L’essentiel en bref
- Agentic Search remplace le RAG en un seul passage par une boucle de cinq outils : search, open, navigate, read et grep. Le serveur MCP en expose sept, ingest et delete compris.
- Sur FinanceBench, la précision grimpe de 26,7 % à 86 %. Ce score est atteint avec GLM-5.2, le modèle de Z.ai, pas avec Mistral Medium 3.5.
- La brique tourne en cloud ou sur site, s’appuie sur un index Vespa et un agent compatible MCP. Aucun tarif n’a été communiqué.
Une boucle de recherche en cinq outils, pas un nouveau modèle
Le RAG classique travaille en un seul coup : l’index remonte une poignée de fragments, le modèle répond avec ce qu’il a sous la main.
Le problème ? Quand la réponse se cache dans un tableau à la page 112 d’un rapport annuel, il risque de répondre à côté de la plaque.
Agentic Search casse ce fonctionnement. Le modèle cherche, ouvre le document, se déplace vers la section voisine, lit, cherche un terme exact avec grep, puis relance une requête en excluant les fragments déjà consultés grâce au paramètre exclude_ids.
Les primitives portent volontairement des noms de système de fichiers. N’importe quel agent compatible MCP peut les appeler, dans Studio, dans Vibe ou dans un client maison.
Définition :
RAG en un seul passage
: méthode qui récupère un jeu fixe de fragments de texte dans un index, puis demande au modèle de répondre uniquement à partir de ces fragments, sans possibilité d’aller en chercher d’autres.
Si vos agents internes interrogent déjà une base documentaire et rendent des réponses justes une fois sur deux, c’est précisément ce trou que Mistral vise.
Traduction pour votre équipe : le chantier ne porte plus sur le prompt ni sur le choix du modèle, mais sur la façon dont l’agent circule dans vos fichiers.
86 % sur FinanceBench, mais pas avec un modèle Mistral
FinanceBench aligne 368 documents déposés à la SEC, environ 147 pages chacun, soit près de 53 900 pages au total, et 150 questions notées par un juge LLM calibré sur des annotations humaines. Du document dense, plein de tableaux, exactement le terrain où le RAG classique décroche.
La précision atteinte sur FinanceBench avec la boucle agentique complète, contre 26,7 % en RAG classique. Score obtenu avec GLM-5.2, modèle de Z.ai. (Source : Mistral)
Mistral Medium 3.5 progresse lui aussi nettement, avec 47,3 points gagnés par la seule boucle de recherche et 8,7 points supplémentaires apportés par la navigation. Il ne monte simplement pas au même plafond.
Même schéma sur OfficeQA Pro, un corpus de 696 bulletins du Trésor américain scannés et environ 89 000 pages : GLM-5.2 passe de 6,3 % à 51,9 %, soit 45,6 points, quand Mistral Medium 3.5 en gagne 27,1.
Le détail qui compte ? Mistral publie aussi que GLM-5.2 obtient 41,4 % sur OfficeQA Pro avec le harness de Claude Code, contre 51,9 % avec le sien. Même modèle sous le capot, 10,5 points d’écart selon l’outillage de recherche.
C’est un argument commercial redoutable pour Mistral : la couche fonctionne indépendamment du modèle.
Cela signifie également que sur ce type de tâche, la valeur glisse du modèle vers la mécanique de récupération.
Côté facture, la navigation ciblée fait tomber la latence p90 de 255 à 154 secondes sur FinanceBench et réduit la consommation de tokens de 23,9 % à 33,7 % selon le modèle. Si vous facturez vos agents à l’usage, c’est très important.
Ce qu’il faut avoir en interne avant de brancher quoi que ce soit
Vespa dans Docker, une clé API Mistral, uv, Copier, et un agent compatible MCP pour piloter la boucle. La navigation impose en plus un index de type NavigableIndex, configuré en DOCUMENT_PER_CHUNK pour que chaque fragment porte ses offsets et puisse être parcouru dans l’ordre.
Aucune grille tarifaire n’accompagne l’annonce. Le déploiement se fait en cloud ou sur site, et Mistral recommande d’exposer le serveur MCP en HTTP derrière votre propre authentification dès la production.
À son crédit, l’éditeur dit aussi où ne pas l’utiliser : documents courts et propres, recherche à gros volume, questions dont on connaît déjà la source. Chaque appel d’outil a un coût, et sur un corpus simple un RAG en un passage reste plus rapide et moins cher. Cette honnêteté tranche avec le discours habituel du secteur sur les intégrations et applications de Mistral AI.
Pour une équipe de trois personnes sans profil infrastructure, la starter app tourne en local dans l’après-midi. La mise en production, elle, suppose un index correctement structuré, une couche d’authentification et un plafond de sauts défini dans votre agent, faute de quoi la boucle tournera sans s’arrêter.
Ceux qui ont déjà mis les mains dans un serveur MCP côté SEO retrouveront des réflexes familiers, et la brique d’ingestion s’appuie sur Mistral OCR pour tout ce qui n’est pas du texte brut.
Notre verdict :
C’est la brique la plus sérieuse sortie de chez Mistral depuis OCR, et elle ne s’adresse pas à tout le monde. Sans corpus documentaire dense ni équipe capable d’opérer un index Vespa, l’intérêt reste faible. Avec les deux, les gains mesurés justifient un test dès maintenant. L’absence de tarif public, en revanche, reste le point le plus gênant de l’annonce : impossible de chiffrer un projet sur cette base, il faudra donc contacter les équipes de Mistral en direct pour en savoir plus.
Fondateur de LEPTIDIGITAL et SUPASST, je suis également consultant spécialisé en acquisition de leads B2B (SaaS). Passionné par le marketing digital, l’intelligence artificielle et le SEO. Avant de devenir indépendant, j’ai occupé des postes clés en tant que SEO Manager et responsable e-commerce pour plusieurs grandes entreprises (Altice Media, Infopro Digital, Voyage Privé et le Groupe ERAM). Sur le plan perso, je suis un curieux insatiable, également passionné par la photographie, le badminton et les voyages. Pour toute demande de partenariat, privilégiez LinkedIn ou email ([email protected]).
