Mémoire & contexte
Le vrai test d’une mémoire IA commence quand elle se trompe
Réponse courte
Une mémoire fiable doit être corrigeable. Une erreur, une décision obsolète ou une information importée ne doivent pas rester silencieusement actives dans les réponses futures.

Une mémoire parfaite n’existe pas.
Une personne se trompe. Un document contient une vieille information. Une IA résume mal. Une décision change. Un import récupère quelque chose qui n’aurait jamais dû devenir une référence.
Le test intéressant commence donc après l’erreur.
Une mémoire ne doit pas fossiliser son premier état
Imaginez qu’une décision soit mémorisée en janvier.
En mars, les conditions changent et vous prenez une nouvelle direction.
Une mémoire naïve peut maintenant contenir deux phrases contradictoires et laisser l’IA choisir celle qui ressemble le plus à la question.
Une mémoire plus utile doit comprendre qu’il existe une trajectoire.
L’ancienne décision reste intéressante pour comprendre le passé.
La nouvelle devient celle qu’il faut utiliser pour parler du présent.
Corriger n’est pas effacer
Parfois une information était simplement fausse.
Elle doit pouvoir être corrigée.
Mais effacer tout l’historique peut aussi supprimer une information utile : pourquoi l’erreur a existé, à quel moment elle a été corrigée et ce qu’elle avait influencé.
C’est pour cela que la maintenance d’une mémoire compte autant que sa création.
Une information importée doit rester corrigeable
Importer une ancienne mémoire est pratique.
C’est aussi un moment où une erreur peut changer de statut sans qu’on s’en rende compte.
Une phrase produite autrefois par une IA peut se retrouver dans un nouveau système avec une apparence de fait.
L’import doit donc préserver la provenance et la possibilité de correction.
« Importé » ne veut pas dire « vérifié ».
Oublier fait partie de la qualité
Certaines informations ne sont pas seulement obsolètes.
Elles ne devraient plus être là.
La capacité à oublier ou retirer une information est donc une fonction de qualité, pas une anomalie.
Une mémoire que l’on ne peut pas nettoyer devient progressivement plus difficile à croire.
Un exemple concret
Un client demande une livraison en 10 jours. En mars, vous décidez de passer à 15 jours pour absorber un nouveau fournisseur. Si seule la phrase de janvier est retrouvée, l’IA promet 10 jours. Si les deux sont retrouvées sans statut, elle hésite.
Si la nouvelle est marquée comme actuelle et l’ancienne comme remplacée, elle répond 15 jours, et peut expliquer pourquoi cela a changé.
Ce qui compte dans la réponse suivante
La vraie question est simple :
Après la correction, la prochaine réponse utilise-t-elle le bon contexte ?
C’est là que la valeur devient visible.
Une mémoire utile ne se contente pas d’enregistrer des corrections dans un historique technique. Elle doit permettre à l’IA de raisonner à partir de l’état actuel tout en gardant le passé disponible lorsque ce passé devient pertinent.
Le cas d’une décision remplacée est détaillé dans quand une décision change, que devient l’ancienne ?. Pour repérer ce qui n’est plus valable, voyez comment savoir qu’un souvenir est devenu obsolète, et pour les informations importées, importer une mémoire sans importer une hallucination. Nous mesurons aussi ces erreurs dans le Lab : lisez comment nous mesurons les erreurs de mémoire.
Les limites de la correction
Corriger suppose de remarquer l’erreur. Une mémoire ne détecte pas toute seule ce que personne n’a signalé, et une correction mal faite peut en créer une autre. Garder l’historique aide à revenir en arrière, il ne garantit pas que la dernière version soit juste.


