Mistral anunció Agentic Search, una capa de recuperación que permite a los modelos buscar, abrir, navegar, leer y hacer grep dentro de documentos complejos en lugar de responder solo con los fragmentos iniciales de un RAG clásico. ModelDex y el blog de Mistral destacaron el claim central: alrededor de tres veces más exactitud en documentos financieros.
En FinanceBench —368 presentaciones ante la SEC y 150 preguntas, con documentos de unas 147 páginas de media— Mistral reporta que Medium 3.5 pasa de 26,7% a 86% de exactitud al usar el bucle agente completo. Ese salto, de más de 59 puntos porcentuales, es la base del mensaje «triplica la precisión».
El laboratorio también midió OfficeQA Pro, un conjunto de boletines del Tesoro de EE. UU. escaneados y densos en tablas. Allí, con GLM-5.2, el bucle completo alcanza 51,9% frente a 6,3% del RAG de un solo paso (+45,6 puntos). Las cifras son reportadas por Mistral; no constituyen una auditoría independiente de Neural Pulse.
Agentic Search se apoya en un índice existente y expone cinco herramientas al modelo: search, open, navigate, read y grep. La idea es que el índice señale candidatos y el modelo decida qué inspeccionar, refinando búsquedas cuando el primer resultado es incompleto —el fallo típico del RAG de un disparo en tablas y notas al pie.
Además de exactitud, Mistral afirma menos latencia y menos tokens: en FinanceBench, añadir navegación redujo el p90 de latencia (255s a 154s en sus tablas) y el uso de tokens frente a bucles que solo repiten búsquedas amplias. Menos reintentos ciegos, más inspección dirigida.
El producto se ofrece vía Mistral Search Toolkit —integrable en agentes propios, en nube o on-premises— y dentro de Libraries en Studio y Vibe. El énfasis en despliegues aislados responde a la demanda de bancos y administraciones que no pueden sacar documentos sensibles a APIs públicas.
Para empresas, el significado práctico es que los agentes de análisis financiero, legal u operativo pueden citar una página y una tabla concretas en lugar de parafrasear un chunk truncado. Eso importa cuando un error de cifra tiene coste regulatorio o de auditoría.
Los límites siguen siendo reales: el bucle consume turnos y tiempo; hace falta un índice bien construido; y los benchmarks del proveedor deben validarse en el corpus propio. Evaluaciones de terceros ya advierten que reproducir FinanceBench no garantiza el mismo delta en PDFs internos desordenados.
En la carrera de agentes empresariales de 2026, OpenAI, Anthropic y Microsoft empujan orquestación; Mistral apuesta por herramientas de recuperación portables y abiertas que escalen con la capacidad del modelo sin reentrenar el índice. Si el modelo razona mejor mañana, el mismo toolkit debería rendir más.
Neural Pulse destaca el claim tal como lo formula Mistral —triplica exactitud en filings financieros, de 26,7% a 86% en FinanceBench con Medium 3.5— y el valor de producto para RAG/agentes empresariales, sin inventar métricas adicionales.
Equipos de datos deberían probar Agentic Search en un subconjunto etiquetado de 10-K, contratos o manuales propios antes de sustituir pipelines RAG. La ganancia suele concentrarse en preguntas multi-documento y en tablas, no en consultas de una sola frase.
Octubre de 2026 encuentra a Mistral vendiendo precisión verificable en documentos densos como ventaja europea frente a asistentes generalistas. En finanzas, «casi correcto» no basta; Agentic Search intenta que el agente demuestre dónde leyó la cifra.
