Mistral Agentic Search, kurumsal belge aramasını bir araştırmaya dönüştürüyor

Kurumsal belgelerde doğru cevabı bulmak, çoğu zaman bir arama kutusuna soru yazıp ilk sonuçları okumaktan daha fazlasını gerektirir. Finansal raporlar, taranmış sayfalar, tablolar, dipnotlar ve birbirine referans veren dosyalar söz konusu olduğunda yapay zekânın önce doğru belgeyi bulması, ardından ilgili bölümü açıp bağlamı incelemesi ve kanıtı doğrulaması gerekir.

Mistral Agentic Search tam olarak bu yaklaşımı hedefliyor. Bu sistem, bir yapay zekâ modelinin belge koleksiyonunu birkaç araç çağrısıyla araştırmasına izin veren bir retrieval katmanı. Model; aday belgeleri arayabiliyor, dosyaları açabiliyor, sayfa ve bölümler arasında gezinebiliyor, ilgili metni okuyabiliyor ve belirli kelime ya da kalıpları doğrudan kontrol edebiliyor.

Mistral’ın kendi değerlendirmesine göre bu yöntem, Mistral Medium 3.5’in FinanceBench doğruluğunu %26,7’den %86’ya yükseltti. Test, 368 finansal dosyadan oluşan ve yaklaşık 53.900 sayfayı kapsayan bir veri kümesi üzerinde yapıldı. Bu sonuçlar dikkat çekici olsa da Mistral’ın ürün değerlendirmesine dayanıyor; bağımsız biçimde doğrulanmış bir sektör standardı olarak görülmemeli.

Agentic Search, RAG yaklaşımını nasıl değiştiriyor?

Geleneksel RAG (retrieval-augmented generation; getirme destekli üretim) sisteminde süreç genellikle şöyledir: Kullanıcının sorusu aranır, en alakalı olduğu düşünülen sabit sayıda metin parçası seçilir ve bu parçalar yanıt üretmesi için dil modeline gönderilir. Bu yöntem, yanıtın tek bir pasajda açıkça yer aldığı basit sorularda oldukça iyi çalışabilir. Ancak ilk arama ilgili dosyayı bulamazsa, bir tablonun açıklamasını tablodan ayırırsa veya yeterli bağlamı getirmezse modelin hatayı düzeltme şansı azalır. Mistral’ın belge araması dokümantasyonu da standart RAG’i yüklenen belge kütüphanesinden ilgili pasajların getirilmesi olarak tanımlıyor.

Agentic Search’te ilk sonuç kümesi son durak değil, araştırmanın başlangıcı. Model, elde ettiği sonuçlara bakıp bir sonraki adımı seçebiliyor:

1. Search: Olası belgeleri veya pasajları bulur.
2. Open: Seçilen belgeyi incelemek üzere açar.
3. Navigate: Sayfalar, bölümler veya belgenin diğer yapısal katmanları arasında ilerler.
4. Read: İlgili içeriği, çevresindeki bağlamla birlikte okur.
5. Grep: Belirli kelimeleri, ifadeleri, sayıları veya kalıpları doğrudan arar.

Bu işlemler gerektiği kadar tekrarlanabilir. Böylece süreç, “ilk makul sonucu bul ve yanıtla” yaklaşımından “bul, kaynağı incele, bağlantılı kanıtı ara ve kesin ifadeyi kontrol et” döngüsüne dönüşür. Bu araç çağırma modeli, bir dil modelinin görev sırasında harici işlevleri çağırıp sonuçları aldıktan sonra çalışmaya devam ettiği Mistral’ın belgelenmiş ajan mimarisiyle uyumlu.

Karmaşık kurumsal belgelerde neden daha etkili olabilir?

Zayıf ilk aramadan geri dönebilir

Tek seferlik RAG’in başarısı; sorunun nasıl formüle edildiğine, belge parçalarının nasıl oluşturulduğuna, dizine ve sıralama algoritmasına büyük ölçüde bağlıdır. İlk sonuçlar makul görünse bile eksikse model, düzeltme yapması için gereken kanıtı hiç görmeyebilir. Yinelemeli bir ajan ise aramayı yeniden ifade edebilir, başka bir belgeyi açabilir veya ilk sonucun yakınındaki bölümleri inceleyebilir.

