IAG et IA du futur
L’IA en 2027 : la mémoire deviendra la prochaine épreuve de l’intelligence artificielle

Points clésLes tests de mémoire jugeront la correction et l'abstention plutôt que le simple rappel…
Voir plus
- Les tests de mémoire jugeront la correction et l'abstention plutôt que le simple rappel de faits.
- La mémoire structurée sélectionnée devrait surpasser l'historique complet non différencié dans des comparaisons contrôlées.
- Les produits d'assistant exposeront la provenance et la portée de ce qu'ils conservent pour les utilisateurs.
Un assistant se souvient que Maya est responsable du projet. Puis Maya le confie à quelqu’un d’autre. Le lendemain, l’assistant lui attribue avec assurance une autre tâche. Il a retenu un fait, mais perdu le fil de la situation. Cet échec mineur illustre un problème bien plus vaste pour l’intelligence artificielle.
La mémoire n’est utile que si un système sait déterminer ce qui s’applique encore, ce qu’il convient de retrouver et ce qu’il faut réviser ou oublier. En 2027, ces décisions mettront davantage ses capacités à l’épreuve que la quantité d’informations qu’un modèle peut conserver.
La mémoire existe déjà sous plusieurs formes. MemGPT a exploré la gestion hiérarchique du contexte. Titans a introduit un module de mémoire neuronale mis à jour au moment du test. Les paramètres de personnalisation de Gemini de Google et les paramètres de mémoire de Copilot de Microsoft décrivent la persistance des informations et les choix associés, tels qu’ils se présentent aux utilisateurs. Il ne faut pas réduire ces mécanismes à une seule capacité : retrouver une information enregistrée, maintenir le contexte et mettre à jour les paramètres appris offrent des possibilités différentes et comportent des modes d’échec distincts.
Les prévisions ci-dessous portent sur les progrès observables dans le cadre de ces mécanismes. Elles ne fixent pas de date d’avènement de l’AGI à partir d’un score de mémoire et ne déduisent pas une conscience de la capacité d’un système à retenir des informations.
1. Les tests de mémoire iront au-delà du simple rappel de faits
Il est facile de se réjouir qu’un système se souvienne de sa réponse de la veille, jusqu’à ce que celle-ci devienne fausse. En 2027, les nouvelles évaluations de la mémoire réuniront dans un même test la correction, l’abstention à bon escient et l’utilisation des expériences passées. Le système devra faire davantage que retrouver une phrase ressemblant à la question. Il devra reconnaître quand le passé est pertinent — et quand s’y fier détériorerait la réponse à apporter dans le présent.
Le raisonnement temporel exige davantage que de trouver la bonne formulation. Un client peut avoir été remboursé, une politique peut être arrivée à expiration ou une exception peut n’avoir concerné qu’un seul cas. L’assistant doit reconstituer la situation qui importe à présent. Pour cela, les évaluations doivent inclure des mises à jour contradictoires, des limites temporelles explicites et des questions auxquelles les informations disponibles ne permettent pas de répondre.
LongMemEval évalue déjà des capacités telles que le raisonnement temporel, la mise à jour des connaissances et l’abstention. Il est donc inexact de présenter toutes les évaluations antérieures de la mémoire comme de simples tests de rappel. LongMemEval-V2, lancé en 2026, élargit la réflexion à l’expérience propre à chaque environnement : les flux de travail, l’évolution des situations et les détails opérationnels récurrents. Ses 451 questions soigneusement sélectionnées illustrent la différence entre se souvenir d’une conversation et devenir utile dans un environnement de travail donné.
LoCoMo constitue un autre point de référence important : il s’appuie sur de longues conversations vérifiées et modifiées par des humains. Sa conception met également en évidence un problème méthodologique : les historiques de conversation générés peuvent présenter une structure plus nette que les dossiers contradictoires et incomplets du travail quotidien. Réussir une évaluation fondée sur ces historiques ne prouve pas que la mémoire sera fiable dans tous les contextes de déploiement.
