Agentic search : définition et fonctionnement

Un moteur de recherche classique, ou un RAG classique, fonctionne en une seule passe : une requête, les meilleurs résultats, une réponse. Si la bonne information n'est pas dans ces résultats, la réponse ne peut pas la contenir.

L'agentic search remplace cette passe unique par une boucle. Le modèle de langage dispose d'outils de recherche et de lecture, et décide lui-même de les utiliser : reformuler la question, chercher un terme exact, ouvrir un document, lire une page entière, regarder le contexte autour d'un passage. Il s'arrête quand il a de quoi répondre, preuve à l'appui, ou quand il peut affirmer que l'information n'existe pas.

Ce n'est donc pas une nouvelle méthode de recherche à côté de la recherche par mots-clés ou de la recherche sémantique : c'est une couche au-dessus, qui s'en sert. Le terme est repris par les éditeurs de modèles et de moteurs (Mistral, Amazon OpenSearch) pour désigner cette même idée.

À ne pas confondre avec l'« agentic search » du marketing, qui désigne les agents IA (ChatGPT, Perplexity…) qui recherchent et comparent des marques sur le web à la place de l'internaute. Ici, il s'agit de rechercher dans vos propres documents.

Une recherche agentique sur des documents suit, à chaque question, une boucle de ce type :

1. Cibler : identifier le ou les documents que la question désigne (une entreprise, une année, un contrat).
2. Chercher : une première recherche hybride, par mots-clés (termes exacts, chiffres, sigles) et par sens (recherche vectorielle), puis un reranking des passages.
3. Évaluer : l'agent lit les passages et juge s'ils contiennent la preuve, ou seulement un indice.
4. Creuser : s'il manque quelque chose, il relance une recherche avec ses propres mots, cherche un terme exact dans tout le document, ou lit la page entière où un tableau a été coupé.
5. Répondre et citer : chaque affirmation renvoie à la page d'où elle vient. Un chiffre qui ne figure dans aucune source citée n'a pas sa place dans la réponse.

Dans Agentic Search, les passages de départ ne sont jamais remplacés : les outils ne peuvent qu'ajouter du contexte. L'agent part donc toujours au moins d'un RAG classique, et ne fait que mieux.

Ce qui rend une recherche « agentique », ce sont les outils que l'agent peut appeler. Les nôtres :

• search : relancer une recherche avec une autre formulation (« litigation » quand la question dit « legal battles »).
• grep : chercher un terme exact dans un document, savoir à quelle page il se trouve, ou prouver qu'il n'y figure pas.
• read_page : lire une page entière, en-têtes de tableau compris, quand l'extrait ne suffit pas.
• open_doc et navigate : ouvrir un document et se déplacer autour d'un passage, pour lire ce qui le précède et le suit.
• calculate : faire les calculs (ratios, variations) en code plutôt « de tête », chaque entrée reliée au passage qu'elle cite.

Le grep joue un rôle à part : la recherche sémantique trouve ce qui ressemble à la question, le grep trouve ce qui y est littéralement. C'est aussi lui qui permet de répondre « ce chiffre n'apparaît pas dans le rapport » avec certitude, plutôt que de deviner.

Un RAG classique reçoit les dix meilleurs passages et répond en une passe. Ses échecs sont prévisibles : un tableau coupé entre deux passages reste illisible, une note en page 87 n'est jamais lue si la recherche l'a manquée, et faute de preuve, le modèle refuse ou devine. Sur nos tests, la page qui contient la preuve n'est dans les vingt premiers résultats que pour environ 70 % des questions : la recherche seule ne suffit pas.

Nous avons mesuré l'écart sur FinanceBench, un benchmark de questions d'analystes sur des rapports financiers SEC : 84 rapports, 12 000 pages indexées ensemble. Même recherche de départ, même modèle ; la seule différence est l'accès aux outils.