Mémoire à court terme : ce qui reste dans la conversation
La mémoire à court terme, ou mémoire de travail, est ce que le système garde sous les yeux pendant l'échange en cours. C'est l'historique récent de la conversation, la question posée juste avant, la consigne donnée au début. Tout ce contenu vit dans une fenêtre limitée : au-delà d'un certain nombre de mots, les échanges les plus anciens sont tronqués ou résumés. Cette contrainte explique bien des comportements observés : un agent qui perd le fil après une longue discussion, ou qui oublie une instruction donnée loin en amont, ne fait pas preuve d'inattention, il a simplement atteint la limite de sa fenêtre.
Bien comprendre cette mémoire évite de mauvaises surprises. On gère d'autant mieux un agent qu'on sait faire tenir l'essentiel dans sa fenêtre : résumer au lieu de tout garder, rappeler la consigne utile quand elle s'éloigne, découper un travail long en étapes courtes. La mémoire à court terme n'est pas un défaut que la seule puissance de calcul corrigerait ; elle impose une façon de dialoguer. Un concepteur qui l'oublie construit des parcours trop longs et s'étonne ensuite que le système s'égare. C'est souvent la première distinction à maîtriser pour aborder les autres types de mémoire d'un agent IA.
Mémoire à long terme : conserver au-delà de l'échange
La mémoire à long terme persiste entre les sessions. Elle permet à un agent de se souvenir qu'un utilisateur préfère des réponses courtes, qu'il a déjà résolu tel problème, qu'une décision a été prise la semaine passée. Cette continuité donne l'impression d'un interlocuteur qui connaît la personne, au lieu d'un service qui repart de zéro à chaque fois. Sans elle, chaque conversation recommence à l'identique, ce qui devient vite lassant pour un usage régulier. La mémoire à long terme transforme donc la relation : l'agent ne répond plus seulement à une question, il tient compte d'un contexte qui s'est construit dans la durée.
Cette persistance a un prix, et d'abord celui de la donnée. Ce que la mémoire conserve peut être personnel, et tombe donc sous le RGPD : il faut une finalité claire, une durée de conservation, un moyen pour la personne de savoir ce qui est retenu et de le corriger. Une mémoire mal conçue devient un dépôt où l'on accumule sans jamais trier, avec le risque de faire remonter une information périmée au pire moment. Un système qui se souvient de tout n'est pas nécessairement meilleur qu'un système qui se souvient bien ; il peut même être plus difficile à gouverner.
Mémoire externe : retrouver une information au bon moment
La mémoire externe ne vit pas dans le modèle : elle est déposée ailleurs, dans une base documentaire, un fichier, un index que le système peut interroger. Plutôt que de tout garder en mémoire de travail, l'agent va chercher l'information pertinente au moment où il en a besoin. Cette approche, souvent appelée recherche augmentée, permet de traiter un volume de documents bien supérieur à ce qu'une fenêtre de conversation peut contenir. Elle sépare ce qui est su de ce qui est retrouvé : le modèle raisonne, la base fournit les faits. Cette division rend le système plus précis sur des questions documentées et plus facile à mettre à jour.
Elle introduit pourtant ses propres fragilités. Un système qui retrouve dépend de la qualité de ce qu'il retrouve : un document obsolète, une source ambiguë, et la réponse part de travers avec une apparence de sérieux. La pertinence du résultat dépend aussi de la manière dont la question est posée, ce qui n'est pas toujours au niveau de l'utilisateur. Concevoir une mémoire externe, c'est donc autant un travail d'indexation et de mise à jour que de dialogue. La mémoire d'un agent IA, prise dans son ensemble, n'est pas un bloc unique : chaque type apporte une capacité et crée une responsabilité distincte.
Nettoyer, hiérarchiser, oublier : le travail invisible
La mémoire d'un agent IA se dégrade si personne ne l'entretient. Des informations fausses s'accumulent, des préférences changent, des documents deviennent périmés. Un système qui conserve tout sans jamais trier finit par s'appuyer sur un passé encombré, où l'ancien pèse autant que l'actuel. Le travail d'oubli, souvent invisible, est pourtant décisif : décider ce qui mérite d'être gardé, ce qui doit être effacé, ce qui doit être daté. Sur le plan juridique, ce n'est pas un simple souci de performance : le RGPD impose de ne pas conserver une donnée au-delà du nécessaire, et l'oubli devient une obligation autant qu'un choix de conception.
Hiérarchiser relève de la même logique. Toutes les informations n'ont pas le même poids : une consigne explicite de l'utilisateur ne se traite pas comme une déduction de l'agent, un fait récent ne vaut pas forcément mieux qu'un fait ancien mais vérifié. Les référentiels de gouvernance de l'IA, comme la norme ISO/IEC 42001, poussent à documenter ces règles et à suivre leur application dans le temps, plutôt qu'à les laisser dans la tête des concepteurs. Comprendre les types de mémoire d'un agent IA, c'est finalement accepter que la continuité se construise par des choix explicites, pas par une accumulation passive au fil des usages.
Aller plus loin
Distinguer les types de mémoire d'un agent IA, c'est séparer le travail en cours de ce qui se conserve et de ce qui se retrouve ailleurs. Notre catalogue des 31 formations propose des parcours consacrés à l'ingénierie des agents, à leur mémoire et à leur gouvernance.
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