Je prévois que ces exigences seront davantage évaluées conjointement. Un agent devrait se souvenir qu’un flux de travail a échoué, comprendre pourquoi cette expérience est utile pour une tâche ultérieure et éviter d’appliquer cette leçon lorsque les conditions ne sont plus réunies. Il faut donc tester le lien entre les informations conservées et une décision ultérieure, plutôt que récompenser la reproduction d’une phrase présente quelque part dans le dossier.
À surveiller en 2027
Surveillez les évaluations de la mémoire qui testent le comportement d’un agent après qu’un fait a changé, lorsque les informations disponibles sont incomplètes ou lorsqu’une leçon antérieure devient pertinente pour une nouvelle tâche. La publication des tâches et des méthodes de notation facilitera l’évaluation des progrès. À eux seuls, des scores de rappel plus élevés constitueraient un indice limité de la capacité à maintenir une continuité fiable entre les sessions.
Ce que cela signifie pour les entreprises
Les équipes qui évaluent des assistants à mémoire persistante devraient concevoir des tests à partir des changements qui surviennent dans leur propre activité : politiques révisées, responsables réattribués, préférences devenues caduques et dossiers incomplets. Vérifiez si l’agent adapte son comportement et reconnaît les incertitudes. Ces cas peuvent révéler des faiblesses opérationnelles qu’une démonstration de mémorisation de noms ou de préférences laisserait invisibles.
2. Dans les tests contrôlés, une mémoire sélective surpassera un historique indifférencié
Un historique plus étoffé peut multiplier les risques de confusion. Une consigne obsolète, une anecdote répétée et une observation utile peuvent toutes se disputer l’attention dans un long contexte. Dans les évaluations contrôlées de 2027, je m’attends à ce qu’une mémoire sélective et structurée surpasse nettement un historique complet et indifférencié. Le résultat sera particulièrement intéressant si l’on maintient constants le modèle sous-jacent et les informations disponibles : le gain viendrait alors de l’organisation de l’expérience, et non de l’apport d’un modèle simplement plus puissant.
L’idée est qu’une mémoire utile sélectionne et organise les informations. Elle peut distinguer un fait actuel d’un fait qui ne l’est plus, conserver les éléments qui étayent une décision ou retrouver une leçon sur un flux de travail au moment opportun. La transcription complète rend chaque détail disponible, mais laisse aussi au modèle la tâche de reconstituer la situation pertinente pour chaque nouvelle question.
Cette intuition n’est pas une garantie. Un système de synthèse peut supprimer le seul détail qui sera nécessaire par la suite. Un système de récupération peut ne pas retrouver un événement pertinent. Un processus d’indexation peut considérer une conjecture du modèle comme un fait avéré. Le contexte intégral peut constituer une meilleure référence lorsque la réponse dépend d’un détail subtil écarté par le système chargé de rédiger la mémoire.
Les différentes pistes de conception sont déjà visibles dans l’article LongMemEval, qui examine les choix en matière d’indexation, de récupération et de lecture. La hiérarchie de MemGPT propose une approche antérieure, au niveau du système, pour gérer les informations qui tiennent dans le contexte actif. Il s’agit de contributions à la recherche portant sur des conceptions évaluées. Leur existence ne démontre ni l’avantage de 10 points ni la réplication indépendante exigée par mes prévisions.
Les cas les plus révélateurs concerneront les mises à jour et les contraintes temporelles. Si un client a changé deux fois d’adresse, une réponse correcte peut nécessiter la dernière valeur autorisée ainsi que la date à laquelle elle est entrée en vigueur. Une représentation de l’état soigneusement tenue à jour peut rendre cette distinction explicite. Un historique linéaire peut toujours contenir tous les faits, tout en donnant au modèle davantage d’occasions de sélectionner le mauvais.
Les points à surveiller en 2027
Surveillez les comparaisons qui donnent à la mémoire structurée et au contexte fondé sur l’historique complet accès aux mêmes informations, par l’intermédiaire du même modèle de base. Les résultats les plus solides s’appuieront sur des questions inédites et rendront visibles les coûts de rédaction de la mémoire, ainsi que la précision des réponses. Les gains qui dépendent de la troncature de l’historique de comparaison ou de la sélection des éléments de preuve en connaissant à l’avance la réponse seraient moins convaincants.
