Vous entrez dans une librairie de quartier. La gérante griffonne trois titres sur un carnet posé près de la caisse, le temps de votre conversation. Le lendemain, la page a été arrachée. Mais quand Mme Berger pousse la porte, la libraire sait déjà, sans avoir rien noté, qu’il faut lui mettre de côté le dernier polar islandais.
Le concept en trois formulations
Une IA a deux mémoires. L’une garde la conversation en cours et disparaît quand vous fermez la fenêtre. L’autre, facultative, retient d’une fois sur l’autre quelques éléments choisis à votre sujet.
La mémoire courte, c’est la fenêtre de contexte : tout ce que le modèle a sous les yeux à cet instant, relu intégralement à chaque tour, limité en taille et facturé. La mémoire longue, c’est un stockage extérieur au modèle, dans lequel un système écrit des synthèses et va rechercher, au bon moment, seulement ce qui sert.
On distingue le contexte principal — ce qui tient dans la fenêtre du modèle, analogue à la mémoire vive — et le contexte externe, conservé hors de cette fenêtre et qui doit y être explicitement rapatrié : une hiérarchie inspirée de la gestion mémoire des systèmes d’exploitation (Packer et al., 2023). L’écriture, la synthèse et la récupération sélective de ces souvenirs forment le flux de mémoire d’un agent (Park et al., 2023).
L’analogie-maîtresse : la libraire et ses deux mémoires
Reprenons la librairie. La gérante s’appuie sur deux mémoires qui n’ont rien à voir l’une avec l’autre — et qui ne servent pas au même moment.
La première, c’est le carnet du comptoir. Pendant que vous parlez, elle note : « roman noir », « cadeau », « pas plus de 20 euros », « surtout pas de poche ». Elle y jette un œil avant chaque phrase qu’elle vous adresse. Ce carnet a deux propriétés qu’il faut retenir : il est petit — on ne peut pas y écrire une heure de conversation — et il est éphémère. Quand vous sortez, la page ne sert plus à rien.
La seconde, c’est Mme Berger. Dix ans de clientèle, trois cents visites. La libraire ne se souvient évidemment pas de ces trois cents conversations : elle serait incapable d’en réciter une seule. Ce qu’elle a gardé, c’est une poignée de phrases décantées — polars nordiques, jamais de format poche, un livre pour sa petite-fille chaque décembre. Ce n’est pas un enregistrement, c’est une synthèse. Et c’est précisément parce que c’est une synthèse que c’est utilisable : une transcription intégrale ne lui servirait à rien au moment de conseiller.
Reste le mécanisme le plus intéressant, et celui qu’on oublie toujours d’expliquer : la récupération. La libraire ne pense pas en permanence à ses quatre cents clients. C’est l’entrée de Mme Berger qui déclenche le rappel — et seulement ce qui la concerne. Se souvenir de tout, tout le temps, serait aussi handicapant que ne se souvenir de rien.
Un agent IA fonctionne exactement sur ce partage. Le carnet, c’est la fenêtre de contexte : tout y est relu, à chaque tour, du premier au dernier mot. La fiche de Mme Berger, c’est un fichier rangé ailleurs. Entre les deux, deux gestes seulement : écrire — en fin d’échange, extraire et résumer ce qui mérite d’être gardé — et récupérer — au retour de la personne, ramener dans le carnet les quelques fragments pertinents. Park et ses collègues ont formalisé ce cycle en 2023 : les observations sont stockées, notées selon leur récence, leur importance et leur pertinence, puis synthétisées en constats de plus haut niveau.
Les limites de cette image
La libraire change ; le modèle, non. C’est le point le plus contre-intuitif. Les paramètres du modèle restent rigoureusement identiques d’une session à l’autre. Ce n’est pas l’IA qui se souvient : c’est le logiciel autour d’elle qui recolle des bouts de texte dans le carnet avant chaque réponse. Conséquence directe et très concrète : ce qui est « mémorisé » est un fichier — donc consultable, modifiable, effaçable.
La libraire oublie, et c’est une fonction. Le temps efface ce qui n’a pas servi. Un système, lui, garde ce qu’on lui a dit de garder — y compris une erreur, une préférence périmée, une confidence qui n’aurait jamais dû être notée.