Belge yapısını korur

Finansal tablolar ve kurumsal açıklamalar çoğu zaman başlıklara, sayfa konumuna, dipnotlara ve komşu metne bağlıdır. Metni birbirinden kopuk parçalara ayıran düz bir yapı bu ilişkileri görünmez kılabilir. Gezinme ve hedefli okuma, modelin her pasajı izole bir metin parçası gibi değerlendirmek yerine belge içinde ilerlemesini sağlar.

Kesin kanıt kontrolü sunar

Anlamsal arama, benzer kavramları bulmak için yararlıdır. Ancak şirket adları, muhasebe terimleri, tarihler, kimlik numaraları ve tekrarlanan açıklamalar söz konusu olduğunda birebir eşleşme de önem taşır. Grep benzeri işlem, belirli bir terimin veya kalıbın belge koleksiyonunda gerçekten geçip geçmediğini kontrol etmek için ikinci bir doğrulama kanalı sağlar. Arama, grep, okuma ve belge ağacında gezinme gibi dosya odaklı araçlar, Mistral dışındaki ajan tabanlı belge sistemlerinde de kullanılıyor.

Belgeler arası sorulara daha uygun olabilir

Kurumsal kayıtlarla ilgili bir soru, bir dosyadaki rakamın bulunmasını ve bu rakamın tanımının başka bir dosyada kontrol edilmesini gerektirebilir. Modelin yönettiği döngü, tek bir sıralama turuna bağlı kalmadan keşif ve doğrulama adımları arasında gidip gelebilir.

Mistral’ın açıkladığı benchmark sonuçları

Mistral, özellikle zor belge soru-cevap görevlerini hedefleyen iki değerlendirmeyi öne çıkarıyor.

FinanceBench: %26,7’den %86’ya

FinanceBench, toplamda yaklaşık 53.900 sayfa içeren 368 finansal dosyadan oluşuyor. Mistral, Mistral Medium 3.5’in tek geçişli retrieval ile %26,7 doğruluk, Agentic Search ile ise %86 doğruluk elde ettiğini bildiriyor. Bu, 59,3 yüzde puanlık bir artış ve tek seferlik sonuca kıyasla yaklaşık 3,2 katlık yükseliş anlamına geliyor.

Mistral ayrıca retrieval katmanını GLM-5.2 ile de test ettiğini belirtiyor. Mistral dokümantasyonunda üçüncü taraf, açık kaynak bir metin modeli olarak tanımlanan GLM-5.2’nin bildirilen FinanceBench sonucu, tek geçişli retrieval’da %6,3’ten Agentic Search ile %51,9’a yükseldi.

OfficeQA Pro: 45,6 yüzde puanlık artış

OfficeQA Pro, tablo ağırlıklı ve birden fazla belgeyi kapsayan sorulara odaklanıyor. Benchmark, ABD Hazine Bülteni’ne ait 696 taranmış belgeyi kullanıyor. Mistral tarafından paylaşılan Ina Koleva duyurusunda, tek seferlik RAG karşılaştırmasında doğruluğun %6,3’ten %51,9’a çıktığı, yani 45,6 yüzde puanlık artış elde edildiği belirtiliyor.

Bu rakamlar umut verici olsa da her kurumda aynı performansın alınacağını garanti etmiyor. Sonuçlar; belge ayrıştırma, OCR kalitesi, parçalara bölme yöntemi, indeksleme, model seçimi, istemler, araç kullanım sınırları ve değerlendirme metodolojisine göre değişebilir. OfficeQA Pro araştırması da belge temsilinin ve ayrıştırma kalitesinin doğruluk, gecikme, araç çağrısı ve maliyet üzerinde önemli etkisi olduğunu gösteriyor.

Kurumsal kullanımda doğruluk tek başına yeterli değil

Mistral, Agentic Search’ün öne çıkarılan benchmark’larda doğruluğu artırırken tur sayısını, kullanılan token miktarını ve gecikmeyi azalttığını söylüyor. Ancak çok adımlı retrieval sistemi, araç çağrılarını ve belge işleme adımlarını beklemek zorunda. FinanceBench sonuçlarına ilişkin ikincil bir analiz, tüm döngü için ortalama 71 saniye ve p90’da 154 saniye gecikme bildirdi. Bu rakamlar Mistral’ın birincil kaynak özetinde yer almıyor; bu nedenle ilgili ölçümler ihtiyatla değerlendirilmelidir.

