Imaginez un agent IA g\u00e9rant un processus d’approvisionnement complexe : il fonctionne depuis trois jours, coordonne les fournisseurs, valide les clauses contractuelles et suit les cha\u00eenes d’approbation \u00e0 travers une douzaine de syst\u00e8mes. Au quatri\u00e8me jour, il doit se r\u00e9f\u00e9rer \u00e0 une d\u00e9cision prise le premier jour. Il y a un probl\u00e8me. Le contexte d’origine a disparu \u2014 \u00e9vinc\u00e9 de la m\u00e9moire de travail du mod\u00e8le, inaccessible \u00e0 la r\u00e9cup\u00e9ration, pratiquement oubli\u00e9. L’agent ne sait pas ce qu’il ne sait pas. Il continue quand m\u00eame, et la d\u00e9cision qu’il prend est incoh\u00e9rente avec celle qu’il avait prise trois jours auparavant.<\/p>\n\n\n\n
Ce n’est pas un cas marginal. C’est le d\u00e9fi d’ing\u00e9nierie fondamental pour toute organisation qui d\u00e9ploie des agents IA dans des flux de travail m\u00e9tier sur plusieurs jours et plusieurs \u00e9tapes \u2014 et il est bien moins visible dans les d\u00e9monstrations que dans les environnements de production.<\/p>\n\n\n\n
Chaque Grand Mod\u00e8le de Langage (LLM) \u2014 le socle IA des syst\u00e8mes agentiques \u2014 op\u00e8re dans une fen\u00eatre de contexte : la quantit\u00e9 maximale de texte qu’il peut conserver en \u00ab m\u00e9moire de travail \u00bb active lors d’un seul appel d’inf\u00e9rence. Les mod\u00e8les fronti\u00e8res modernes affichent des fen\u00eatres de contexte allant de 128 000 \u00e0 plus d’un million de tokens (soit environ 100 000 \u00e0 750 000 mots). Ces chiffres semblent immenses. En pratique, les agents m\u00e9tier \u00e0 long terme peuvent \u00e9puiser le budget de contexte utile plus vite que pr\u00e9vu, et les co\u00fbts, la latence et les risques de qualit\u00e9 li\u00e9s au remplissage de tr\u00e8s grandes fen\u00eatres augmentent de fa\u00e7on non lin\u00e9aire, plut\u00f4t que de dispara\u00eetre simplement avec l’\u00e9largissement des fen\u00eatres.<\/p>\n\n\n\n
Les chiffres sont indicatifs, mais n’ont pas tous la m\u00eame solidit\u00e9. Les analyses sectorielles et les retours de praticiens pointent de plus en plus vers la d\u00e9rive de contexte, la r\u00e9cup\u00e9ration de donn\u00e9es obsol\u00e8tes et la perte de m\u00e9moire comme causes r\u00e9currentes d’\u00e9chec des agents dans les raisonnements multi-\u00e9tapes \u2014 mais le chiffre souvent cit\u00e9 d’environ 65 % appara\u00eet dans des analyses secondaires ou vendeurs et doit \u00eatre interpr\u00e9t\u00e9 comme une tendance plut\u00f4t que comme un r\u00e9f\u00e9rentiel neutre. Sur les appareils de p\u00e9riph\u00e9rie faisant tourner des syst\u00e8mes multi-agents, la contrainte se manifeste encore plus t\u00f4t : avec 8 000 tokens de contexte par agent en pr\u00e9cision standard, un flux de 10 agents sur mat\u00e9riel Apple M4 Pro ne peut accueillir simultan\u00e9ment que 3 agents avant que l’\u00e9viction du cache ne force une recomputation co\u00fbteuse \u2014 15,7 secondes par agent pour un re-pr\u00e9fill complet \u00e0 4 000 tokens de contexte (Shkolnikov, arXiv 2026).<\/p>\n\n\n\n
Le probl\u00e8me profond n’est pas la capacit\u00e9 brute. C’est la discipline d’information. La litt\u00e9rature des praticiens et les recherches r\u00e9centes encadrent de plus en plus le probl\u00e8me de contexte comme un probl\u00e8me d’ing\u00e9nierie du contexte : les mod\u00e8les modernes peuvent traiter de tr\u00e8s grandes entr\u00e9es, mais la performance d\u00e9pend de la s\u00e9lection, de la structuration, de l’\u00e9lagage, de la r\u00e9sum\u00e9 et de l’isolation des informations utilis\u00e9es pour le raisonnement. Ce qui entre dans la fen\u00eatre, quand, et comment c’est compress\u00e9 ou \u00e9vinc\u00e9 : ce sont des d\u00e9cisions de conception, pas des r\u00e9glages par d\u00e9faut. La plupart des d\u00e9ploiements d’entreprise les traitent comme des r\u00e9flexions apr\u00e8s coup.<\/p>\n\n\n\n
