IA & Machine Learning

Mémoire persistante des agents IA : le piège qui s'accumule en silence

Un agent IA qui se souvient de vous promet moins de répétitions. Le vrai problème : personne ne vérifie ce qu'il écrit dans sa mémoire.

Editorial Team / /10 min de lecture
Une main robotique écrit seule dans les notes d'un agent IA, près d'une pile de post-it surmontée d'un point d'interrogation.

Un agent IA qui retient vos préférences, vos projets et vos dix dernières conversations, ça paraît être un progrès évident par rapport à un agent qui oublie tout dès que vous fermez l’onglet. La promesse de la mémoire persistante est simple : ne plus avoir à se répéter. Le vrai problème, lui, est beaucoup plus discret, et il n’a rien à voir avec la quantité d’informations que l’agent peut stocker. Il tient à une seule question : qui vérifie ce qui entre dans cette mémoire ? Et la réponse, le plus souvent, est : personne.

Le problème ne vient pas de la mémoire, mais de qui l’écrit

Tous les assistants IA sans mémoire ont le même défaut agaçant : ils repartent de zéro à chaque session. Vous expliquez votre métier, vos outils, vos préférences, encore et encore. La mémoire persistante existe pour mettre fin à ça. L’agent garde des notes entre les conversations, comme le ferait un assistant humain, et va les rechercher plus tard au lieu de vous faire tout redire.

Ça, ça fonctionne, et c’est vraiment utile. Le problème apparaît dans la façon dont ces notes sont écrites. Dans la plupart des systèmes actuels, c’est l’agent lui-même qui décide ce qui vaut la peine d’être retenu, et qui l’écrit, sans que personne ne relise l’entrée avant qu’elle ne devienne une pièce permanente de ce que l’agent pense savoir de vous. Ce choix de conception — et non un produit en particulier — est ce qui mérite qu’on s’y arrête : une mémoire qui s’écrit elle-même, sans point de contrôle, porte en elle une façon de dérailler. Et ce n’est pas un incident isolé. Ça s’accumule.

On retrouve exactement la même question du côté des agents de code qui apprennent seuls de leurs tâches : est-ce que le jugement de l’agent sur ce qu’il a « appris » est vérifié par quelque chose d’extérieur, ou est-ce qu’on lui fait simplement confiance, et qu’on construit par-dessus ?

Comment une supposition fausse devient un schéma de suppositions fausses

Le mécanisme se voit le mieux avec un exemple concret. Eliott, créateur spécialisé dans la gestion des connaissances depuis plusieurs années et auteur d’un livre sur l’organisation de l’information, a détaillé ce mode de défaillance en utilisant Hermes Agent, un agent IA open source développé par NousResearch. Hermes vaut la peine d’être cité ici parce que, à la différence d’un outil comme Claude Code (qui ne fonctionne qu’avec les modèles d’Anthropic), il est agnostique quant au modèle utilisé : on peut le brancher sur différents fournisseurs d’IA, et y accéder via une application de bureau, une interface web ou des messageries comme Telegram, WhatsApp et Discord.

Hermes est livré avec sa propre mémoire intégrée : deux simples fichiers texte, l’un pour les faits concernant l’utilisateur, l’autre pour le contexte général, tous deux réécrits par l’agent lui-même au fil des conversations, plus un journal consultable des sessions passées. D’après le récit d’Eliott, le problème démarre petit. Vous posez à l’agent une question hypothétique, par exemple « que me conseillerais-tu si je me reconvertissais dans le design ? ». L’agent, qui déduit plutôt que de demander confirmation, note que vous êtes en reconversion vers le design, comme si vous l’aviez affirmé comme un fait. Personne ne corrige, parce que rien dans le circuit n’est prévu pour repérer l’erreur. La fois suivante, ce fait inventé est là, dans la mémoire, comme une information établie. L’agent s’y réfère. Il formule de nouvelles suggestions en s’appuyant là-dessus. Et ces nouvelles suggestions sont elles aussi réécrites dans la mémoire, venant maintenant s’empiler sur la supposition initiale, déjà fausse.

C’est là le vrai problème structurel, et il diffère d’un agent qui se contente d’halluciner une fois dans une réponse. Une réponse fausse dans une conversation disparaît quand la conversation se termine. Un fait faux écrit dans une mémoire persistante, lui, ne disparaît pas. Il devient le socle sur lequel l’agent raisonne dans toutes les conversations suivantes, et chaque nouvelle déduction construite sur ce socle n’a aucun mécanisme pour le remettre en question — parce que l’agent traite sa propre mémoire passée comme une vérité établie, et non comme une hypothèse qui n’a jamais été vérifiée.

Page d'accueil de Hermes Agent montrant ses blocs de fonctionnalités, dont mémoire persistante, disponible partout et automatisation ciblée Hermes Agent — l’agent IA open source et agnostique de NousResearch, pris ici comme exemple concret.

