Mistral Agentic Search перетворює пошук у корпоративних документах на повноцінне розслідування

Mistral Agentic Search — це шар пошуку, який дає моделі змогу досліджувати колекцію документів через кілька послідовних викликів інструментів, а не відповідати лише на основі однієї заздалегідь сформованої добірки тексту. Модель може знаходити потенційно релевантні матеріали, відкривати документи, переміщатися їхньою структурою, читати потрібні уривки та перевіряти точні слова або шаблони.

Це особливо важливо, коли відповідь розподілена між довгими фінансовими звітами, відсканованими сторінками, таблицями, примітками або кількома пов’язаними документами. Mistral повідомляє, що її підхід підвищив правильність відповідей Mistral Medium 3.5 у FinanceBench із 26,7% до 86% — приблизно втричі — на масиві з 368 фінансових документів загальним обсягом близько 53 900 сторінок. Це власне оцінювання Mistral, тому його варто сприймати як продуктовий бенчмарк, а не як незалежно підтверджений галузевий стандарт.

Що Agentic Search змінює в RAG

У типовій системі пошуково-доповненої генерації (RAG) спочатку виконується пошук, потім обирається фіксований набір найрелевантніших фрагментів, і вже після цього мовна модель формує відповідь. Такий підхід добре працює для прямого запитання, відповідь на яке міститься в одному уривку. Але він менш надійний, якщо перший пошук пропустив потрібний документ, відокремив таблицю від її пояснення або повернув текст без достатнього контексту. У документації Mistral стандартний RAG так само описується як пошук релевантних фрагментів у завантаженій бібліотеці документів.

Agentic Search робить пошук адаптивним. Перша добірка більше не вважається остаточною: модель аналізує знайдене й вирішує, який крок виконати далі.

1. Search — знаходить імовірно релевантні документи або фрагменти.
2. Open — відкриває вибраний документ для детального огляду.
3. Navigate — переміщується сторінками, розділами та іншими елементами структури документа.
4. Read — отримує потрібний вміст разом із контекстом.
5. Grep — перевіряє наявність точних слів, фраз, чисел або шаблонів.

Модель може повторювати ці операції, поступово звужуючи пошук. На практиці це створює цикл «знайти — перевірити»: спочатку відшукати ймовірну відповідь, потім переглянути її джерело, знайти пов’язані докази й перевірити точне формулювання перед відповіддю. Такий підхід узгоджується з описаною Mistral архітектурою агентів, у якій модель викликає зовнішні функції під час виконання завдання та отримує результати для подальшого міркування.

Чому цей цикл корисний для складних корпоративних документів

Система може виправити слабкий перший пошук

Одноразовий RAG значною мірою залежить від початкового запиту, способу індексації, стратегії поділу тексту на фрагменти та алгоритму ранжування. Якщо перший пошук повернув правдоподібні, але неповні матеріали, модель може так і не побачити доказів, необхідних для виправлення відповіді. Ітеративний агент може переформулювати запит, відкрити інший документ або перевірити сусідні розділи замість того, щоб зупинитися на першому схожому збігу.

Зберігається структура документа

Таблиці та фінансові розкриття часто залежать від заголовків, розташування на сторінці, виносок і тексту поруч. Плоска колекція окремих фрагментів може приховати ці зв’язки. Навігація й цільове читання дають моделі змогу рухатися документом, а не сприймати кожен уривок як ізольований текст.

Легше перевіряти точні докази

Семантичний пошук добре знаходить близькі за змістом поняття, але для назв компаній, бухгалтерських термінів, дат, ідентифікаторів і повторюваних розкриттів важливе точне зіставлення. Інструмент на кшталт grep доповнює семантичний пошук і допомагає перевірити, чи справді конкретний термін або шаблон присутній у масиві документів. Подібні інструменти для роботи з файлами — search, grep, read і перегляд структури документа — використовують і в інших агентних системах.

Підходить для запитань про кілька документів

Корпоративні запити часто вимагають порівняти кілька звітів або знайти число в одному документі, а його визначення — в іншому. Керований моделлю цикл може чергувати пошук і перевірку в усьому масиві, замість того щоб покладатися на один прохід ранжування.

Що показали заявлені бенчмарки

Mistral посилається на два оцінювання, орієнтовані на складні завдання запитань і відповідей за документами.

