Mistral lancia Agentic Search: la ricerca agentica che va oltre il RAG tradizionale

Mistral ha presentato Agentic Search, un nuovo livello di recupero delle informazioni che permette agli agenti AI di navigare, leggere e verificare i dati dentro i documenti più complessi, invece di accontentarsi di qualche frammento estratto in partenza. L’annuncio è arrivato il 20 agosto 2026 e affronta uno dei limiti più concreti dei sistemi costruiti sui modelli linguistici: quando la risposta giusta è sepolta tra centinaia di pagine, il classico RAG recupera spesso il pezzo sbagliato e il modello risponde con sicurezza partendo da un contesto incompleto.

Agentic Search prova a chiudere questa falla trasformando la ricerca in un processo iterativo, più vicino al modo in cui ragiona un analista in carne e ossa: apre un file, lo sfoglia, cerca un dato preciso, segue un rimando e solo alla fine risponde. Se lavori con agenti AI, assistenti documentali o pipeline di retrieval, è una novità che ti riguarda da vicino.

Che cosa è Agentic Search e perché non è il solito RAG

Per capire la portata dell’annuncio conviene ripartire da come funziona il recupero tradizionale. Nel RAG classico, sigla che sta per Retrieval Augmented Generation, il sistema spezza i documenti in piccoli blocchi di testo, li trasforma in vettori e, davanti a una domanda, ne recupera un numero fisso in base alla somiglianza semantica. Quei blocchi vengono inseriti nel contesto del modello, che a quel punto genera la risposta. È un approccio efficace quando l’informazione è breve e ben localizzata, ma mostra la corda appena il documento diventa lungo, ricco di tabelle o pieno di rimandi interni.

Il problema è strutturale. Un bilancio, un contratto o un report tecnico non si leggono a fette casuali: hanno un indice, delle sezioni, delle tabelle che rimandano a note a piè di pagina. Recuperare tre o quattro frammenti e fermarsi lì significa spesso perdere proprio il contesto che dà senso al dato.

Mistral descrive Agentic Search non come un ennesimo metodo di ricerca accanto a quello per parole chiave o semantico, ma come un livello di orchestrazione che usa quei mattoni di base, ci aggiunge la navigazione e itera finché il modello non ha raccolto prove sufficienti per rispondere. In pratica, invece di ricevere i blocchi e fermarsi, il modello entra in un ciclo: cerca, apre il documento, si muove tra le sezioni, legge, affina la richiesta e verifica.

La differenza è sottile ma cambia tutto: si passa da una fotografia statica a un vero percorso di indagine.

I cinque strumenti del ciclo di recupero

Il cuore di Agentic Search è un ciclo di recupero multi-step costruito attorno a cinque azioni che il modello può richiamare quante volte servono:

• Search: individua i documenti e i passaggi rilevanti con ricerca semantica o ibrida.
• Open: apre un documento specifico per lavorarci dentro.
• Navigate: si sposta tra sezioni, pagine e rimandi seguendo la struttura del file.
• Read: legge in dettaglio la porzione utile per estrarre il dato.
• Grep: cerca una stringa o un valore preciso dentro il singolo documento, come farebbe un comando di ricerca testuale.

La combinazione tra semantica e grep è la parte più interessante: la prima capisce di cosa stai parlando, la seconda trova la cifra esatta senza margini di ambiguità. È l’unione di due mondi che finora vivevano separati.

I numeri: dall’accuratezza del 27% all’86% su FinanceBench

Mistral ha misurato Agentic Search su due benchmark pensati apposta per i documenti difficili, e i risultati sono la parte che fa più rumore. Su FinanceBench, una prova che mette il modello di fronte a domande poste su centinaia di documenti finanziari come i bilanci depositati presso la SEC, l’accuratezza è passata dal 27% del recupero a colpo singolo all’86% con il ciclo agentico completo dotato di navigazione.

Non è solo una questione di precisione. Aggiungendo gli strumenti di navigazione, secondo i dati diffusi dal laboratorio, migliora anche la latenza: il tempo di risposta al novantesimo percentile scende da 255 a 154 secondi e la media passa da 108 a 71 secondi. È un dettaglio che pesa, perché uno dei timori tipici verso gli approcci iterativi è che moltiplichino chiamate e attese, rendendo il sistema più lento invece che più utile.

Il secondo banco di prova è OfficeQA Pro, un benchmark numerico verificabile costruito sui bollettini storici del Tesoro statunitense: PDF governativi scansionati, fitti di tabelle, per un corpus di 696 documenti e circa 89.000 pagine. Qui il ciclo agentico completo alza in modo netto l’accuratezza rispetto al recupero a un solo passaggio, arrivando al 51,9% con il modello GLM-5.2, un balzo di oltre 45 punti percentuali, e guadagnando circa 27 punti con Mistral Medium 3.5.