Ce que cela signifie pour les entreprises
Évaluez la conception de la mémoire dans le cadre de l’architecture de l’application. Comparez la récupération, les synthèses, l’état structuré et un contexte plus long sur des tâches représentatives, y compris celles qui comportent des corrections et des données contradictoires. Tenez compte du coût de la maintenance de la mémoire et de la correction des erreurs. Une capacité de contexte supérieure peut aider, mais l’équipe doit tout de même vérifier que le système récupère et applique les bonnes informations.
3. Les produits de mémoire montreront les éléments qui justifient ce qu’ils conservent
Un assistant qui se souvient de quelque chose à votre sujet devrait pouvoir indiquer d’où vient cette information et vous permettre de la corriger. Cette attente paraît banale jusqu’à ce qu’une mémoire soit déduite de plusieurs conversations et réutilisée dans différents contextes. En 2027, les principaux produits d’assistance rendront certaines de ces relations plus faciles à examiner. Le progrès concret consistera à proposer une mémoire que l’utilisateur peut interroger, modifier ou supprimer, en comprenant clairement où elle est susceptible d’être utilisée.
Une entrée de mémoire est plus utile lorsque l’utilisateur peut demander d’où elle vient et quelles informations en dépendent. Une préférence exprimée au cours d’une conversation n’a pas le même statut qu’un fait déduit de plusieurs documents. Une déduction erronée devrait pouvoir être corrigée sans que l’utilisateur ait à retrouver toutes les réponses ultérieures qu’elle a pu influencer.
Des commandes importantes existent déjà. La documentation de Microsoft sur la confidentialité distingue les paramètres de mémoire de l’historique des conversations et des autres choix de personnalisation. L’annonce de Google sur les conversations temporaires et la personnalisation décrit les choix concernant l’utilisation des conversations précédentes. L’annonce de Google, en 2026, sur l’importation des conversations et de la mémoire montre également que le contexte persistant devient une fonctionnalité de portabilité. La prévision porte sur une interface de contrôle combinée plus complète, et non sur l’arrivée d’un bouton de suppression.
La provenance doit être suffisamment précise pour pouvoir être examinée. La mention « d’après votre historique » désigne une catégorie de données, et non les éléments à l’appui d’une affirmation particulière. Un lien vers une source ou un relevé daté peut permettre à l’utilisateur de distinguer une consigne explicite d’une interprétation. Une indication sur la portée peut préciser si la mémoire s’applique aux conversations futures, à un espace de travail particulier ou aux actions effectuées au moyen d’outils connectés.
La suppression exige une formulation tout aussi rigoureuse. Retirer une entrée de la mémoire active d’un produit ne revient pas automatiquement à supprimer la conversation d’origine, à purger les sauvegardes ou à faire oublier l’information aux poids du modèle. Le produit devrait expliquer l’opération qu’il effectue réellement. Ma prévision suppose des commandes et une documentation vérifiables, et non la promesse d’un effacement parfait de toutes les couches de stockage.
Les progrès attendus répondent à des raisons pratiques autant qu’éthiques. Un assistant ne peut pas devenir un collaborateur fiable sur le long terme si son utilisateur ne peut pas corriger l’état sur lequel il s’appuie pour agir. Les corrections font partie de l’utilisation du système. Une interface soignée qui affiche les souvenirs sans expliquer leur origine ni leur utilisation ultérieure ne répondrait qu’à une partie de ce besoin.
Les points à surveiller en 2027
Surveillez les interfaces de mémoire qui relient une entrée conservée à une source consultable, permettent sa correction ou sa suppression et expliquent où l’information est susceptible d’être réutilisée. Ces fonctionnalités devraient être disponibles ensemble pour chaque entrée. Un résumé général de la mémoire ou une commande de suppression de l’historique complet laisserait sans réponse des questions importantes sur la provenance et la portée.
Ce que cela signifie pour les entreprises
Avant de déployer des assistants persistants, déterminez comment les employés peuvent consulter et corriger les informations conservées par le système. Demandez aux fournisseurs de distinguer la mémoire active, les conversations d’origine et les autres données conservées, et de préciser la portée de chaque mécanisme de contrôle. Leurs réponses aideront l’entreprise à attribuer la responsabilité du maintien d’un contexte exact, à mesure que les personnes, les projets et les relations de travail évoluent.