FinanceBench: від 26,7% до 86%

FinanceBench охоплює 368 фінансових документів загальним обсягом приблизно 53 900 сторінок. Mistral повідомляє, що Mistral Medium 3.5 досягла 26,7% правильності за одноразового пошуку та 86% з Agentic Search. Це приріст на 59,3 відсоткового пункта, або приблизно у 3,2 раза порівняно з початковим результатом.

Mistral також повідомляє про тестування пошукового шару з GLM-5.2, яку в документації описано як сторонню відкриту текстову модель. У наведеному порівнянні її результат зріс із 6,3% за одноразового пошуку до 51,9% з Agentic Search.

OfficeQA Pro: приріст на 45,6 відсоткового пункта

OfficeQA Pro зосереджений на запитаннях із великою кількістю таблиць, що стосуються кількох документів із 696 відсканованих бюлетенів Міністерства фінансів США. В оголошенні Mistral, яким поділилася Ina Koleva, повідомляється про зростання результату з 6,3% до 51,9%, тобто на 45,6 відсоткового пункта, порівняно з одноразовим RAG.

Ці цифри виглядають обнадійливо, але не є універсальною гарантією якості. Результати можуть змінюватися залежно від розпізнавання документів, якості OCR, поділу тексту на фрагменти, індексації, вибору моделі, промптів, обмежень інструментів і методики оцінювання. Власне дослідження OfficeQA Pro також показує, що спосіб представлення та обробки документів істотно впливає на точність, затримку, кількість викликів інструментів і вартість.

Для корпоративного використання важлива не лише точність

Mistral заявляє, що Agentic Search підвищує точність і водночас зменшує кількість кроків, використання токенів і затримку на зазначених бенчмарках. Однак багатокрокова система пошуку все одно повинна чекати на виклики інструментів і обробку документів. Вторинний аналіз результатів FinanceBench вказував на середню затримку 71 секунду та 154 секунди на рівні p90 для повного циклу; ці показники не наведені у фрагменті первинного джерела Mistral, тому їх слід трактувати відповідно.

Для команд, які впроваджують систему в робочі процеси, порівнювати потрібно не просто «агентний» і «неагентний» підходи, а конкретні параметри:

• як часто система знаходить правильний доказ;
• наскільки стабільно зберігає контекст сторінки, таблиці та цитати;
• якими є середній і найгірший час відповіді;
• скільки викликів інструментів і токенів потребує кожне запитання;
• чи можна інтегрувати права доступу, індексацію, OCR і журнали аудиту;
• де саме відбуваються обробка документів та інференс моделі.

Агентний пошук може зменшити обсяг зайвого контексту, оскільки модель читає лише потрібні частини. Водночас додаткові кроки міркування здатні збільшити затримку й витрати. Оптимальна архітектура залежить від складності та ризику конкретного завдання.

Де доступний Agentic Search від Mistral

Mistral повідомляє, що Agentic Search доступний через Search Toolkit і Libraries. Ці продукти є частиною ширшого стеку агентів і пошуку в документах: документація Mistral називає бібліотеки вбудованим способом шукати завантажені файли, а Agents API підтримує агентів, які викликають інструменти під час діалогу.

Важлива особливість позиціонування полягає в тому, що Agentic Search подається не лише як функція споживчого чатбота, а як компонент пошуку. Це дає змогу вбудувати його в ширший застосунок, агента або корпоративний пошуковий конвеєр.

Навіщо потрібен пошук, не прив’язаний до однієї моделі

Заявлені Mistral тести з Mistral Medium 3.5 і GLM-5.2 вказують на модельно-нейтральний дизайн системи. Якщо шар пошуку та навігації може працювати з різними моделями міркування, підприємству не обов’язково перебудовувати весь процес роботи з документами щоразу під час зміни моделі.

Така переносність може бути важливою для організацій, які одночасно враховують можливості, ціну, ліцензування, місце розгортання та контроль над даними. Вона також змінює поле конкуренції: не менш важливими за мовну модель стають шар пошуку, представлення документа, права доступу, спостережуваність системи та якість доказів.

Водночас цю заяву потрібно перевіряти окремо для кожного розгортання. Система, модельно-нейтральна на рівні архітектури, може поводитися по-різному з різними моделями, адже надійність використання інструментів, робота з контекстом і якість міркування відрізняються.