Tradotto: su carte piene di numeri e tabelle, dove il RAG tradizionale annaspa, il metodo di Mistral recupera gran parte del terreno perduto.

Un dato però va letto con onestà. Anche con Agentic Search si resta lontani dal 100%, e su corpora così ostici l’accuratezza assoluta non è ancora quella di un revisore umano esperto. Il progresso resta concreto e la direzione è chiara, ma vale la pena ricordarlo prima di affidare a un agente decisioni delicate senza controllo.

Dove trovi Agentic Search: Search Toolkit, Studio e Vibe

Mistral ha reso Agentic Search disponibile su due binari. Il primo è il Mistral Search Toolkit, pensato per chi vuole integrare la ricerca agentica dentro i propri agenti, i flussi di lavoro e le installazioni per i clienti, con pieno controllo sull’architettura. Il secondo è l’uso immediato dentro le Libraries dei prodotti Studio e Vibe, dove non devi costruire da zero il sistema di recupero perché lo trovi già pronto all’uso.

Questa doppia strada ricalca la filosofia con cui il laboratorio francese si è mosso negli ultimi mesi. Chi segue il tema conosce già la strategia di sovranità AI europea di Mistral, fatta di endpoint regionali e modelli aperti, e ha visto arrivare strumenti verticali come il modello aperto Leanstral 1.5, dedicato alla verifica formale e alla caccia ai bug nel codice. Agentic Search si inserisce nello stesso disegno: dare a sviluppatori e imprese pezzi componibili, invece di una scatola chiusa.

Il collegamento con gli altri tasselli dell’ecosistema è evidente. Agentic Search lavora bene a valle di sistemi come Mistral OCR 4, che produce output strutturato e pronto per la citazione, e condivide la stessa logica degli agenti costruiti con l’Agents API. È un pezzo di un mosaico più ampio, non una funzione isolata.

Perché conta per chi lavora con AI e documenti

Il valore di un sistema del genere si vede soprattutto in tre ambiti. Nel settore finanziario e legale, dove le risposte devono poggiare su un dato tracciabile dentro un bilancio o un contratto, e non su una parafrasi approssimativa che nessuno può verificare. Nella ricerca aziendale, dove le basi di conoscenza interne crescono a dismisura e ritrovare la versione giusta di una procedura diventa un lavoro a sé. E, più in generale, in tutti i flussi in cui un agente AI deve prendere decisioni a partire da fonti lunghe e strutturate.

C’è anche un motivo tecnico di fondo. Per quanto le finestre di contesto dei modelli continuino ad allargarsi, riversare interi archivi dentro il prompt resta costoso, lento e non garantisce che il modello pesi correttamente le informazioni. Un ciclo di recupero mirato, che apre solo ciò che serve nel momento in cui serve, è spesso più efficiente di un contesto gigantesco riempito a forza.

Per chi si occupa di marketing e SEO il tema non è marginale. I motori di risposta e gli assistenti basati su AI stanno diventando un canale con cui le persone trovano informazioni, e la capacità di questi sistemi di leggere davvero un documento, invece di pescarne un frammento, cambia il modo in cui i contenuti vengono citati e riutilizzati. Sapere come funziona il retrieval agentico aiuta a capire cosa rende un contenuto facile o difficile da recuperare per una macchina.

La tendenza di fondo è chiara: il valore si sta spostando dal singolo modello alla qualità della catena che lo alimenta con i dati giusti.

Conclusioni

Con Agentic Search, Mistral sposta l’attenzione dal modello alla catena che lo rifornisce. Il messaggio è che, per rispondere bene su documenti complessi, non basta un modello più grande: serve un modo più intelligente di cercare, aprire e verificare le fonti. I numeri sui benchmark, dal 27% all’86% su FinanceBench, dicono che la strada del recupero iterativo ha ancora molto da offrire.

Se sviluppi agenti o gestisci grandi archivi documentali, vale la pena provare Agentic Search tramite il Search Toolkit oppure dentro Studio e Vibe, misurandolo sui tuoi dati reali prima di trarre conclusioni. Puoi approfondire i dettagli tecnici e i benchmark direttamente nell’annuncio ufficiale di Mistral. E se vuoi restare aggiornato sulle prossime mosse dei grandi laboratori AI, continua a seguirci: il ritmo degli annunci, in questa estate 2026, non accenna a rallentare.