C'est quoi Mistral Agentic Search ?

Agentic Search est une couche de recherche lancee par Mistral le 20 août 2026. Elle donne a un modele IA cinq outils (search, open, navigate, read, grep) pour explorer et verifier les documents avant de repondre. Au lieu de se contenter des premiers extraits trouves, le modele peut ouvrir un fichier, aller a une page precise, lire un tableau et chercher une expression pour confirmer une information.

Quelle est la difference entre Agentic Search et le RAG classique ?

Le RAG classique recupere des fragments de texte en une seule passe et demande au modele de repondre a partir de ces fragments. Agentic Search permet au modele de refaire une recherche, d'ouvrir un autre document, de naviguer vers une section precise et de verifier l'information avant de repondre. C'est une boucle multi-etapes au lieu d'un seul passage.

Quels sont les resultats d'Agentic Search sur les benchmarks ?

Sur FinanceBench (368 documents financiers SEC, 150 questions), la precision passe de 26,7% a 86% avec Agentic Search, selon les mesures internes de Mistral. Sur OfficeQA Pro (696 bulletins du Tresor americain, 133 questions), le score passe de 6,3% a 51,9%. Ces resultats sont obtenus avec les parametres par defaut, sans optimisation specifique.

Agentic Search reduit-il le cout et la latence ?

Oui. Mistral annonce une reduction de la latence au 90e percentile jusqu'a 39,6% et une baisse de la consommation de tokens d'environ un tiers, grace a la navigation ciblee qui evite les recherches repetitives. La boucle complete prend quand meme 154 secondes au p90, ce qui la destine au traitement par lots plutot qu'a l'interaction en temps reel.

Faut-il reentrainer son modele pour utiliser Agentic Search ?

Non. Agentic Search s'appuie sur les index existants et ne necessite ni reentrainement ni configuration specifique du modele. Les cinq outils (search, open, navigate, read, grep) fonctionnent avec n'importe quel modele capable de tool use. Mistral a teste avec son propre Mistral Medium 3.5 et avec GLM-5.2 de Z.ai, avec des gains similaires pour les deux modeles.

Actualite · Outils IA

Mistral Agentic Search : quand l'IA arrête de deviner et commence à vérifier ses sources

25 août 2026 · 5 min de lecture

Illustration aquarelle d'un petit robot astronaute violet assis à un bureau devant un grand livre ouvert, examinant une ligne du document à la loupe, entouré d'un petit classeur ouvert, d'un marque-page, d'une fiche de vérification et de lunettes de lecture, avec un tampon de validation coché flottant à côté, symbolisant un agent IA qui vérifie ses sources dans les documents

Tu demandes a une IA de retrouver le total des depenses militaires americaines pour 1953 dans 53 900 pages de documents financiers. En RAG classique, le systeme recupere les fragments qui ressemblent le plus a ta question et essaie de repondre en un seul passage. Si les chiffres de juillet a decembre ne sont pas dans les premiers resultats, le modele devine ou dit qu'il ne sait pas. Le 20 août 2026, Mistral a lance Agentic Search, une couche de recherche qui change ce comportement : le modele peut refaire une recherche, ouvrir un document, aller a la page 15, lire le tableau 3 et verifier les douze valeurs mensuelles avant de repondre.

Les cinq outils qui changent la recherche

Agentic Search donne au modele cinq outils qui ressemblent a des operations sur un systeme de fichiers :

search : cherche des documents pertinents dans l'index
open : ouvre un document specifique
navigate : se deplace vers une page, une section ou un tableau
read : extrait le contenu a cet endroit
grep : cherche un motif precis dans un document ouvert

La difference avec le RAG classique est la boucle. En RAG, le systeme recupere des fragments une seule fois et le modele doit repondre avec ça. Avec Agentic Search, le modele inspecte ce qu'il a trouve, decide s'il a assez d'elements, et sinon, il refait une recherche, ouvre un autre document ou navigue vers une section differente. L'index identifie les sources probables, la boucle determine ce qu'il faut verifier dedans.

Mistral illustre le fonctionnement avec un exemple concret : une seule recherche trouve les chiffres de janvier a juin 1953. Le modele detecte qu'il manque juillet a decembre, refait une recherche ciblee, trouve le treasury bulletin de fevrier 1954, ouvre la page 15, lit le tableau 3 et retourne les douze valeurs mensuelles. Total : 44 463 millions de dollars.

