Aller au contenu
Le JournalAgents IA

Agents IA · Mémoire · Recherche

Comment une IA retient un savoir de métier : ce que dit la science de la mémoire

Thomas Van Dorsselaere ~7 min
Deux tiroirs de fichier : dans l’un, des feuilles en vrac ; dans l’autre, des fiches rangées avec leurs intercalaires, dont un onglet orange
Des feuilles en vrac, des fiches rangées

Fiches produit, notices, réponses déjà envoyées aux clients : tout cela peut être donné à un modèle d’IA, et la façon dont c’est rangé change ce qu’il en fait. Les neurosciences étudient depuis longtemps comment un cerveau retient. La recherche en IA s’en inspire, et elle a beaucoup mesuré depuis deux ans. Voici ce qui en ressort, en sept points.

01Le cerveau range à part les souvenirs et les règles

Une théorie connue des neurosciences, celle des systèmes d’apprentissage complémentaires (McClelland, McNaughton et O’Reilly, 1995), décrit deux mémoires. L’hippocampe retient vite chaque épisode : telle conversation, tel incident. Le néocortex en tire lentement des règles générales, sans effacer ce qui était déjà acquis. Cette théorie s’appuie sur une observation clinique établie : une lésion de l’hippocampe efface les souvenirs récents et épargne les anciens. Le rôle exact de l’hippocampe sur le long terme reste discuté entre chercheurs.

Une expérience publiée dans Science en 2007 (Tse et al.) montre l’intérêt d’une structure. Des rats apprennent en six semaines six associations entre une saveur et un endroit. Une fois cette structure acquise, ils apprennent une association nouvelle en un seul essai et s’en souviennent au moins deux semaines. Dans une arène où les associations sont réarrangées toutes les deux séances, cet apprentissage rapide échoue.

Pour une IA, cela se traduit par deux étages : les exemples passés, gardés tels quels, et les règles qu’on en tire, écrites à part. Ce n’est qu’une analogie : un outil d’IA n’est pas un cerveau.

02Les morceaux de documents perdent leur contexte

La méthode la plus répandue pour brancher une IA sur des documents s’appelle la génération augmentée par recherche (RAG). Les documents sont découpés en morceaux ; à chaque question, l’outil retrouve les morceaux les plus proches et les donne au modèle. Un morceau isolé ne dit pas toujours à quel produit, à quelle version ou à quel cas il s’applique.

Anthropic a publié en 2024 une mesure de ce que coûte ce découpage, sur les vingt premiers morceaux retrouvés : ajouter à chaque morceau une phrase qui le situe dans son document réduit de 35 % les recherches qui ratent le bon passage ; en ajoutant une recherche par mots-clés et un second tri des résultats, la baisse atteint 67 %. Il s’agit d’un billet d’entreprise, non relu par d’autres chercheurs.

03Trop de texte dégrade la réponse

Donner tout à lire au modèle a ses limites. Une étude publiée en 2024 (« Lost in the Middle », Liu et al.) montre que les modèles de l’époque utilisaient mal ce qui se trouve au milieu d’un long texte : avec 20 à 30 documents, le résultat de GPT-3.5 pouvait tomber sous celui obtenu sans aucun document. En 2025, l’étude NoLiMa (conférence ICML) a testé 13 modèles annoncés pour des textes très longs : 11 tombent sous la moitié de leur score sur texte court quand le texte atteint 32 000 jetons (l’unité de texte des modèles). D’où l’intérêt de ne donner au modèle que la partie utile à la question.

04Une information périmée peut faire plus de dégâts qu’une information hors sujet

Une étude acceptée à un atelier de la conférence NeurIPS 2026, sur deux modèles de taille moyenne, a remplacé, dans le texte donné au modèle, une phrase sans rapport avec la question par l’ancienne version d’un fait. Sur un modèle, la justesse est passée de 100 % à 44,6 % ; sur un modèle plus récent, de 100 % à 87,8 %. Dans la même étude, donner au modèle huit fois plus de texte retrouvé (512 jetons au lieu de 64) a fait baisser le résultat de 69 % à 58 %. C’est un premier travail, à confirmer.

Côté cerveau, une revue publiée dans Neuron en 2017 (Richards et Frankland) soutient que l’oubli sert à décider : il retire l’influence des informations dépassées et évite de trop coller à des cas particuliers. Pour un outil d’IA, l’équivalent est de dater chaque règle et de retirer l’ancienne version quand une nouvelle la remplace, plutôt que de les laisser côte à côte.

