Comment ça marche, concrètement ?
Le modèle reçoit cinq outils calqués sur des opérations de fichiers. search pour trouver des sources, open pour ouvrir un document repéré, navigate pour se rendre à la bonne section, read pour lire le contenu en détail, grep pour repérer une occurrence précise dans un corpus. Il enchaîne les étapes : il cherche, inspecte ce qui remonte, affine sa requête, ouvre un autre document, compare, puis répond à partir de ce qu’il a réellement lu.
La division des rôles est nette : l’index identifie les sources probables, la couche décide quoi inspecter dedans et entre elles. Le tout se branche sur votre index existant, sans modification du modèle ni de l’infrastructure. La qualité de la recherche suit la capacité des modèles, elle n’est pas figée par votre stratégie de découpage des documents.
Pourquoi la recherche classique ne suffit plus ?
Le RAG en une passe prélève un lot de morceaux et demande au modèle de répondre du premier coup. Cela fonctionne quand la réponse se trouve dans les premiers résultats. Cela s’effondre dès que l’information se disperse entre plusieurs documents, ou se cache dans un tableau, une note de bas de page, une clause.
Trois limites structurelles expliquent cet échec. Le modèle doit se contenter des morceaux choisis au départ, même s’ils sont incomplets ou hors sujet, sans pouvoir décider qu’il lui faut un autre document. Il ne peut pas ouvrir le document pertinent, aller à la table concernée et lire le contexte autour. Et il ne peut pas itérer : affiner sa recherche, suivre une référence, comparer deux sources, changer de route quand la première piste est vide.
Agentic Search répond à ces trois limites en laissant le modèle raisonner pendant la recherche, et pas seulement après.
Quels résultats sur les documents complexes ?
Les benchmarks publiés par Mistral portent sur des corpus exigeants. FinanceBench, 368 documents financiers américains d’environ 147 pages chacun, plus de 53 000 pages au total : la part de réponses correctes passe de 26,7 % à 86 %. OfficeQA Pro, 696 bulletins du Trésor américain, près de 89 000 pages de PDF scannés : le gain est de 45,6 points, de 6,3 % à 51,9 %.
La navigation ciblée réduit aussi la latence jusqu’à 39,6 % sur le 90e percentile, et la consommation de jetons baisse jusqu’à un tiers, car le modèle multiplie moins les recherches inutiles. Ces mesures ont été obtenues avec la configuration par défaut du Search Toolkit, sans réglage : ce sont des planchers, pas des plafonds.
Dernier point : les gains sont mesurés avec deux modèles différents, Mistral Medium 3.5 et Z.ai GLM-5.2. La couche est donc indépendante du modèle, et elle s’améliorera avec les prochaines générations.
Combien ça coûte ?
L’annonce ne publie aucune grille tarifaire. Agentic Search est référencée sur la page Pricing de Mistral, et l’accès pour un déploiement d’entreprise passe par le contact commercial. Le Search Toolkit est présenté comme portable et ouvert : le coût dépendra de votre volume de documents, de l’indexation et de l’hébergement retenu.
Comment l’essayer, même en petite entreprise ?
Le chemin le plus court est le Search Starter App de Mistral : il crée un index local sur votre propre corpus avec une configuration par défaut, sans exiger de compétences en recherche. Le test prend quelques minutes.
Ensuite, pour un usage sérieux, trois étapes : mettre en place l’ingestion des documents, ajuster l’indexation et le classement, puis étendre la récupération. La documentation officielle détaille chaque étape.
Pour une TPE ou une PME, la vraie question n’est pas d’installer cette chaîne soi-même. C’est de savoir si interroger ses contrats, devis, factures et comptes rendus, sans les sortir de leur environnement, apporte un gain réel. C’est le genre de diagnostic que nous faisons chez DSR : on regarde vos documents, vos usages, et on vous dit honnêtement ce qui vaut la peine.
Vous voulez savoir si la recherche sur vos propres documents vaut le coup pour votre activité ? Parlons-en lors d’un diagnostic gratuit. Demandez votre maquette gratuite et repartez avec un plan clair.