Ce que les benchmarks montrent

Mistral a teste Agentic Search sur deux benchmarks publics, avec les parametres par defaut du Search Toolkit, sans optimisation specifique. Les resultats sont des planchers, pas des plafonds.

Benchmark	RAG classique	Agentic Search	Gain
FinanceBench (368 documents SEC, 150 questions)	26,7%	86%	+59,3 pts
OfficeQA Pro (696 bulletins du Tresor, 133 questions)	6,3%	51,9%	+45,6 pts

FinanceBench teste la reponse a des questions financieres sur 368 documents SEC (10-K, 10-Q, 8-K), environ 147 pages chacun. OfficeQA Pro est plus difficile : 696 bulletins historiques du Tresor americain, environ 89 000 pages de PDF scans, avec des tableaux denses. Les deux benchmarks montrent le meme pattern : la boucle agentic ameliore la precision de façon substantielle.

Mistral a teste avec deux modeles : Mistral Medium 3.5 (son modele intermediaire) et GLM-5.2 de Z.ai (un modele plus large). Les deux modeles beneficient de la boucle agentic dans les memes proportions. C'est un point important : la qualite de la recherche depend de la boucle, pas du modele. Et comme les outils ne necessitent pas de reentrainement, la qualite devrait s'ameliorer au fur et a mesure que les modeles progressent en raisonnement et en tool use.

Moins de tokens, moins de latence, mais pas de magie

L'intuition serait qu'une boucle multi-etapes consomme plus de tokens qu'un seul passage. C'est l'inverse qui se produit. En naviguant de facon ciblee dans les documents, le modele evite les recherches repetitives et les retries. Mistral annonce une reduction de la consommation de tokens jusqu'a un tiers, et une baisse de la latence au 90e percentile jusqu'a 39,6%.

Il faut quand meme relativiser. La boucle complete prend 154 secondes au p90 et 71 secondes en moyenne. C'est lent. Agentic Search ne sert pas a repondre en temps reel dans un chat. C'est un outil pour le traitement par lots : analyse de contrats, revision de dossiers financiers, recherche dans des archives. Si ton produit a besoin d'une reponse en quelques secondes, le RAG classique reste le bon choix pour les questions simples.

Ou ca s'utilise

Agentic Search est disponible dans plusieurs produits Mistral :

Mistral Search Toolkit : la bibliotheque open source pour integrer la recherche agentique dans tes propres systemes
Libraries dans Mistral Studio et Vibe : pour uploader des documents et les interroger
Le Chat : l'interface grand public de Mistral

Le systeme s'appuie sur les index existants. Tu n'as pas besoin de reconstruire ton indexation ou de reentrainer ton modele. Les cinq outils s'ajoutent au-dessus de ton infrastructure de recherche actuelle.

Mistral insiste sur un point : les donnees sensibles ne traversent pas forcement le cloud. Le Search Toolkit peut tourner on-premises, ce qui le rend pertinents pour les documents confidentiels : contrats juridiques, dossiers financiers, specifications techniques, archives administratives.

Un exemple chez Maisons&Mobilia

Pierre, responsable juridique chez Maisons&Mobilia (M&M, enseigne de meubles fictive), gere une base de 200 contrats fournisseurs. Quand un litige survient sur une clause de garantie, il doit retrouver la version exacte du contrat, la page precise et la formulation. Aujourd'hui, il utilise un RAG classique qui extrait des fragments et repond a peu pres. Sur 10 questions, 4 reponses sont exactes, 3 sont imprecises et 3 sont fausses (le bon contrat mais la mauvaise version, ou la bonne clause mais le mauvais paragraphe).

Pierre integre Agentic Search sur son index existant. Le modele peut maintenant ouvrir le contrat, naviguer vers la section garantie, lire la clause precise et verifier la formulation avec grep avant de repondre. Sur les memes 10 questions, 8 reponses sont exactes et completees par la reference de page. Les 2 erreurs restantes concernnent des contrats anciens scannes en mauvaise qualite, ou le OCR rate des elements.

La limite : la boucle prend entre 30 et 90 secondes par question. Pour Pierre qui prepare un dossier juridique, c'est acceptable. Pour une interface de chat client en temps reel, c'est trop lent. Et les documents mal scans restent un probleme, independant de la methode de recherche.

