belägg och kontext.
Positioneringen är särskilt relevant för reglerade organisationer som behöver kontroll över var data behandlas och hur underlaget används. Mistral-relaterad rapportering beskriver drift i moln och i mer kontrollerade miljöer, inklusive lokala installationer, men flexibel drift är inte samma sak som automatisk regelefterlevnad i alla jurisdiktioner eller branscher.
Mistrals infrastrukturplaner passar in i samma berättelse. Reuters har rapporterat om ett avtal där Microsoft ska investera miljarder i Mistrals europeiska beräkningsinfrastruktur, samtidigt som Azure-kunder ska kunna utveckla programvara med hjälp av Mistrals datacenter i Frankrike.
Europeisk drift kan underlätta dataresidens och operativ kontroll. Samtidigt visar Microsoft-samarbetet varför ”suverän AI” inte innebär fullständig självständighet från globala moln- och hårdvarukedjor.
Finansieringen bakom lanseringen
Lanseringen kom samtidigt som det rapporterades att Mistral befann sig i ett tidigt skede av diskussioner om att ta in omkring 3 miljarder euro till en värdering på ungefär 20 miljarder euro. Bloomberg beskrev samtalen som preliminära och villkorade av förändringar.
En sådan värdering skulle ligga klart över de 11,7 miljarder euro som rapporterades efter Mistrals finansiering i september 2025. Det är viktigt att skilja mellan rapporterade finansieringssamtal och en genomförd runda: beloppen beskriver möjliga villkor, inte en slutförd transaktion.
Den möjliga kapitalanskaffningen visar också varför företagsinriktad sökning och infrastruktur är strategiskt viktiga. Utveckling av avancerade AI-produkter kräver dyr beräkningskapacitet, medan företagskunder vill ha system som kan arbeta pålitligt med deras egna data. Agentic Search adresserar applikations- och hämtningslagret; europeiska datacenter är en del av infrastrukturlösningen.
Så positionerar sig Mistral i konkurrensen
Mistral tävlar på flera fronter samtidigt:
Traditionell företagssökning: Agentic Search lägger modellstyrd undersökning ovanpå rankning och hämtning. Målet är inte bara att visa en dokumentlista, utan att hitta, granska och förklara belägg.
Enkel RAG: Den centrala skillnaden är iterativ hämtning, navigation och verifiering i stället för en enda vektor- eller nyckelordssökning.
Moln- och plattformsleverantörer: Mistral lyfter fram komponerbara verktyg, modellflexibilitet och europeiska driftalternativ snarare än enbart en generell assistent.
Andra agentbaserade söksystem: OpenSearch beskriver också ett flöde där en modell automatiskt planerar och genomför hämtningen, vilket visar att kategorin är bredare än Mistral.
Benchmarkrubrikerna ger Mistral ett starkt utgångsläge, särskilt för långa och strukturellt svåra dokument. Den långsiktiga fördelen avgörs däremot av om resultaten håller i oberoende tester och verkliga produktionsmiljöer – och om Mistral kan leverera dem med acceptabel svarstid, kostnad, säkerhet och integrationskomplexitet.
Slutsats
Grundidén bakom Mistral Agentic Search är enkel men viktig: dokumentsökning bör vara en aktiv undersökning, inte bara en preliminär uppslagning. Genom att kombinera sökning, öppning, navigation, riktad läsning och exakt termmatchning får modellen fler möjligheter att hitta och verifiera information i svåra företagsarkiv.
Mistrals rapporterade resultat – 26,7 till 86 procent i FinanceBench och en ökning med 45,6 procentenheter i OfficeQA Pro – tyder på att metoden kan förbättra frågehantering över dokument påtagligt. Förbehållet är lika viktigt: resultaten är kopplade till leverantörens egna benchmark, och företag måste fortfarande mäta svarstid, kostnad, behörigheter, parsning och tillförlitlighet på sina egna data.