4. L’apprentissage continu progressera de façon limitée sous contrainte de rétention
Apprendre quelque chose de nouveau ne devrait pas effacer discrètement quelque chose d’utile. C’est le difficile compromis que supposent les mises à jour persistantes des paramètres et la mémoire neuronale. Je m’attends à des progrès limités en 2027 pour les modèles de grande envergure : des gains nets en matière de nouvelles connaissances, tandis que les performances aux évaluations établies restent largement intactes. Un tel résultat serait intéressant précisément parce qu’il respecterait cette contrainte. Supprimer les anciens tests rendrait les progrès plus faciles à revendiquer, mais bien moins significatifs.
Cette affirmation est plus limitée que celle selon laquelle un système pourrait apprendre indéfiniment toutes les tâches. La mise à jour d’un modèle à partir de nouvelles expériences peut nuire à ses capacités existantes. Pour être convaincant, un résultat doit mesurer à la fois l’acquisition et la rétention au fil de mises à jour répétées, tout en rendant visible la puissance de calcul nécessaire à ces mises à jour.
L’article sur Titans étudie la mémoire neuronale à long terme et la mémorisation au moment du test. MIRAS présente une famille de modèles séquentiels à travers différents choix concernant la mémoire associative, les objectifs d’apprentissage, la rétention et l’optimisation. L’explication de la recherche de Google précise que ces travaux portent sur des architectures et des mécanismes de mémoire particuliers. Ils ne doivent pas être présentés comme la preuve que chaque modèle de langage déployé modifie continuellement ses connaissances fondamentales.
L’annonce plus récente d’un cadre de consolidation inspiré du sommeil, publiée le 27 octobre 2026, décrit une alternance entre traitement actif et consolidation hors ligne dans des composants de mémoire préalloués. Elle présente une approche de recherche visant à acquérir des informations tout en atténuant l’oubli. Le nom est une analogie informatique ; le cadre repose sur une architecture fixe et des règles de mise à jour définies.
Ces pistes rendent la prévision plausible, mais les données restent préliminaires et fortement tributaires du protocole expérimental. Un système peut sembler apprendre parce que les questions de l’évaluation ressemblent aux exemples utilisés pour sa mise à jour. Il peut maintenir un score moyen tout en perdant une capacité limitée, mais importante. Il peut aussi consacrer tellement de puissance de calcul supplémentaire à la consolidation de son expérience que les gains deviennent peu intéressants pour un déploiement réel. Une réplication indépendante et la présentation séparée des performances sur les anciennes et les nouvelles tâches sont essentielles.
Que surveiller en 2027
Suivez les expériences reproductibles de manière indépendante qui rendent compte séparément des nouveaux apprentissages et des capacités préservées au fil de mises à jour répétées. Les coûts de calcul, les vérifications de contamination et les performances sur les anciennes tâches seront des éléments essentiels à prendre en compte. Des progrès sur les contenus nouvellement enseignés qui s’accompagnent de pertes dans d’autres domaines montreraient que le compromis entre acquisition et rétention reste considérable, même si le score d’apprentissage mis en avant augmente.
Ce que cela signifie pour les entreprises
Les équipes de R&D et les fournisseurs de modèles devraient distinguer un mécanisme d’apprentissage prometteur d’un processus de mise à jour prêt à être déployé. Tout projet pilote doit prévoir des tests de régression, des données de mise à jour contrôlées, un suivi des versions et un moyen de revenir à un état antérieur. Les projets de produits devraient reposer sur des résultats démontrés en matière d’acquisition, de rétention et de coûts d’exploitation, plutôt que sur l’hypothèse qu’une adaptation continue fonctionnera de manière fiable pour toutes les tâches des clients.
Le bon indicateur, c’est la continuité dans le changement
Un système de mémoire utile doit être assez sélectif pour ne pas se noyer sous les expériences et assez révisable pour s’adapter à un monde en évolution. Ses erreurs sembleront souvent banales : une ancienne préférence, le mauvais responsable, une exception mémorisée appliquée trop largement. Ces échecs sont révélateurs. Ils montrent si un assistant sait transformer l’historique des interactions en jugement pertinent pour la prochaine.