La libraire sait qu’elle se souvient. Elle distingue « Mme Berger me l’a dit l’an dernier » de « Mme Berger vient de me le dire ». Le modèle ne fait pas cette différence : le souvenir rapatrié et la phrase que vous venez de taper arrivent sous la même forme, du texte dans le carnet. Un faux souvenir a donc exactement le même poids qu’un fait.
Les deux mémoires en un schéma
Cinq pièces, cinq images
DANS L’ANALOGIE
Le carnet ouvert sur le comptoir. Une page, pas un classeur.
EN RÉALITÉ
L’espace de texte que le modèle peut voir en une seule fois. Au-delà, ce qui déborde n’existe tout simplement pas pour lui.
DANS L’ANALOGIE
Les notes du jour, relues d’un coup d’œil avant chaque phrase adressée au client.
EN RÉALITÉ
L’historique de l’échange est renvoyé en entier au modèle à chaque tour. Il ne se « rappelle » pas : on lui remet tout sous les yeux.
DANS L’ANALOGIE
La fiche complétée le soir : trois lignes, pas la conversation entière.
EN RÉALITÉ
Un module décide de ce qui mérite d’être conservé, le reformule, et l’enregistre dans une base extérieure au modèle.
DANS L’ANALOGIE
« Tiens, Mme Berger. » L’entrée de la cliente rappelle ce qui la concerne — et rien d’autre.
EN RÉALITÉ
Un score combine pertinence, récence et importance. Seuls les fragments les mieux classés sont recollés dans le contexte.
DANS L’ANALOGIE
Au bout de dix ans : « Mme Berger n’achète que du polar nordique. » Une conclusion, tirée de cent observations.
EN RÉALITÉ
Périodiquement, le système relit ses souvenirs et en génère de plus abstraits. C’est ce que Park et al. appellent la réflexion.
Ce que ça change pour vous
1. Un agent qui se souvient est un fichier client. Le jour où votre assistant conversationnel garde les préférences, les réclamations et les habitudes d’achat de vos clients, vous n’exploitez plus un outil de dialogue : vous exploitez un traitement de données personnelles. Finalité, minimisation, durée de conservation, droit d’accès et d’effacement deviennent des questions à traiter avant la mise en production, pas après.
2. Ce n’est pas de l’apprentissage. La crainte la plus répandue en formation continue — « il va apprendre de nos données et les ressortir ailleurs » — confond deux choses. Mémoriser, ici, c’est écrire dans un fichier qui vous appartient et que vous contrôlez. Entraîner, c’est modifier le modèle lui-même, ce qui ne se produit pas quand vous discutez avec lui. La vraie question à poser à un fournisseur n’est pas « est-ce que ça apprend ? » mais « où est stockée la mémoire, et qui y a accès ? ».
3. La mémoire courte se paie à chaque tour. Puisque tout le carnet est relu avant chaque réponse, un échange qui s’allonge coûte de plus en plus cher et devient de plus en plus lent. C’est la raison économique — et non technique — pour laquelle les systèmes résument plutôt que d’accumuler. Un agent qui vous accompagne toute l’année sans mécanisme de synthèse est un agent dont la facture dérape.
4. Une mémoire mal filtrée est pire que pas de mémoire. Si le système enregistre une préférence mal comprise ou une information périmée, il ne la corrigera pas de lui-même : il la ressortira, avec assurance, à chaque interaction suivante. Une erreur ponctuelle devient une erreur structurelle. Prévoir la relecture et la correction de la mémoire fait partie du dispositif, au même titre que la mise à jour d’une base produits.
5. Décidez qui écrit dans la fiche, et qui peut la relire. Dans une équipe, la mémoire d’un agent partagé pose des questions très banales et rarement posées : un commercial doit-il voir ce que l’agent a retenu des échanges d’un collègue ? Que devient la mémoire quand le client résilie ? Savoir ouvrir, lire et éditer la mémoire d’un agent est en train de devenir une compétence de management, pas une compétence d’ingénieur.
Questions que posent vraiment les étudiants
Les deux articles fondateurs
Le contexte. Une équipe de Stanford peuple un village virtuel de vingt-cinq personnages pilotés par un modèle de langage, et les laisse vivre : se lever, travailler, se croiser, discuter. La question n’est pas de les rendre intelligents, mais crédibles sur la durée.