05Une mémoire qui résume ne bat pas toujours une recherche simple

Plusieurs logiciels proposent une mémoire automatique pour les agents IA : ils extraient des faits des conversations et les résument. Une prépublication d’octobre 2026 (« Naive RAG Is Stronger Than We Thought ») trouve qu’une recherche simple dans les textes d’origine arrive première dans six réglages sur sept, sur quatre bancs d’essai, avec des écarts de 0,13 à 5,53 points. Explication des auteurs : résumer fait perdre des morceaux d’information.

Ces logiciels sont surtout faits pour retenir les préférences d’un utilisateur au fil des conversations. Le savoir d’un métier demande autre chose : des règles exactes, avec leur date et leur source.

06Corriger par petites touches, pas tout réécrire

Un outil d’IA qui s’améliore avec l’usage doit corriger ses consignes. Une équipe de Stanford et de SambaNova (ACE, conférence ICLR 2026) fait deux constats. Quand le modèle réécrit tout son contexte à chaque étape, celui-ci peut s’effondrer : dans un cas publié, il est passé de 18 282 jetons à 122 en une étape, avec un résultat tombé sous le niveau de départ. Leur méthode, qui ajoute, précise ou retire une règle à la fois, améliore les résultats en moyenne de 10,6 % sur des tâches d’agent et de 8,6 % sur des tâches de finance, face à des méthodes de référence.

Pour les erreurs, une étude de Google (ReasoningBank, ICLR 2026) va dans le même sens : des échecs transformés en leçons générales améliorent l’agent ; versés tels quels dans la mémoire d’une autre méthode, ils la font baisser.

07Citer sa source et savoir dire « je ne sais pas »

En psychologie, la mémoire de la source (Johnson et al., 1993) désigne le fait de se rappeler d’où vient une information ; c’est un jugement, qui peut se tromper. Les outils d’IA connaissent un problème voisin : en 2023, un audit de quatre moteurs de recherche à réponse générée a trouvé que seulement 51,5 % de leurs phrases étaient entièrement appuyées par les sources qu’ils citaient.

Savoir s’abstenir reste un problème ouvert pour un modèle seul, selon une synthèse publiée en 2025 dans la revue TACL. Mieux vaut donc prévoir ce qui se passe quand l’information manque : une question posée, ou la relecture par une personne.

Six questions à poser à un outil d’IA branché sur un savoir de métier

  1. Les règles sont-elles écrites à part des documents, ou l’outil se contente-t-il de retrouver des morceaux ?
  2. D’où vient chaque information donnée dans une réponse, et peut-on remonter à la source ?
  3. Que se passe-t-il quand une règle change : l’ancienne version disparaît-elle ?
  4. Les contradictions entre documents sont-elles repérées et tranchées ?
  5. Que fait l’outil quand il ne sait pas ?
  6. A-t-il été mesuré sur des cas qu’il n’avait jamais vus ?

Ces études mesurent surtout l’effet du rangement d’un savoir, de sa date et de ses corrections.

Sources

  • McClelland, McNaughton, O’Reilly, « Why there are complementary learning systems in the hippocampus and neocortex », Psychological Review, 1995.
  • Tse et al., « Schemas and memory consolidation », Science 316, 2007.
  • Richards, Frankland, « The Persistence and Transience of Memory », Neuron 94, 2017.
  • Johnson, Hashtroudi, Lindsay, « Source monitoring », Psychological Bulletin, 1993.
  • Anthropic, « Introducing Contextual Retrieval », 2024.
  • Liu et al., « Lost in the Middle: How Language Models Use Long Contexts », TACL, 2024.
  • Modarressi et al., « NoLiMa: Long-Context Evaluation Beyond Literal Matching », ICML 2025, arXiv 2502.05167.
  • Poikarayil et al., « When Retrieval Is Not Enough: Obsolete Facts in Agent Memory », atelier NeurIPS 2026, arXiv 2610.36308.
  • Bao et al., « Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought », arXiv 2610.30755, 2026.
  • Zhang et al., « Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models », ICLR 2026, arXiv 2510.04618.
  • Ouyang et al., « ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory », ICLR 2026, arXiv 2509.25140.
  • Liu, Zhang, Liang, « Evaluating Verifiability in Generative Search Engines », Findings of EMNLP 2023.
  • Wen et al., « Know Your Limits: A Survey of Abstention in Large Language Models », TACL, 2025.