Mistral AI a publié le 20 août 2026 les résultats d'une nouvelle méthode de lecture de documents, baptisée recherche agentique. Sur un test construit à partir de dépôts réglementaires américains, la précision des réponses passe de 26,7 % à 86 % avec le modèle Mistral Medium 3.5, soit environ trois fois plus qu'avec l'approche précédente. Sur un second test bâti à partir de documents du Trésor américain, un autre modèle gagne 45,6 points, de 6,3 % à 51,9 %.
Ces chiffres visent un problème précis, que Mistral décrit sans détour dans son annonce : les méthodes actuelles d'interrogation de documents échouent dès qu'il faut naviguer dans un long rapport, suivre une référence d'une page à l'autre, comparer plusieurs documents entre eux ou vérifier une information à sa source plutôt que de faire confiance au premier extrait trouvé.
La méthode la plus répandue jusqu'ici consiste à découper un document en fragments, puis à faire remonter les fragments qui ressemblent le plus à la question posée. Cette approche fonctionne bien pour une question simple et un document court. Elle échoue régulièrement dès que la bonne réponse suppose de croiser plusieurs passages, de suivre un renvoi vers une annexe ou de distinguer un chiffre définitif d'une estimation provisoire mentionnée plus haut dans le même texte.
Mistral propose à la place cinq opérations qui imitent la façon dont une personne lirait réellement un dossier : chercher, ouvrir, naviguer, lire, filtrer. Le système peut ouvrir un document précis, se déplacer vers la section pertinente, lire le passage en entier et vérifier la cohérence avant de répondre, plutôt que de répondre sur la base d'un fragment isolé de son contexte.
Un bond de 27 % à 86 % de précision ne s'explique pas par un modèle plus puissant. Le modèle sous-jacent reste le même dans les deux mesures. Ce qui change, c'est la méthode de lecture : interroger un document en une seule requête revient à demander une réponse sans jamais autoriser la relecture, alors qu'un système qui peut ouvrir, vérifier et recommencer se comporte davantage comme un collaborateur consciencieux que comme un moteur de recherche pressé.
L'annonce précise un effet secondaire notable pour un usage en entreprise : la consommation de jetons diminue jusqu'à un tiers dans certains scénarios, et le temps de réponse baisse également, malgré les étapes de navigation supplémentaires. Chercher mieux coûte donc, dans ce cas précis, moins cher que chercher vite et mal.
Toute entreprise qui traite des contrats, des rapports techniques ou des factures dont le contenu dépasse une page gagne à distinguer deux qualités très différentes dans un système automatisé : sait-il trouver un mot-clé, ou sait-il réellement lire un document jusqu'à en vérifier le sens avant de répondre. La différence entre les deux ne se voit pas sur une démonstration commerciale avec un document simple ; elle se voit sur le premier dossier réel, avec ses renvois, ses annexes et ses chiffres révisés en cours de route.
Avant de confier le traitement d'un lot de documents à un système automatisé, il vaut la peine de tester ce système sur un cas volontairement compliqué du fonds documentaire réel de l'entreprise, celui où la bonne réponse suppose de croiser deux pages éloignées l'une de l'autre. C'est sur ce genre de cas, pas sur les cas faciles, que se joue la différence entre un système qui aide vraiment et un système qui donne l'illusion d'aider.