La litt\u00e9rature sur la m\u00e9moire des agents et les frameworks agentiques actuels distinguent g\u00e9n\u00e9ralement quatre cat\u00e9gories de m\u00e9moire, chacune avec des exigences de stockage et des modes d’\u00e9chec distincts :<\/p>\n\n\n\n
Le service client est l’un des cas d’usage d’agents les plus couramment rapport\u00e9s : l’enqu\u00eate State of Agent Engineering de LangChain a identifi\u00e9 le service client comme le principal cas d’usage parmi les r\u00e9pondants, \u00e0 26,5 %, suivi de pr\u00e8s par la recherche et l’analyse de donn\u00e9es. Il illustre pourquoi les quatre types sont importants : l’agent doit se souvenir de l’historique de ce client (\u00e9pisodique), comprendre les faits produit (s\u00e9mantique), savoir g\u00e9rer une escalade (proc\u00e9dural) et suivre la conversation en cours (en contexte) \u2014 simultan\u00e9ment, sur potentiellement des jours d’interaction.<\/p>\n\n\n\n
Le mode d’\u00e9chec lorsqu’une couche manque n’est pas une erreur propre. L’agent produit silencieusement des sorties incoh\u00e9rentes ou obsol\u00e8tes, souvent sans signaler la lacune. C’est l\u00e0 que la plupart des d\u00e9ploiements \u00e0 long terme \u00e9chouent.<\/p>\n\n\n\n
Parmi les quatre types de m\u00e9moire, la m\u00e9moire \u00e9pisodique reste l’un des domaines d’ing\u00e9nierie les moins \u00e9tablis pour les agents \u00e0 long horizon \u2014 et l’un des plus importants pour les t\u00e2ches de longue dur\u00e9e. Un article de position 2025 de Pink et al. (arXiv 2025) le formule directement : \u00ab La m\u00e9moire \u00e9pisodique est la pi\u00e8ce manquante pour les agents LLM \u00e0 long terme. \u00bb L’argument s’appuie sur les sciences cognitives : la m\u00e9moire \u00e9pisodique soutient l’apprentissage en une seule fois de contextes sp\u00e9cifiques \u00e0 des instances, permettant aux agents de raisonner \u00e0 partir d’\u00e9v\u00e9nements pass\u00e9s sp\u00e9cifiques plut\u00f4t que de les fondre dans des repr\u00e9sentations s\u00e9mantiques g\u00e9n\u00e9ralis\u00e9es qui perdent les d\u00e9tails temporels et causaux critiques.<\/p>\n\n\n\n
Le manque de recherche se manifeste dans les \u00e9checs de production. Les approches courantes actuelles \u2014 injection compl\u00e8te de l’historique de conversation, r\u00e9sum\u00e9, ou r\u00e9cup\u00e9ration par embedding s\u00e9mantique \u2014 sacrifient toutes quelque chose dont l’agent a besoin. L’injection compl\u00e8te de l’historique consomme le budget de contexte. Le r\u00e9sum\u00e9 d\u00e9truit les cha\u00eenes causales pr\u00e9cises. La r\u00e9cup\u00e9ration par embedding perd l’ordre temporel et le contexte nuanc\u00e9.<\/p>\n\n\n\n
Des architectures plus r\u00e9centes comme EM-LLM (Fountas et al., arXiv 2024), E-mem (Wang et al., arXiv 2026) et CraniMem (Mody et al., arXiv 2026) s’attaquent directement \u00e0 ce probl\u00e8me : segmentation bas\u00e9e sur les \u00e9v\u00e9nements, r\u00e9tention conditionn\u00e9e par les objectifs, et consolidation multi-\u00e9tapes qui refl\u00e8te la fa\u00e7on dont la m\u00e9moire biologique convertit l’exp\u00e9rience \u00e0 court terme en stockage durable \u00e0 long terme sans d\u00e9truire l’\u00e9pisode d’origine. Ce sont des prototypes de recherche et des primitives de conception pr\u00e9coces, pas encore des standards d’entreprise matures ; la plupart des \u00e9quipes en production s’appuient encore sur des combinaisons plus simples d’historique de conversation, de r\u00e9sum\u00e9s, de r\u00e9cup\u00e9ration vectorielle et de magasins d’\u00e9tat externes.<\/p>\n\n\n\n
M\u00eame lorsque la m\u00e9moire est correctement stock\u00e9e, la r\u00e9cup\u00e9rer au moment de l’ex\u00e9cution introduit une deuxi\u00e8me classe de probl\u00e8mes d’ing\u00e9nierie. Un agent qui doit parcourir des milliers d’enregistrements d’interactions pass\u00e9es pour r\u00e9pondre \u00e0 \u00ab quelle d\u00e9cision avons-nous prise concernant le fournisseur X au T4 ? \u00bb fait face \u00e0 une latence de r\u00e9cup\u00e9ration qui se cumule \u00e0 chaque \u00e9tape d’un long flux de travail.<\/p>\n\n\n\n
