Mémoire & contexte
Mémoire IA vs RAG : ce n’est pas la même chose
Réponse courte
Le RAG sert principalement à retrouver des informations pertinentes dans un corpus. Une mémoire IA sert à conserver et faire évoluer un contexte lié à un utilisateur, un projet ou une organisation. Les deux peuvent utiliser des embeddings ou une base vectorielle, mais une mémoire ajoute généralement temporalité, mise à jour, identité et cycle de vie.

RAG et mémoire IA sont souvent confondus parce qu’ils partagent un geste technique : retrouver de l’information avant de générer une réponse. Pourtant, ils répondent à deux problèmes différents.
Le RAG demande principalement :
Quelle information de mon corpus est pertinente pour cette question ?
Une mémoire demande plutôt :
Qu’est-ce qui reste vrai, utile ou important dans la continuité de cette personne, de ce projet ou de cette organisation ?
Le RAG enrichit une réponse avec des connaissances
Dans un système RAG classique, on dispose d’un corpus : documentation, procédures, contrats, articles, fichiers, tickets. Lorsqu’une question arrive, le système recherche des passages pertinents et les fournit au modèle.
C’est excellent pour :
- répondre à partir d’une base documentaire ;
- citer une procédure ;
- retrouver une information précise ;
- interroger des volumes de texte plus grands que la fenêtre de contexte ;
- limiter les hallucinations en donnant des sources.
Le document existe indépendamment de la personne qui pose la question.
Une mémoire suit un état dans le temps
Une mémoire longue ajoute des problèmes que le RAG seul ne résout pas automatiquement :
- cette information est-elle toujours actuelle ?
- a-t-elle été remplacée ?
- est-elle personnelle ou partagée ?
- s’agit-il d’un fait, d’une préférence, d’une décision ou d’une hypothèse ?
- qui l’a fournie ?
- que s’est-il passé après la décision ?
- doit-elle être oubliée ?
La temporalité devient centrale.
Exemple concret
Votre documentation indique :
Les déploiements ont lieu le vendredi.
Un RAG peut retrouver cette phrase parfaitement.
Mais votre équipe a décidé il y a deux semaines de passer au mardi après plusieurs incidents. Une mémoire correctement maintenue devrait comprendre que la règle du vendredi est désormais historique, ou au minimum signaler la contradiction.
Le problème n’est plus la pertinence du document. C’est la validité actuelle de l’information.
Une base vectorielle n’est ni RAG ni mémoire
Une base vectorielle est un composant de recherche. Elle permet de retrouver des éléments proches sémantiquement d’une requête.
Vous pouvez l’utiliser pour du RAG, pour une mémoire, pour de la recherche de similarité ou pour autre chose.
Confondre base vectorielle et mémoire revient à confondre un index avec l’application qui l’utilise.
Quand combiner RAG et mémoire
Les deux sont souvent complémentaires.
Pour préparer une réponse à un client :
- le RAG peut retrouver le contrat, les procédures et la documentation produit ;
- la mémoire peut retrouver les décisions prises avec ce client, ses contraintes, les incidents précédents et les engagements encore ouverts.
La connaissance générale vient du corpus. La continuité vient de l’historique structuré.
Les risques sont différents
Un mauvais RAG peut retourner un document peu pertinent.
Une mauvaise mémoire peut retourner une information ancienne comme si elle était encore vraie. Ce deuxième risque est souvent plus difficile à repérer parce que la réponse peut sembler parfaitement cohérente.
Une mémoire doit donc être évaluée sur autre chose que le simple taux de retrieval : obsolescence, contradictions, provenance, séparation des espaces et capacité à s’abstenir.
Quel système vous faut-il ?
Si votre problème principal est « mon IA ne connaît pas ma documentation », commencez par du RAG ou une recherche documentaire.
Si votre problème principal est « mon IA oublie ce que nous avons décidé, pourquoi nous l’avons décidé et ce qui a changé depuis », vous avez un problème de mémoire.
Si vous avez les deux, vous aurez probablement besoin des deux.
La question de la validité dans le temps rejoint mémoire IA vs contexte et quand une décision change, que devient l’ancienne ?. Le risque d’un souvenir ancien présenté comme actuel est détaillé dans pourquoi retrouvé ne veut pas dire vrai, et celui d’une ressemblance prise pour un précédent dans quand la recherche sémantique invente un faux précédent. Pour les limites de la récupération à grande échelle, voyez limites du retrieval à grande échelle et le Lab. Pour choisir entre les trois briques, lisez RAG, base vectorielle ou mémoire IA : que choisir ?.
Les limites de cette distinction
Cette frontière n’est pas étanche : un même système peut combiner récupération et gestion d’état, et les produits évoluent. Le vocabulaire n’est pas figé non plus, et certains fournisseurs appellent « mémoire » ce qui est surtout de la récupération. Jugez un outil à ce qu’il fait réellement de la validité, de la provenance et des droits, pas à son étiquette.