Pourquoi une mémoire plus sophistiquée ne règle pas le vrai problème

La réaction naturelle, une fois qu’on remarque que la mémoire native d’un agent est fragile ou sujette à l’erreur, c’est de lui greffer quelque chose de plus élaboré. Hermes le permet directement : sa documentation liste neuf fournisseurs de mémoire externes qu’on peut brancher à la place des fichiers intégrés, ou en complément (la mémoire native reste active dans tous les cas, puisque les deux s’additionnent au lieu de se remplacer). Des fournisseurs comme Mem0 ou Supermemory s’appuient sur la recherche vectorielle, une technique qui stocke l’information sous forme de représentations mathématiques du sens, pour que l’agent puisse ensuite retrouver tout ce qui se rapproche sémantiquement d’une requête, sans avoir besoin du mot-clé exact. C’est la même logique que celle derrière les bases de données vectorielles utilisées plus largement dans les systèmes de recherche documentaire. D’autres, comme Hindsight ou OpenViking, organisent la mémoire en hiérarchie structurée ou en graphe de connaissances : un réseau de liens étiquetés entre des informations, plutôt qu’une simple liste à plat.

Une catégorie plus restreinte, parfois appelée graphe temporel, va encore plus loin : elle relie les faits, les décisions et les préférences par des liens typés (cette préférence contredit celle-là, cette décision découle de ce fait), et attribue à chaque lien un score de pertinence qui s’estompe avec le temps au lieu de rester figé. L’un de ces fournisseurs ferait décroître cette pertinence d’environ un pour cent par jour, par défaut — mais ce chiffre vient de la vidéo d’Eliott et non d’une documentation officielle confirmée, donc à prendre comme un ordre de grandeur, pas comme une donnée exacte.

Voici le point qui compte plus que tous ces détails techniques. Aucune de ces approches ne change qui valide le fait avant qu’il n’entre en mémoire. Une base vectorielle peut stocker une supposition fausse aussi efficacement qu’une juste, et la ressortir avec la même assurance. Un graphe de connaissances peut relier un fait faux à cinq autres faits tout aussi proprement qu’un fait vrai. Un graphe temporel peut laisser une mauvaise supposition s’effacer en douceur sur trois semaines, ce qui est un échec plus élégant que les fichiers plats de Hermes, mais qui repose toujours sur la même déduction jamais vérifiée. Le raffinement du stockage et de la récupération de l’information, c’est un axe complètement différent de la question de savoir si ce qu’on stocke a un jour été vérifié. Améliorer la base de données n’ajoute ni humain, ni aucun autre contrôle, à l’étape où l’agent a décidé que votre question hypothétique était en fait une affirmation.

Ce que la convergence vers le Markdown révèle vraiment, et ce qu’elle ne révèle pas

À peu près à la même période où la vidéo d’Eliott circulait, deux développements ont pointé dans la même direction, et le lien entre les deux mérite d’être posé correctement plutôt que traité comme une coïncidence.

En avril 2026, Andrej Karpathy, cofondateur d’OpenAI qui a rejoint l’équipe de pré-entraînement d’Anthropic le mois suivant, a présenté une idée pour garder le contexte de travail d’une IA à jour : une approche où une IA compile des éléments bruts (notes, documents, transcriptions) dans un wiki Markdown structuré, qui reste à jour dans le temps plutôt que d’être reconstruit à chaque usage, avec un passage périodique de « lint » au cours duquel le LLM vérifie le wiki à la recherche de contradictions, d’affirmations périmées et de pages orphelines. Environ deux mois plus tard, en juin 2026, Google a formalisé une version neutre, utilisable par n’importe quel fournisseur, du même principe : l’Open Knowledge Format, un standard qui permet d’empaqueter les connaissances internes d’une organisation sous forme de simple texte Markdown avec des métadonnées structurées, pour que n’importe quel agent IA puisse le lire directement, sans connecteur propriétaire ni compte dédié.

Aucune de ces deux annonces ne prétend résoudre spécifiquement le problème de la mémoire des agents. On peut lire cette convergence — une idée de contexte Markdown structuré, adoptée assez vite pour qu’une grande plateforme en standardise une version en une dizaine de semaines — comme un signal à prendre au sérieux : un fichier texte relu par un humain, ou volontairement structuré, continue de battre une mémoire opaque et auto-générée, même quand cette dernière devient techniquement plus élaborée. C’est une lecture raisonnable du phénomène. C’est différent de prétendre qu’un test précis aurait démontré que deux fichiers Markdown surpassent neuf fournisseurs de mémoire en comparaison directe — aucune source primaire ne confirme ça.

Article du blog Google Cloud présentant l'Open Knowledge Format, un standard basé sur le Markdown pour le partage de connaissances entre agents IA Open Knowledge Format — la spécification neutre de Google pour empaqueter les connaissances en Markdown lisible par n’importe quel agent IA.

Le détail qui compte le plus ici, et le plus facile à manquer, c’est que la proposition de Karpathy inclut un passage périodique de « lint » qui vérifie l’état du wiki, ce qui la rapproche structurellement d’une mémoire contrôlée plutôt que des fichiers auto-écrits de Hermes. Cette approche aurait reçu quelques critiques dans les semaines suivantes, portant sur le risque que le jugement de l’IA dérive de ce que les utilisateurs voulaient réellement — mais cette critique précise n’a pas pu être confirmée indépendamment, donc à prendre avec prudence plutôt qu’à répéter comme un fait établi.