La recherche AMV-L (Adaptive Memory Value Lifecycle) (Bamidele, arXiv 2026) identifie le probl\u00e8me central : les politiques de r\u00e9tention bas\u00e9es sur l’\u00e2ge (TTL \u2014 dur\u00e9e de vie) limitent la dur\u00e9e de vie des \u00e9l\u00e9ments mais pas l’empreinte computationnelle. \u00c0 mesure que les \u00e9l\u00e9ments conserv\u00e9s s’accumulent, les ensembles de candidats \u00e0 la r\u00e9cup\u00e9ration et les analyses de similarit\u00e9 vectorielle croissent de mani\u00e8re impr\u00e9visible, \u00ab g\u00e9n\u00e9rant une latence \u00e0 queue lourde et un d\u00e9bit instable \u00bb. Un agent qui respecte les SLA en semaine un peut d\u00e9passer les temps de r\u00e9ponse acceptables en semaine huit, non pas parce qu’il traite plus de requ\u00eates, mais parce que son magasin de m\u00e9moire a grossi.<\/p>\n\n\n\n
La r\u00e9ponse \u00e9prouv\u00e9e en production est la m\u00e9moire en couches avec gestion active du cycle de vie \u2014 m\u00e9moire chaude pour les \u00e9l\u00e9ments r\u00e9cents \u00e0 haute pertinence, stockage ti\u00e8de pour les r\u00e9sum\u00e9s compress\u00e9s, archives froides pour la r\u00e9tention de conformit\u00e9. Memori (Borro et al., arXiv 2026) d\u00e9montre une approche : traiter la m\u00e9moire comme un probl\u00e8me de structuration de donn\u00e9es plut\u00f4t que comme un probl\u00e8me de remplissage de contexte, utiliser des pipelines d’augmentation structur\u00e9s qui r\u00e9duisent la redondance tout en pr\u00e9servant le contexte de raisonnement, et r\u00e9duire substantiellement les co\u00fbts d’inf\u00e9rence par rapport \u00e0 l’injection brute de conversation.<\/p>\n\n\n\n
La m\u00e9moire des agents \u00e0 long terme cr\u00e9e une surface de conformit\u00e9 que la plupart des \u00e9quipes d’entreprise d\u00e9couvrent trop tard. Deux exigences entrent directement en collision.<\/p>\n\n\n\n
L’article 17 du RGPD sur le droit \u00e0 l’effacement peut exiger la suppression des donn\u00e9es personnelles lorsque les conditions l\u00e9gales sont remplies. Le R\u00e8glement europ\u00e9en sur l’IA, qui s’applique progressivement et est largement applicable \u00e0 partir d’ao\u00fbt 2026 avec d’importantes exceptions et des dates ult\u00e9rieures pour certaines cat\u00e9gories \u00e0 haut risque, cr\u00e9e des obligations distinctes en mati\u00e8re de documentation technique, de journalisation, de surveillance et de tenue de registres pour les syst\u00e8mes d’IA \u00e0 haut risque. Le raccourci courant selon lequel le R\u00e8glement exige des \u00ab pistes d’audit de 10 ans \u00bb est impr\u00e9cis : la documentation technique peut devoir \u00eatre conserv\u00e9e 10 ans, tandis que les journaux g\u00e9n\u00e9r\u00e9s automatiquement pour les syst\u00e8mes \u00e0 haut risque ont g\u00e9n\u00e9ralement une p\u00e9riode de r\u00e9tention minimale de six mois, sauf si d’autres lois de l’Union ou nationales l’exigent autrement. Un agent g\u00e9rant des d\u00e9cisions financi\u00e8res, des processus RH ou la coordination des soins de sant\u00e9 peut donc faire face \u00e0 des obligations chevauchantes de suppression, de documentation et de preuve.<\/p>\n\n\n\n
Ce ne sont pas des cas marginaux \u00e0 l’\u00e9chelle de l’entreprise. Ils n\u00e9cessitent des d\u00e9cisions d’architecture m\u00e9moire prises avant le d\u00e9ploiement, pas adapt\u00e9es apr\u00e8s : s\u00e9parer les enregistrements \u00e9pisodiques portant des donn\u00e9es personnelles des journaux de d\u00e9cisions anonymis\u00e9s, maintenir des traces d’action auditables ind\u00e9pendantes de la m\u00e9moire conversationnelle qui pourrait devoir \u00eatre purg\u00e9e, et v\u00e9rifier que la suppression de m\u00e9moire ne laisse pas d’\u00e9tat incoh\u00e9rent dans la couche s\u00e9mantique de l’agent.<\/p>\n\n\n\n
