Face à la hausse des coûts d'inférence et au risque de fuite des données, la souveraineté est devenue cruciale. RAGFlow résout ce défi grâce à son moteur d'ingestion visuelle open-source. En préservant la structure des PDF complexes, il permet d'exploiter ses données en local de manière fiable, réduisant ainsi les frais d'API de 70 %. L'actualité technologique de l'été 2026 est marquée par une accélération des solutions d'orchestration de données auto-hébergées ou hybrides. La publication de la version 0.26.4 de RAGFlow le 7 juillet 2026 apporte notamment une évolution du traitement multilingue. En ajoutant un stemmer Snowball sensible à la langue et compatible avec 16 langues, puis en propageant le paramètre linguistique des datasets dans le pipeline de tokenisation, InfiniFlow cherche à améliorer la cohérence de l'indexation dans les corpus non anglophones. Cette évolution technique accompagne un repositionnement commercial plus large. En mars 2026, le service en ligne de démonstration a été transféré vers cloud.ragflow.io afin de préparer une offre SaaS commerciale. Parallèlement, RAGFlow prend en charge le Model Context Protocol, un protocole ouvert initialement lancé par Anthropic. Son serveur MCP optionnel permet à des clients et outils compatibles d'accéder à certaines fonctions de RAGFlow de manière standardisée. Nous avons vu récemment comment le protocole MCP connecte vos agents IA pour standardiser le transfert de contexte, et RAGFlow s'inscrit dans cette dynamique d'interopérabilité. En proposant un pipeline d'ingestion visuelle qui va au-delà du simple découpage textuel linéaire, l'outil d'InfiniFlow constitue une option crédible face aux services propriétaires centralisés, notamment lorsque les documents comportent des tableaux, des images ou des mises en page complexes. Réduire le RAG à un simple découpage de texte suivi d'une vectorisation revient à ignorer une partie essentielle de l'information. Les données les plus précieuses d'une entreprise se trouvent souvent dans des PDF, des tableaux, des schémas industriels et des rapports dont la mise en page contribue au sens. En prenant en compte cette dimension documentaire, RAGFlow rappelle qu'une intelligence artificielle doit d'abord récupérer correctement l'information avant de pouvoir produire une réponse fiable. Le développement des agents en 2026 ne devrait pas opposer systématiquement cloud et infrastructure locale. L'enjeu consiste plutôt à choisir où sont stockées les données, quels composants peuvent appeler des services externes et quels risques l'organisation accepte. En associant open-source, recherche hybride, traitement visuel et MCP, InfiniFlow propose une voie intéressante vers des architectures RAG hybrides, contrôlables et plus facilement auditables.