Ce qui tient la route : du contexte qu’on écrit soi-même, pas une mémoire que l’agent invente

En mettant le mécanisme et cette convergence côte à côte, l’arbitrage devient concret plutôt qu’abstrait. La fiabilité de la mémoire d’un agent est proportionnelle à la place qu’un humain, ou tout autre contrôle extérieur, a eue pour regarder ce qui y entre avant que ça ne devienne permanent. Un fichier qu’on écrit soi-même, ou un wiki vérifié régulièrement, a un frein intégré contre l’accumulation d’erreurs : une entrée fausse reste une entrée fausse isolée, parce que rien en aval n’a été forcé de lui faire confiance comme à une vérité établie. La mémoire auto-écrite d’un agent n’a pas ce frein. Chaque déduction qu’il fait est traitée comme un fait par chaque déduction suivante, et à aucun moment dans cette chaîne, personne n’a été invité à vérifier le premier maillon.

Rien de tout ça ne rend les systèmes de mémoire d’agent inutilisables ou cassés. Pour une personne curieuse qui expérimente un outil comme Hermes sur un projet personnel, une mémoire non supervisée qui dérive occasionnellement est une gêne mineure, facile à corriger en disant simplement à l’agent qu’il a fait une erreur. Pour un usage professionnel dont on dépend vraiment, où une mauvaise supposition qui s’accumule en silence pendant des semaines a un vrai coût, la génération actuelle de mémoire auto-écrite n’est pas encore quelque chose sur quoi s’appuyer sans un moyen de relire ce que l’agent a décidé être vrai à votre sujet.

Carte de décision sur la mémoire persistante des agents IA : laissez la mémoire auto-écrite activée pour les projets personnels à faible enjeu puisqu'une supposition fausse occasionnelle se corrige facilement, mais relisez et corrigez périodiquement les entrées enregistrées si vous dépendez de la mémoire d'un agent pour un usage professionnel ; corrigez un fait déduit immédiatement avant qu'il ne devienne la base de nouvelles déductions ; sachez qu'une base vectorielle, un graphe de connaissances ou un graphe temporel ne changent que le stockage et la récupération, pas la vérification du fait avant son enregistrement ; et préférez un fichier relu par un humain, ou un wiki avec des contrôles « lint » périodiques comme l'approche Markdown de Karpathy, ou l'Open Knowledge Format de Google, plutôt qu'une mémoire que l'agent écrit lui-même sans contrôle.

FAQ

Qu’est-ce que la mémoire persistante d’un agent IA, et en quoi ça diffère d’une fenêtre de contexte plus longue ?

La mémoire persistante d’un agent IA est un système qui lui permet de conserver des informations entre des conversations distinctes, plutôt que de repartir de zéro chaque fois. Une fenêtre de contexte plus longue, elle, ne fait qu’étendre ce que l’agent peut retenir à l’intérieur d’une seule conversation en cours ; la mémoire persistante, elle, survit une fois la conversation terminée et revient dans des conversations entièrement nouvelles.

Pourquoi la mémoire auto-écrite d’un agent se dégrade-t-elle avec le temps ?

La mémoire auto-écrite d’un agent se dégrade parce que c’est l’agent, et non un humain, qui décide ce qui compte comme un fait vérifié digne d’être enregistré. S’il interprète à tort une hypothèse ou une remarque en passant comme une affirmation sur vous, cette supposition est enregistrée comme une information établie, et chaque conversation suivante construit de nouvelles déductions par-dessus, sans que rien ne vérifie jamais la supposition de départ.

Un système de mémoire plus avancé, comme un graphe de connaissances, résout-il ce problème ?

Un graphe de connaissances ou une mémoire vectorielle ne résout pas ce problème à lui seul, parce qu’il change la façon dont l’information est stockée et retrouvée, pas si cette information a été vérifiée avant d’être enregistrée. Une mémoire plus sophistiquée peut stocker, relier et rappeler une entrée fausse tout aussi efficacement qu’une entrée correcte.

Faut-il désactiver la mémoire persistante dans des agents comme Hermes ou ChatGPT ?

Désactiver la mémoire persistante est un choix raisonnable si vous voulez des réponses prévisibles, sans état, et que vous ne voulez pas que l’agent se forme des suppositions sur vous dans le temps. Si vous laissez la mémoire activée, relire périodiquement ce que l’agent a enregistré et corriger les entrées fausses réduit le risque que de petites erreurs s’accumulent en une image déformée.

Un simple fichier Markdown est-il vraiment meilleur qu’une base de données de mémoire dédiée pour les agents IA ?

Un fichier Markdown simple, relu par un humain, n’est pas intrinsèquement plus intelligent qu’une base de données de mémoire dédiée, mais il tient mieux la route en pratique parce que quelqu’un l’a regardé avant qu’il ne devienne la référence de l’agent. L’avantage vient de l’étape de relecture, pas du format du fichier en lui-même.

#ai-agents#agent-memory#llm#knowledge-management#ai-ml