Lab
Faut-il réécrire la mémoire pour les IA ?
Réponse courte
Une mémoire pensée pour une IA doit-elle ressembler à celle que lit un humain ? Nous avons exploré cette question en construisant une représentation expérimentale faite d’affirmations structurées. Elle a mieux servi certains faits précis, mais perdu des liens utiles à la synthèse. Ce contraste a changé notre manière de chercher une amélioration.

L’idée : ne plus dépendre du plan d’un compte rendu
Un compte rendu suit la réunion. La question posée plus tard suit un besoin. Une décision sur un fournisseur peut se trouver entre une discussion de planning et une remarque sur un équipement. Le titre du document ne suffit pas à la retrouver.
L’hypothèse du Lab était de conserver les mémoires humaines et d’en dériver des assertions : de quoi parle-t-on, quelle valeur est affirmée, par qui, à quelle date et avec quel statut ? Chaque assertion devait rester reliée à une citation vérifiable. Cette vue machine était un objet de recherche, pas une nouvelle autorité sur le contenu.
Comparer une architecture à une référence réelle
La première campagne a confronté le code réel de Nawame, des variantes améliorant sa récupération et un espace d’assertions. Le corpus était fictif : six mondes de développement et huit mondes de test, avec environ 265 notes par monde. Deux familles de modèles de réponse ont été utilisées. Le moteur d’embeddings du banc était un substitut de celui de production, une limite importante.
Le candidat principal prévu avant le test n’a pas atteint le critère de réussite. Une variante secondaire a gagné 1,08 point sur un score partiel sur 10, à budget de contexte de 1 200 jetons. Ce résultat demandait deux précautions : le contrôle humain n’entrait pas dans le score, et la sélection parmi plusieurs variantes augmente le risque de retenir un succès fortuit.
Le contrôle qui a changé l’interprétation
En portant le budget à 2 500 jetons, le gain de cette variante tombait à 0,17 point, sans différence statistiquement établie. Un contrôle complémentaire, décidé après l’observation des résultats, a aussi révélé l’effet de la reformulation : sur les mêmes mondes sans paraphrase artificielle, le gain était de 0,36 point.
L’avantage initial ne prouvait donc pas la supériorité générale d’une nouvelle mémoire. Il reflétait largement sa capacité à condenser des notes longues et reformulées. Cette capacité est intéressante, mais elle répond à un problème plus précis que le remplacement d’une architecture.
Retrouver un fait et préparer une passation sont deux tâches : portée et limites
Les assertions aidaient sur les valeurs révisées, les dates d’effet et les raisons d’un changement. Elles se montraient moins bonnes pour les passations rassemblant plusieurs sources. Découper l’information rend certains éléments accessibles tout en affaiblissant les relations qui donnent du sens à un dossier.
Les transformations posaient également une question de confiance : une réécriture pouvait donner à un contenu suspect l’apparence d’une affirmation officielle. Vérifier qu’une citation existe ne suffit pas à garantir que son interprétation est fidèle.
La conséquence : chercher le mécanisme utile
Cette expérience nous a conduits à étudier séparément la granularité, la formulation, la temporalité et la sélection du contexte. Une projection dérivée doit pouvoir être contestée et reconstruite depuis sa source. Elle doit conserver les droits de lecture et suivre les corrections et les suppressions.
Le résultat durable de cette première campagne est une règle de recherche : avant de remplacer la mémoire, identifier la difficulté exacte que la nouvelle représentation résout, puis mesurer ce qu’elle fait perdre. Les décisions et leurs raisons restent le contenu à préserver ; la recherche en plusieurs étapes explore une autre manière de les retrouver.
À lire aussi : Mémoire IA vs contexte : stocker n’est que la moitié du problème et Importer une mémoire sans importer une hallucination.