Ширша корпоративна стратегія Mistral і європейська автономність

Agentic Search посилює прагнення Mistral продавати не лише окрему мовну модель. Компанія позиціонує свою технологію як переносний шар пошуку й міркування над чутливими організаційними даними, зокрема фінансовими записами та внутрішніми базами знань. У матеріалах для фінансового сектору Mistral наголошує на пошуку з урахуванням дозволів і відповідях із доказами та контекстом.

Таке позиціонування особливо важливе для регульованих організацій, яким потрібно контролювати, де обробляються дані та як відкривається доступ до доказів. У пов’язаних із Mistral матеріалах описуються хмарні й контрольовані варіанти розгортання, зокрема середовища на кшталт локальної інфраструктури, але гнучкість розгортання не означає автоматичної відповідності вимогам кожної юрисдикції чи галузі.

Інфраструктурні плани Mistral підтримують ту саму історію. Reuters повідомляло про угоду, за якою Microsoft витратить мільярди на європейську обчислювальну інфраструктуру Mistral, а клієнти Azure зможуть розробляти програмне забезпечення з використанням дата-центрів Mistral у Франції. Європейське розміщення може підтримати вимоги до локалізації даних і операційного контролю, але партнерство з Microsoft водночас показує, що «суверенний ШІ» не означає повної незалежності від глобальних хмарних і апаратних ланцюгів постачання.

Фінансова історія навколо запуску

Запуск продукту відбувся на тлі повідомлень про попередні переговори Mistral щодо залучення приблизно 3 млрд євро за оцінки компанії близько 20 млрд євро. Bloomberg підкреслював, що переговори перебували на ранній стадії, а умови могли змінитися.

Ця потенційна оцінка була б істотно вищою за 11,7 млрд євро, про які повідомлялося після фінансування Mistral у вересні 2025 року. Важливо відрізняти повідомлення про можливий раунд від завершеної угоди: наведені цифри описують імовірні умови, а не остаточно закриту транзакцію.

Потенційне залучення також показує стратегічне значення корпоративного пошуку та інфраструктури. Розробка передових ШІ-продуктів потребує дорогих обчислювальних ресурсів, тоді як корпоративні клієнти очікують надійних систем, здатних працювати з їхніми власними даними. Agentic Search відповідає за прикладний і пошуковий рівень, а європейські дата-центри — за частину інфраструктурної складової.

Місце Agentic Search на конкурентному ринку

Mistral одночасно конкурує на кількох напрямках:

• Традиційний корпоративний пошук. Agentic Search додає кероване моделлю дослідження до ранжування та пошуку: система має не лише повернути список документів, а й знайти, перевірити та пояснити докази.
• Базовий RAG. Головна відмінність — ітеративний пошук, навігація та перевірка замість одного проходу векторного або ключового пошуку.
• Хмарні платформи. Mistral робить акцент на компонованих інструментах, гнучкості моделей і європейських варіантах розгортання, а не лише на універсальному асистенті.
• Інші агентні пошукові системи. OpenSearch також описує процес, у якому модель автоматично планує та виконує пошук, тож категорія не обмежується Mistral.

Результати бенчмарків дають Mistral сильну стартову позицію, особливо для довгих і структурно складних документів. Але довгострокова перевага залежатиме від того, чи підтвердяться ці здобутки в незалежних оцінюваннях і реальних виробничих навантаженнях — і чи зможе компанія забезпечити їх за прийнятних затримки, вартості, рівня безпеки та складності інтеграції.

Висновок

Головна ідея Mistral Agentic Search проста, але важлива: пошук має бути активним дослідженням, а не одноразовим попереднім запитом. Поєднання search, open, navigate, read і grep дає моделі більше можливостей знайти та перевірити докази у складних корпоративних масивах.

Заявлені Mistral результати — від 26,7% до 86% у FinanceBench і приріст на 45,6 відсоткового пункта в OfficeQA Pro — свідчать, що такий дизайн може суттєво покращити відповіді на запитання за документами. Але застереження не менш важливе: це пов’язані з постачальником результати бенчмарків, тому корпоративним покупцям все одно потрібно окремо виміряти затримку, вартість, права доступу, якість розпізнавання документів і надійність на власних даних.