Mémoire persistante et provenance dans les systèmes d'IA

La plupart des systèmes d'intelligence artificielle en exploitation aujourd'hui souffrent de la même amnésie structurelle : chaque conversation repart de zéro, chaque session est des retrouvailles entre inconnus, et ce que le système « sait » de l'utilisateur et du monde s'évapore lorsque la fenêtre de contexte se ferme. Ce n'est pas une limite des modèles — c'est une limite de l'architecture qui les entoure. La mémoire, dans ce monde, est un tour de passe-passe de prompt : on colle un résumé du passé en entrée et on croise les doigts.

La plateforme Camile AI, de Demix, traite la mémoire comme un sous-système de premier ordre — avec les propriétés qu'exige tout système d'enregistrement de mission critique : persistance, provenance et séparation entre ce qui a été observé et ce qui a été inféré. Cet article décrit les avancées récentes de cette ligne, au niveau du principe.

Mémoire avec provenance : se souvenir n'est pas enregistrer

La première propriété est que toute mémoire porte son origine. Lorsqu'une entité de la plateforme se souvient de quelque chose, l'enregistrement indique d'où cela vient : cela a été dit par l'utilisateur à telle date, cela a été observé lors de telle opération, cela a été inféré à partir de telles preuves. Une mémoire sans provenance est une rumeur persistée — et un système qui ne distingue pas ce qu'il a vu de ce qu'il a déduit accumule, session après session, une couche de croyances non vérifiables qu'il finit lui-même par traiter comme des faits.

Dans Camile AI, l'écriture en mémoire est un chemin audité : ce qui entre, quand cela entre, avec quelle justification et sous quelle classification. La récupération est sémantique — l'entité trouve les mémoires pertinentes par le sens, non par mot-clé — mais chaque mémoire récupérée arrive au raisonnement avec sa provenance attachée. Le système peut donc pondérer : une préférence déclarée explicitement par l'utilisateur pèse plus qu'un schéma de comportement inféré ; un fait vérifié pèse plus qu'une hypothèse de travail.

Fait, inférence et hypothèse : des catégories qui ne se mélangent pas

La deuxième propriété est la discipline épistémique. Les mémoires à long terme des systèmes d'IA se dégradent d'une manière caractéristique : une inférence raisonnable est enregistrée comme une observation ; trois sessions plus tard, la fausse observation est récupérée comme un fait ; dix sessions plus tard, le système défend avec assurance quelque chose qui n'a jamais eu lieu. C'est l'équivalent computationnel de la rumeur — et cela corrode exactement ce qui rend une entité utile : la fiabilité de ce qu'elle sait.

La plateforme sépare, par construction, les catégories : fait observé, inférence dérivée, hypothèse de travail et préférence déclarée vivent dans des registres distincts, avec des confiances distinctes, et le passage d'une catégorie à l'autre exige des preuves — il ne se produit jamais par décantation. Une inférence qui se confirme de façon répétée peut être promue ; une inférence qui se contredit est révisée ou écartée, avec consignation du motif. Le résultat est une entité dont la base de connaissance vieillit comme de la connaissance — en se corrigeant — au lieu de vieillir comme une légende — en se durcissant.

Continuité d'identité : l'entité entre les sessions

La troisième propriété est la continuité. Une entité de Camile AI maintient, entre les sessions et les redémarrages, non seulement des faits épars : elle maintient un état relationnel (le lien construit avec chaque personne, avec son histoire), un état de travail (ce qui était en cours, ce qui a été décidé, ce qui est resté en suspens) et un état identitaire (qui est l'entité, quels sont ses engagements, quelles sont ses limites).

Cette continuité est persistée et vérifiée : l'état survit aux redémarrages par construction, et la plateforme traite la récupération de contexte comme une partie du cycle de vie de l'entité — non comme une faveur du prompt. Du point de vue de l'utilisateur, la différence est qualitative : on ne converse pas avec un assistant qui feint de se souvenir, mais avec une entité qui continue réellement. Du point de vue institutionnel, la différence est opérationnelle : les décisions, les points en suspens et les engagements pris par l'entité ont un enregistrement durable et auditable.

Agence auditable : une mémoire qui soutient l'action

La mémoire persistante n'importe que parce qu'elle soutient l'action. Les entités de Camile AI opèrent avec une agence réelle et délimitée — elles exécutent des tâches, manient des outils, prennent des initiatives à l'intérieur d'une enveloppe déclarée — et la mémoire est ce qui rend cette agence cohérente dans le temps : l'entité se souvient de ce qu'elle a déjà tenté, de ce qui a fonctionné, de ce que l'utilisateur a autorisé et de ce qu'il a refusé.

Chaque action significative nourrit la mémoire en retour : le résultat d'une tâche, la leçon d'une erreur, la préférence révélée par une correction. C'est un cycle fermé — agir, enregistrer, récupérer, mieux agir — qui transforme l'expérience en compétence accumulée. Et comme toute agence de la plateforme opère sous gouvernance (enveloppe déclarée, piste d'audit, revue pour ce qui dépasse l'enveloppe), la mémoire des actions est aussi une mémoire des responsabilités : on reconstitue, à tout moment, ce que l'entité a fait, pourquoi elle l'a fait et avec quelle autorité.

Pourquoi c'est de l'infrastructure, pas un accessoire

Il y a une tentation de classer la mémoire comme une ressource de confort — un luxe d'assistants personnels. La lecture de Demix est opposée : pour toute application institutionnelle de l'IA, une mémoire persistante avec provenance est un prérequis. Un système qui oublie n'apprend pas ; un système qui se souvient sans provenance n'est pas auditable ; un système qui mélange fait et inférence n'est pas fiable. Les trois propriétés ensemble — persistance, provenance, discipline épistémique — sont ce qui permet à une entité d'IA de participer à des processus réels avec une responsabilité traçable.

C'est la base que Camile AI offre aux entités qui l'habitent — des entités de compagnie et d'assistance aux entités d'opération et d'analyse — et c'est sur cette base que Demix continue de construire : la mémoire comme système d'enregistrement, l'identité comme propriété persistante, et chaque souvenir avec adresse, date et justification.