Agents IA
Un agent isolé dans un onglet travaille vite. Une équipe, elle, travaille ailleurs.
L’IA devient plus utile quand elle partage le contexte des outils, conversations et décisions du travail réel.
Agents IA
Un agent qui oublie tout à chaque mission vous fait repayer le même tour de chauffe.
La mémoire partagée peut conserver décisions, procédures et apprentissages pour éviter la redécouverte permanente.
Vous lancez un agent sur un projet.
Il passe vingt minutes à comprendre l’arborescence.
Il découvre une règle.
Il contourne un problème.
Il termine la mission.
Le lendemain, vous lancez une nouvelle session.
Elle recommence.
Même exploration.
Même erreur.
Même découverte.
C’est le genre de détail qui devient très coûteux quand on commence à utiliser des agents régulièrement.
Le 18 août 2026, Notion publiait le retour d’expérience de son projet Lore, une mémoire partagée destinée aux agents.
Le problème qu’ils cherchent à résoudre est très concret : certaines connaissances acquises pendant une session disparaissent avec elle.
La télémétrie du tour précédent doit servir au suivant
Une équipe d’endurance ne repart pas de zéro à chaque relais.
Elle sait ce qui s’est passé.
Quel réglage fonctionnait.
Quel pneu s’est dégradé.
Quel problème est apparu.
Quel compromis a été choisi.
Le pilote suivant n’a pas besoin de redécouvrir la voiture.
Pour un agent, la mémoire peut jouer le même rôle.
Tout ne mérite pas d’être mémorisé
Le réflexe naturel serait d’enregistrer toutes les conversations.
Je l’éviterais. Une mémoire d’agent n’est pas un coffre à tout stocker. Les mots de passe, clés API et autres secrets ne devraient pas y être mémorisés. Et si elle contient des données personnelles, il faut pouvoir justifier leur utilité, contrôler qui y accède, les corriger ou les supprimer lorsque nécessaire et ne pas les conserver indéfiniment.
Mauvaise idée.
Une transcription complète contient énormément de bruit.
Des hypothèses abandonnées.
Des informations temporaires.
Des erreurs.
Des discussions qui n’auront plus jamais d’utilité.
La bonne mémoire n’est pas un grenier.
C’est une sélection.
Notion cite notamment quatre catégories intéressantes :
les apprentissages issus de l’expérience ;
les tâches de suivi ;
les décisions ;
les procédures.
J’ajouterais volontiers : les erreurs à ne pas reproduire.
Une décision sans contexte vieillit mal
Supposons qu’un agent découvre qu’un fichier ne doit jamais être modifié directement.
Il trouve une procédure correcte.
Puis il termine sa mission.
Si cette information n’est stockée nulle part, le prochain agent devra la redécouvrir.
Pire, il peut faire l’erreur avant.
Une petite note structurée peut éviter ça :
Règle : ne pas modifier ce fichier directement.
Pourquoi : il est généré automatiquement.
Méthode correcte : modifier la source X puis relancer Y.
Date : telle date.
Périmètre : projet Z.
L’information devient réutilisable par un humain comme par un agent.
La mémoire doit rester lisible par les personnes
C’est un point que j’aime bien dans l’approche décrite par Notion.
Les éléments mémorisés deviennent des pages que les agents et les humains peuvent consulter.
Je trouve ça beaucoup plus sain qu’une mémoire opaque enfermée dans un système.
Si l’agent doit s’appuyer sur une règle importante, vous devez pouvoir la lire.
La corriger.
La dater.
La supprimer.
Le risque inverse : trop de mémoire
Une mémoire mal entretenue peut devenir pire que l’absence de mémoire.
Ancienne procédure.
Client parti.
Règle remplacée.
Mot de passe qui ne devrait plus exister.
Décision annulée.
Si l’agent récupère ces éléments au mauvais moment, il peut agir sur une information périmée avec beaucoup de confiance.
La mémoire doit donc avoir un cycle de vie : provenance, date, propriétaire, durée ou règle d’expiration, et procédure de correction lorsque l’information devient fausse.
Date.
Auteur ou origine.
Périmètre.
Statut.
Lien vers ce qu’elle remplace éventuellement.
Une petite base vaut déjà beaucoup
Pas besoin de construire un grand cerveau d’entreprise.
Vous pouvez commencer avec trois dossiers :
Décisions
Procédures
Leçons apprises
Chaque fois qu’une mission agentique découvre quelque chose qui sera utile plus tard, on décide si cela mérite d’entrer dans l’un de ces dossiers.
C’est simple.
Et immédiatement rentable.
L’intelligence n’est pas seulement dans le modèle
On parle beaucoup du modèle utilisé.
C’est normal.
Mais deux agents utilisant exactement le même modèle peuvent produire des résultats très différents.
L’un arrive sans contexte.
L’autre connaît les décisions, les procédures et les erreurs passées.
Le moteur est le même.
L’équipe autour n’est pas la même.
En endurance, ce n’est pas uniquement la puissance qui permet de tenir vingt-quatre heures.
C’est aussi tout ce que l’équipe apprend tour après tour.
Pour les agents IA, on commence seulement à construire cette mémoire collective.
Sources vérifiées
À lire aussi
Agents IA
Plus les agents exécutent, plus le jugement humain devient précieux.
L’automatisation déplace la valeur humaine vers la direction, la priorisation, l’arbitrage et la responsabilité.
Agents IA
Agents IA : la performance commence par les limites
L’autonomie utile d’un agent dépend de ses permissions, de sa traçabilité et de la place du contrôle humain.