Üretim sistemleri kuran ekipler için asıl karşılaştırma yalnızca “ajan tabanlı” ve “ajan tabanlı olmayan” sistemler arasında değil. Şu soruların yanıtlanması gerekiyor:

• Sistem doğru kanıtı ne sıklıkla buluyor?
• Sayfa, tablo ve kaynak bağlamını ne kadar tutarlı koruyor?
• Ortalama ve en kötü durum yanıt süresi nedir?
• Her soru için kaç araç çağrısı ve token gerekiyor?
• Yetkilendirme, indeksleme, OCR ve denetim kayıtları iş akışına eklenebiliyor mu?
• Belge işleme ve model çıkarımı nerede gerçekleşiyor?

Ajan tabanlı retrieval, modelin yalnızca ihtiyaç duyduğu bölümleri okuyarak gereksiz bağlamı azaltabilir. Öte yandan ek düşünme adımları gecikmeyi ve maliyeti artırabilir. En doğru mimari, görevin karmaşıklığına ve hata riskine bağlı olacaktır.

Mistral Agentic Search nerede sunuluyor?

Mistral, Agentic Search’ün Search Toolkit ve Libraries üzerinden kullanılabildiğini belirtiyor. Bu ürünler şirketin daha geniş ajan ve belge arama ekosisteminin parçası. Mistral dokümantasyonu, yüklenen dosyalarda arama yapabilen belge kütüphanelerini yerleşik bir araç olarak listeliyor; Agents API ise konuşma sırasında araç çağırabilen ajanları destekliyor.

Buradaki önemli nokta, Agentic Search’ün yalnızca tüketici odaklı bir sohbet botu özelliği olarak değil, retrieval bileşeni olarak konumlandırılması. Bu sayede teknoloji daha büyük bir uygulamanın, ajanın veya kurumsal arama hattının içine yerleştirilebilir.

Model bağımsız tasarım ne anlama geliyor?

Mistral’ın sistemi hem Mistral Medium 3.5 hem de GLM-5.2 ile test etmesi, model esnekliği hedefleyen bir tasarıma işaret ediyor. Retrieval ve gezinme katmanı farklı akıl yürütme modelleriyle çalışabiliyorsa kurumlar, model değiştirdiklerinde belge iş akışını baştan kurmak zorunda kalmayabilir.

Bu taşınabilirlik; yetenek, fiyat, lisans, dağıtım konumu ve veri kontrolleri arasında seçim yapan kuruluşlar için önemli olabilir. Rekabetin odağı da yalnızca yanıtı üreten dil modelinden ibaret olmaktan çıkar; retrieval katmanı, belge temsili, erişim izinleri, gözlemlenebilirlik ve kanıt kalitesi de aynı derecede önem kazanır.

Yine de “model bağımsız” iddiası her dağıtımda ayrıca test edilmeli. Araç kullanma güvenilirliği, bağlamı işleme ve akıl yürütme kalitesi modeller arasında değişebileceği için aynı retrieval katmanı farklı modellerle farklı sonuçlar verebilir.

Mistral’ın kurumsal ve Avrupa merkezli stratejisindeki yeri

Agentic Search, Mistral’ın yalnızca model satan bir şirket olmanın ötesine geçme çabasını güçlendiriyor. Şirket, hassas kurumsal veriler üzerinde arama ve akıl yürütme yapabilen, farklı ortamlara taşınabilir bir katman sunmayı hedefliyor. Finans sektörü için hazırladığı materyallerde izin farkındalıklı arama ile kanıt ve bağlam içeren yanıtları öne çıkarıyor.

Bu yaklaşım, verinin nerede işlendiğini ve kanıta kimlerin erişebildiğini kontrol etmek isteyen düzenlemeye tabi kuruluşlar açısından anlam taşıyor. Mistral’la ilgili haberlerde bulut ve kontrollü altyapı, hatta şirket içi kullanıma benzer ortamlar üzerinden dağıtım seçenekleri anlatılıyor. Ancak dağıtım esnekliği, her ülke veya sektör için otomatik uyumluluk anlamına gelmiyor.