L’idée. Un personnage crédible est un personnage qui se souvient. Les auteurs conservent l’intégralité de ses expériences sous forme de phrases, puis ajoutent deux mécanismes décisifs : la récupération, qui ne ramène que les souvenirs pertinents au moment voulu, et la réflexion, qui transforme des dizaines d’observations en constats de plus haut niveau. C’est exactement la fiche de Mme Berger.
Pourquoi ça compte. C’est l’article qui a fait passer la mémoire d’un détail d’implémentation à une brique d’architecture. On y trouve la démonstration que sans sélection, la mémoire ne sert à rien : un agent qui se souvient de tout se comporte moins bien qu’un agent qui se souvient de ce qu’il faut.
✅ Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (UIST ’23). doi.org/10.1145/3586183.3606763
Le contexte. Fin 2023, une équipe de Berkeley s’attaque au problème le plus prosaïque des assistants : la fenêtre de contexte est trop petite pour une conversation qui dure, ou pour un document épais.
L’idée. Emprunter la solution que les systèmes d’exploitation ont trouvée il y a cinquante ans. Un ordinateur ne renonce pas à traiter un fichier plus gros que sa mémoire vive : il fait circuler les données entre une mémoire rapide et limitée, et un stockage lent et vaste. Les auteurs organisent la mémoire de l’agent selon la même hiérarchie — et, détail élégant, laissent le modèle décider lui-même de ce qu’il range et de ce qu’il ressort.
Pourquoi ça compte. C’est l’article qui donne son vocabulaire à toute la suite : contexte principal contre contexte externe, autrement dit le carnet contre la fiche. La plupart des dispositifs de mémoire commercialisés aujourd’hui en sont des variantes.
✅ Packer, C., Wooders, S., Lin, K., Fang, V., Patil, S. G., Stoica, I., & Gonzalez, J. E. (2023). MemGPT: Towards LLMs as operating systems. arXiv preprint. arXiv:2310.08560
Trois prompts pour l’expérimenter
Dis-moi tout ce que tu as retenu de moi, et d’où vient chaque élément : de cette conversation, ou d’une conversation précédente ?
🎯 Objectif : distinguer les deux mémoires sur votre propre outil. | 📚 Ce qu’on apprend : voir concrètement ce qui est stocké — et souvent, en être surpris.
Résume notre échange en cinq lignes maximum, comme si tu devais le retrouver dans six mois. Puis explique ce que tu as choisi de ne pas garder.
🎯 Objectif : tester votre compréhension de la synthèse. | 📚 Ce qu’on apprend : mémoriser, c’est trier — et le tri est une décision.
Pour un service client automatisé, liste ce qu’il serait utile de mémoriser d’un client, et ce qu’il vaudrait mieux ne pas mémoriser. Justifie.
🎯 Objectif : transposer la question à un dispositif de gestion. | 📚 Ce qu’on apprend : la frontière entre personnalisation utile et collecte excessive.
Pour aller plus loin
- La fenêtre de contexte : combien une IA peut-elle voir en une seule fois ?
- Le pattern ReAct : le détective qui raisonne, vérifie, raisonne à nouveau
- Chunking : pourquoi enseigner et prompter par morceaux change tout
- RAG — Retrieval-Augmented Generation : comprendre, enseigner et activer
- Comment fonctionnent les LLM ? L’analogie de l’apprenti bibliothécaire universel
- Agents IA : définition simple, exemples concrets et enjeux pour les managers
Note méthodologique : cet article a été rédigé avec l’assistance d’une IA générative, à partir d’un gabarit pédagogique que j’ai conçu. Les deux références fondatrices ont été vérifiées directement dans les publications d’origine. L’analogie, les exemples de gestion et les limites signalées sont de moi.
Related posts:
Comment les IA apprennent : supervisé, non supervisé, renforcement (comme une langue étrangère)
Comment fonctionnent les LLM ? L’analogie de l’apprenti bibliothécaire universel
Enseigner le concept de paramètre en IA L’analogie avec une directrice marketing exercices, prompts
Qu’est-ce qu’un artefact en IA ? L’analogie du chantier archéologique Exercices Prompts
Tout comprendre à la vectorisation par les LLM Exercices et Prompts
Les layers ou le roman de l’IA EXERCICES ET PROMPTS
Trois cartes pour une même ville : AIM, Huang & Rust et Davenport, les cadres de l’IA en marketing
Zero-shot, one-shot, few-shot : guider une IA par l’exemple (l’analogie du nouveau collègue)
