Mémoire implicite et mémoire externe
Il faut d'abord distinguer deux choses que l'on confond souvent. La mémoire implicite désigne ce que le modèle a retenu de son entraînement, noyée dans ses paramètres et impossible à consulter directement. La mémoire externe, elle, vit en dehors du modèle : un index de documents, un journal de conversation, une base de faits sur un utilisateur, que l'on va chercher puis réinjecter dans le contexte au moment utile. Tout ce que l'on appelle aujourd'hui mémoire d'un assistant relève, en pratique, de cette seconde catégorie, et c'est elle que documentent les recherches récentes.
Cette séparation dessine l'espace de conception. Puisqu'on ne réentraîne pas un modèle à chaque fait nouveau, la mémoire externe devient le lieu où l'on stocke, structure et interroge l'information durable. Les travaux portent alors sur l'architecture de ce stockage : comment représenter un souvenir pour le retrouver ensuite, comment l'interroger pertinemment, comment le réinjecter dans le contexte sans saturer la fenêtre du modèle ni noyer l'instruction utile. Ces questions, apparemment techniques, ont des conséquences directes sur la fiabilité des assistants que l'on déploie aujourd'hui en entreprise, souvent sans mesurer toutes ces dépendances.
Oublier, résumer, hiérarchiser
Une mémoire utile n'est pas exhaustive, elle est sélective, et c'est probablement le constat le mieux partagé de la recherche du moment. Un système qui conserve tout se noie dans son propre volume et dégrade ses réponses. Les architectures qui fonctionnent combinent plusieurs niveaux : la conversation récente gardée intacte, un résumé périodique des échanges antérieurs, des faits durables extraits et rangés à part. Ce travail de compression imite en partie la mémoire humaine, qui retient le sens et laisse filer les détails mineurs sans importance pour la tâche en cours.
La question de l'oubli occupe une place grandissante. Pendant longtemps traitée comme un détail, elle devient centrale : une mémoire qui n'oublie jamais accumule de l'information périmée, alourdit les traitements et crée des obligations. Les recherches explorent des mécanismes de péremption, de hiérarchie des sources et d'effacement sélectif, où chaque information porte une durée de vie. Cette dimension rapproche la technique des exigences juridiques : un système conforme doit pouvoir effacer un souvenir à la demande et distinguer ce qui relève de la session, du compte ou de la base commune à toute l'organisation.
Évaluer une mémoire reste difficile
Mesurer la qualité d'une mémoire s'avère plus délicat que de la concevoir. Contrairement à la génération de texte, où l'on peut comparer des sorties à une référence, la performance d'un système de mémoire se juge sur des questions à long terme : l'assistant retrouve-t-il une information pertinente plusieurs semaines après l'avoir reçue, et l'applique-t-il à bon escient ? Se trompe-t-il par excès de confiance sur un souvenir mal ancré ? Les benchmarks existants peinent à capturer ces comportements, car ils reposent sur des scénarios courts et artificiels, éloignés des usages réels où l'information arrive dans le désordre.
Les chercheurs butent aussi sur un problème de mesure indirecte : quand un assistant échoue, on ne sait pas toujours si la faute revient à la mémoire, à la recherche documentaire ou au modèle lui-même. Cette confusion rend le diagnostic difficile et complique l'amélioration des systèmes. Une partie des travaux vise donc à isoler ces composants pour identifier lequel produit l'erreur. En attendant des méthodes d'évaluation plus solides, la conception prudente consiste à tester chaque brique séparément plutôt qu'à juger l'ensemble sur une impression globale, forcément trompeuse dès que le volume d'échanges augmente.
Ce que la recherche ne résout pas encore
L'élargissement de la fenêtre de contexte a longtemps été présenté comme la solution au problème de mémoire. Il ne l'est que partiellement. Traiter un contexte très long coûte cher, ralentit la réponse, et surtout ne garantit pas que le modèle tienne compte de l'information pertinente, souvent noyée au milieu d'un bruit volumineux. Déverser des documents entiers dans une requête dilue le signal utile au lieu de le renforcer, ce que plusieurs études récentes confirment sur des tâches de longue haleine exigeant de suivre un fil cohérent sur d'innombrables échanges successifs.
Restent également ouvertes les questions de cohérence temporelle et de contradiction. Que faire lorsque deux informations stockées se contredisent, l'une ancienne, l'autre récente ? Un système de mémoire doit gérer la mise à jour, le remplacement d'un fait périmé et le signalement des incohérences plutôt que de les amalgamer silencieusement. Ces situations, banales dans un usage réel, restent mal traitées par les dispositifs actuels. C'est là, plus encore que dans la taille des index, que se joue la différence entre un prototype séduisant et un assistant réellement fiable au quotidien, sur la durée et non sur une démonstration.
Aller plus loin
La mémoire artificielle reste un domaine ouvert, où conception et évaluation avancent ensemble : s'y former demande de comprendre les deux. Le catalogue des 31 formations comprend le parcours d'ingénierie de la mémoire artificielle et de la recherche augmentée.
Vous voulez maîtriser ce sujet en pratique ?
Cabinet MARA forme en ligne, sur des cas réels, avec des modules courts et un suivi de progression.
Voir la formation liée Les 31 formations