Reuters’ın haberine göre Microsoft, Mistral’ın Avrupa’daki bilgi işlem altyapısına milyarlarca dolar yatırım yapmayı kabul etti; Azure müşterileri de Fransa’daki Mistral veri merkezlerini kullanarak yazılım geliştirebilecek. Avrupa’da barındırma, veri yerelliğini ve operasyonel kontrolü destekleyebilir. Ancak Microsoft ortaklığı, “egemen yapay zekâ” yaklaşımının küresel bulut ve donanım tedarik zincirlerinden tamamen bağımsızlık anlamına gelmediğini de gösteriyor.

Lansmanın arkasındaki finansman gündemi

Ürün lansmanı, Mistral’ın yaklaşık 3 milyar avro yatırım toplamak ve yaklaşık 20 milyar avro değerlemeye ulaşmak için erken aşamada görüşmeler yürüttüğüne ilişkin haberlerin ardından geldi. Bloomberg, görüşmelerin ön hazırlık niteliğinde olduğunu ve şartların değişebileceğini bildirdi.

Bu olası değerleme, Mistral’ın Eylül 2025 finansman turunun ardından bildirilen 11,7 milyar avroluk değerlemesinin oldukça üzerinde olurdu. Ancak görüşmelerle tamamlanmış bir yatırım turunu birbirinden ayırmak gerekiyor: Söz konusu rakamlar kesinleşmiş bir işlem değil, olası şartları ifade ediyor.

Olası yatırım turu, kurumsal retrieval ve altyapının neden stratejik önem taşıdığını da gösteriyor. Sınırda/frontier yapay zekâ ürünleri pahalı bilgi işlem kaynakları gerektirirken kurumsal müşteriler, kendi veri ortamlarında güvenilir biçimde çalışabilen sistemler istiyor. Agentic Search uygulama ve retrieval katmanına, Avrupa veri merkezleri ise altyapı tarafına yanıt veriyor.

Rekabetçi pazarda Agentic Search’ün konumu

Mistral aynı anda birkaç cephede rekabet ediyor:

• Geleneksel kurumsal arama: Agentic Search, yalnızca belge sıralamak yerine kanıtı bulmayı, incelemeyi ve açıklamayı hedefliyor.
• Temel RAG sistemleri: Temel fark, tek bir vektör veya anahtar kelime aramasından ziyade yinelemeli retrieval, gezinme ve doğrulama kullanılması.
• Bulut ve platform sağlayıcıları: Mistral, genel amaçlı bir asistana yaslanmak yerine birleştirilebilir araçları, model esnekliğini ve Avrupa’daki dağıtım seçeneklerini vurguluyor.
• Diğer ajan tabanlı arama sistemleri: OpenSearch de bir modelin retrieval sürecini otomatik olarak planlayıp yürüttüğü iş akışını tanımlıyor. Bu da kategorinin Mistral’a özgü olmadığını gösteriyor.

Benchmark başlıkları, özellikle uzun ve yapısal olarak zor belgeler söz konusu olduğunda Mistral’a güçlü bir başlangıç sağlıyor. Kalıcı avantaj ise bu kazanımların bağımsız değerlendirmelerde ve gerçek üretim iş yüklerinde sürüp sürmediğine; ayrıca kabul edilebilir gecikme, maliyet, güvenlik ve entegrasyon karmaşıklığıyla sunulup sunulamadığına bağlı olacak.

Sonuç

Mistral Agentic Search’ün temel fikri basit ama önemli: Retrieval, tek seferlik bir ön arama değil, aktif bir araştırma süreci olmalı. Arama, belgeyi açma, yapı içinde gezinme, hedefli okuma ve kesin terim eşleştirmeyi bir araya getiren sistem, modele karmaşık kurumsal belge koleksiyonlarında kanıtı bulup doğrulamak için daha fazla fırsat veriyor.

Mistral’ın bildirdiği FinanceBench’te %26,7’den %86’ya yükseliş ve OfficeQA Pro’da 45,6 yüzde puanlık artış, bu tasarımın belge soru-cevap performansını ciddi biçimde iyileştirebileceğini gösteriyor. Ancak kritik uyarı geçerliliğini koruyor: Bunlar şirket bağlantılı benchmark sonuçları. Kurumsal alıcıların kendi verileri üzerinde gecikme, maliyet, erişim izinleri, ayrıştırma kalitesi ve güvenilirliği ayrıca ölçmesi gerekiyor.