La recherche sur la s\u00e9curit\u00e9 des Zombie Agents (Yang et al., arXiv 2026) ajoute une autre dimension : la m\u00e9moire persistante des agents entre les sessions cr\u00e9e une surface d’attaque nouvelle. Un contenu non fiable observ\u00e9 lors d’une session b\u00e9nigne peut \u00eatre stock\u00e9 comme m\u00e9moire et trait\u00e9 ult\u00e9rieurement comme instruction \u2014 une \u00ab injection persistante \u00bb qui survit aux limites de session. La gouvernance de ce qui entre dans la m\u00e9moire \u00e0 long terme est aussi importante que la gouvernance de ce que l’agent en fait.<\/p>\n\n\n\n
Les d\u00e9fis d’ing\u00e9nierie des agents m\u00e9tier \u00e0 long terme ne concernent pas principalement l’intelligence. Les capacit\u00e9s seules du mod\u00e8le ne sont pas suffisantes. Les probl\u00e8mes difficiles sont l’architecture m\u00e9moire, la latence de r\u00e9cup\u00e9ration, la coh\u00e9rence d’\u00e9tat dans les flux de travail multi-jours, et les obligations de conformit\u00e9 que cr\u00e9e la m\u00e9moire persistante.<\/p>\n\n\n\n
Les organisations d\u00e9ployant des agents IA dans des processus m\u00e9tier soutenus travaillent, dans la plupart des cas, avec des syst\u00e8mes de m\u00e9moire con\u00e7us pour des interactions en session unique. L’\u00e9cart entre ce que ces syst\u00e8mes peuvent g\u00e9rer et ce que les flux de travail d’entreprise multi-jours exigent n’est pas un probl\u00e8me de feuille de route fournisseur \u2014 c’est un probl\u00e8me de conception, qui n\u00e9cessite des d\u00e9cisions architecturales intentionnelles sur le stockage \u00e9pisodique, la gestion du cycle de vie et la s\u00e9paration de conformit\u00e9 avant que le premier flux de production ne soit lanc\u00e9.<\/p>\n\n\n\n
\u00c0 mesure que les d\u00e9ploiements d’agents \u00e0 long horizon passent des pilotes \u00e0 la production, l’architecture m\u00e9moire \u00e9mergera comme le principal diff\u00e9renciateur d’ing\u00e9nierie entre les syst\u00e8mes qui tiennent et ceux qui \u00e9chouent silencieusement. La question n’est pas de savoir si votre agent peut bien raisonner. C’est de savoir s’il peut encore bien raisonner au quarante-septi\u00e8me jour.<\/p>\n\n\n\n
L’architecture m\u00e9moire est l’une des d\u00e9cisions de conception les moins visibles et les plus importantes dans les d\u00e9ploiements d’IA agentique. Chez Novelis, nous avons construit des syst\u00e8mes en production o\u00f9 la gestion d’\u00e9tat dans des flux de travail multi-jours \u00e9tait le d\u00e9fi d’ing\u00e9nierie d\u00e9terminant \u2014 et o\u00f9 se tromper avait de r\u00e9elles cons\u00e9quences op\u00e9rationnelles. La diff\u00e9rence entre un agent \u00e0 long terme fiable et un agent impr\u00e9visible se r\u00e9sume souvent \u00e0 la fa\u00e7on dont la m\u00e9moire a \u00e9t\u00e9 con\u00e7ue d\u00e8s le d\u00e9part.<\/p>\n\n\n\n
Si les d\u00e9fis d\u00e9crits ici font \u00e9cho \u00e0 la situation actuelle de votre organisation, nous sommes toujours ouverts \u00e0 un \u00e9change d’exp\u00e9riences. Les probl\u00e8mes sont r\u00e9els, les solutions \u00e9voluent vite, et les \u00e9quipes qui y travaillent ensemble tendent \u00e0 progresser davantageere your organization is today, we are always open to comparing notes. The problems are real, the solutions are evolving fast, and the teams working through them together tend to move further.<\/p>\n\n\n\n
<\/p>\n","protected":false},"featured_media":12167,"template":"","categories":[510],"custom_tag":[87,88],"class_list":["post-12169","research-lab","type-research-lab","status-publish","has-post-thumbnail","hentry","category-lab-news-2","custom_tag-ia","custom_tag-intelligenceartificielle"],"acf":{"externel_link":"","summary":"","filter_opacity":"70","subtitle":"","reading_time":"","authors":"","document_to_download":{"upload_a_file":false,"download_without_form":false,"file":false,"url":""},"show_recent_block_on_the_bottom_of_the_page":false},"yoast_head":"\n