Quand utiliser Agentic Search et quand rester au RAG

Mistral est clair : le RAG classique reste le bon point de depart pour beaucoup de cas. Le tableau suivant resume quand ajouter la boucle agentic :

Cas d'usage	Bon point de depart
Recherche directe dans des documents courts	RAG classique
Recherche volume sur mots-cles	RAG classique
Reponse dans une position connue	RAG classique
Contrats, manuels, documents longs avec tableaux	Agentic Search
PDF scans, tableaux denses	Agentic Search
Reponses a verifier dans plusieurs documents	Agentic Search

La regle : si ta question demande de naviguer dans un document, de comparer plusieurs sources ou de verifier une information precise, la boucle agentic aide. Si la reponse est dans le premier resultat, RAG classique suffit.

Ce que ça change si tu apprends l'IA

Agentic Search illustre un concept central dans les modules de saisir.ai : la difference entre un chatbot et un agent. Un chatbot te dit "voici ce que j'ai trouve". Un agent peut dire "j'ai trouve un document, je l'ouvre, je vais a la page 15, je lis le tableau et je verifie que le chiffre correspond avant de te repondre".

Pour l'audience de saisir.ai, trois notions concretent ressortent de cette annonce :

Tool use : le modele appelle des outils externes (search, open, navigate, read, grep) pour interagir avec les documents. C'est du tool use applique a la recherche documentaire, pas a l'execution de taches.
RAG : Agentic Search est une evolution du RAG, le pattern qu'on enseigne dans les modules sur la pratique. Comprendre les limites du RAG classique aide a comprendre pourquoi une boucle agentic les resoud.
Orchestration : la boucle multi-etapes est un cas d'orchestration. Le modele decide quand refaire une recherche, quand ouvrir un document, quand naviguer. Un agent n'est pas un modele plus intelligent, c'est un systeme qui coordonne des etapes.

La competence pratique, c'est de savoir quand le RAG classique suffit et quand il faut ajouter une boucle de verification. Pas choisir "le meilleur outil" (ça n'existe pas hors contexte), mais le bon outil pour le bon cas.

Aller plus loin

Pour comprendre comment le RAG fonctionne et pourquoi il a des limites, notre article sur comment fonctionne un agent IA pose les bases du tool use et de l'orchestration. Pour voir les garde-fous concrets a mettre en place quand un agent accede a tes documents, le guide sur les garde-fous des agents IA detaille le moindre privililege et le human in the loop. Et pour t'entrainer a ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur le RAG, le tool use et les agents, en francais, sans coder.

Sources

Questions fréquentes

C'est quoi Mistral Agentic Search ?: Agentic Search est une couche de recherche lancee par Mistral le 20 août 2026. Elle donne a un modele IA cinq outils (search, open, navigate, read, grep) pour explorer et verifier les documents avant de repondre. Au lieu de se contenter des premiers extraits trouves, le modele peut ouvrir un fichier, aller a une page precise, lire un tableau et chercher une expression pour confirmer une information.
Quelle est la difference entre Agentic Search et le RAG classique ?: Le RAG classique recupere des fragments de texte en une seule passe et demande au modele de repondre a partir de ces fragments. Agentic Search permet au modele de refaire une recherche, d'ouvrir un autre document, de naviguer vers une section precise et de verifier l'information avant de repondre. C'est une boucle multi-etapes au lieu d'un seul passage.
Quels sont les resultats d'Agentic Search sur les benchmarks ?: Sur FinanceBench (368 documents financiers SEC, 150 questions), la precision passe de 26,7% a 86% avec Agentic Search, selon les mesures internes de Mistral. Sur OfficeQA Pro (696 bulletins du Tresor americain, 133 questions), le score passe de 6,3% a 51,9%. Ces resultats sont obtenus avec les parametres par defaut, sans optimisation specifique.
Agentic Search reduit-il le cout et la latence ?: Oui. Mistral annonce une reduction de la latence au 90e percentile jusqu'a 39,6% et une baisse de la consommation de tokens d'environ un tiers, grace a la navigation ciblee qui evite les recherches repetitives. La boucle complete prend quand meme 154 secondes au p90, ce qui la destine au traitement par lots plutot qu'a l'interaction en temps reel.
Faut-il reentrainer son modele pour utiliser Agentic Search ?: Non. Agentic Search s'appuie sur les index existants et ne necessite ni reentrainement ni configuration specifique du modele. Les cinq outils (search, open, navigate, read, grep) fonctionnent avec n'importe quel modele capable de tool use. Mistral a teste avec son propre Mistral Medium 3.5 et avec GLM-5.2 de Z.ai, avec des gains similaires pour les deux modeles.