L’écriture et le langage sont un support de la conscience. Quand nous écrivons une idée, nous laissons aussi une part de nos jugements, questions et sentiments de cet instant. En la relisant plus tard, nous pouvons retrouver ce fil de pensée ou comprendre la même phrase autrement, à la lumière de ce que nous avons vécu depuis.
Pour l’IA, le contexte et la mémoire peuvent également être vus comme un instantané de mémoire : les informations disponibles pour une inférence sont conservées hors des poids du modèle, permettant au passé de participer au jugement suivant.
Mais un instantané a un défaut. Il enregistre les pensées du moment, pas celles du futur. Les humains n’ont pas le même problème, car notre esprit possède une sorte de « langue maternelle » de la conscience. L’écriture et le langage humains ressemblent plutôt à une projection de la conscience sur une dimension ; pour l’IA, ils constituent tout à cet instant. Le point essentiel est que la « conscience » ou la « pensée » d’une IA n’est pas continue : nous ne disposons que de ce moment.
Il en va de même pour la mémoire d’un agent personnel. Il peut retrouver ce qu’un utilisateur a dit, voire toute la conversation contenant ces mots. Retrouver n’est pas le problème. Mais que se passe-t-il ensuite ?
Aujourd’hui, cela implique la recherche et la sélection des souvenirs ainsi que la manière dont le modèle traite le contexte. Je souhaite explorer une autre possibilité : pourrait-on donner au contexte une capacité comparable ? Pourrait-il informer le modèle non seulement de l’état actuel, mais aussi de ce qui pourrait arriver et des régularités sous-jacentes, lui permettant une forme d’auto-évolution par ce contexte ?
Après le week-end
Dans un scénario typique d’agent personnel, l’utilisateur peut partager de nombreux aspects de sa vie : une personne récemment rencontrée, les raisons d’une hésitation ou ses espoirs pour l’avenir. Ces conversations ne comportent pas forcément une tâche précise, mais elles laissent des traces de sa vision du monde.
Prenons le week-end.
Un utilisateur dit souvent à son agent que les jours de travail sont épuisants et qu’il souhaite simplement passer ses week-ends seul. Sortir et voir des gens lui coûte de l’énergie ; il ne se repose vraiment que lorsqu’il dispose entièrement de son temps.
L’agent le retient. Plus tard, quand l’utilisateur demande quoi faire le week-end, il propose des activités solitaires : regarder un film, se promener ou rester lire chez soi. L’utilisateur accepte. Après tout, à cet instant, les informations sont justes.
Mais quelque temps plus tard, il reparle du week-end : « Rester chez moi ne semble plus aussi reposant qu’avant. »
Si l’agent se souvient seulement que « l’utilisateur aime être seul », il proposera peut-être d’autres films ou un nouvel itinéraire de promenade. Il n’a pas oublié l’utilisateur et n’a rien affirmé de factuellement faux ; il continue simplement à suggérer des choses à partir d’une compréhension qui fonctionnait auparavant.
Mais cette fois, l’utilisateur répond : « Ce n’est pas que je ne sais pas quoi faire tout seul. Je crois que j’ai envie de voir des amis ; je n’ai simplement pas très envie d’une grande réunion. »
L’agent s’est trompé. L’utilisateur n’a pas non plus seulement indiqué une nouvelle préférence d’activité. Autrefois, il pensait que retrouver quelqu’un réduisait son temps de repos. Il commence maintenant à découvrir qu’une rencontre détendue peut aussi être reposante.
À la conversation suivante sur le week-end, l’agent propose donc de prendre un café avec un ami, en plus d’une promenade solitaire. L’utilisateur trouve cela bien : justement, il n’a pas vu un ami depuis longtemps.
C’est un petit changement. L’agent n’a pas amélioré son modèle, modifié son code ni même organisé quoi que ce soit pour l’utilisateur. Il a simplement répondu autrement, avec une nouvelle compréhension issue de la conversation précédente.
Mais ce changement mérite-t-il d’être conservé ?
Une assez bonne supposition
Un seul résumé suffit pour passer de « souhaite voir des amis » à « l’utilisateur préfère les activités sociales ». Ce résumé sera peut-être encore utile un autre week-end, mais il pourrait vite devenir un nouveau malentendu.
L’utilisateur n’a pas dit qu’il n’aimait plus être seul ni qu’il souhaitait de la compagnie tous les week-ends. Il a seulement découvert que voir un ami n’empêche parfois pas de se reposer. En comprimant ce changement en une nouvelle préférence, l’agent ne fait que remplacer une réponse figée par une autre.
Quand l’utilisateur dira « Je suis trop fatigué cette semaine, je veux juste être seul », l’agent ne devrait donc pas conclure immédiatement qu’il a encore changé ni rappeler : « Tu n’avais pas dit vouloir voir des amis ? » La compréhension précédente peut subsister, mais elle doit faire place à la situation présente.
Plus tard, un ami vient dans la ville de l’utilisateur pour une semaine seulement. Celui-ci dit : « J’ai envie de le voir tous les jours cette semaine. Aide-moi à trouver des endroits où aller. »
C’est une demande claire pour cette semaine précise. L’agent peut proposer quelque chose chaque jour sans la transformer en « l’utilisateur aime voir du monde tous les jours ». Après le départ de son ami, il voudra peut-être retrouver du calme seul ; ou cette visite lui fera réaliser qu’il souhaite voir ses amis plus souvent. Les deux sont possibles et l’agent a besoin de nouvelles informations dans les conversations futures.
Mais que doit-il enregistrer ?
Une règle est pratique : la prochaine fois qu’il lira « week-end », il saura pouvoir proposer de voir un ami. Mais une règle peut facilement perdre la raison de sa création. Conserver plusieurs explications possibles paraît plus honnête, mais les comparer à chaque fois accroît le coût de calcul et de jugement. Peut-être faut-il retenir une méthode : comprendre d’abord ce que l’utilisateur veut maintenant, puis décider s’il convient d’évoquer une option qui a fonctionné auparavant.
Certaines de mes expériences indépendantes montrent que cette forme d’« évolution » peut produire assez facilement des résultats visibles. Et, objectivement, faire modifier quelque chose par un agent n’est pas particulièrement difficile aujourd’hui.
La véritable difficulté est l’évaluation : comment sait-il si ces informations sont « correctes » ?
L’utilisateur a accepté une proposition de café, ce qui signifie qu’elle était séduisante cette fois-là ; cela ne veut pas dire qu’il souhaite voir un ami chaque semaine désormais. S’il ne répond pas, il peut être occupé, réfléchir encore ou ne pas avoir vu le message. Le silence ne vaut pas approbation.
Si, après chaque suggestion, l’agent demande « souhaites-tu que je continue à faire cela ? », la conversation devient également étrange. L’utilisateur voulait seulement parler du week-end et doit maintenant consacrer du temps à entraîner l’agent à le comprendre.
Cela nous ramène à la question initiale : un souvenir peut être parfaitement exact pour la situation dans laquelle il s’est formé, puis être déjà truffé d’erreurs à la conversation suivante.
Il existe peut-être une régularité : plus un souvenir comprimé est précis à l’instant donné, moins il risque de l’être à l’avenir.
Ce problème apparaît aussi dans l’étude HorizonBench. Les chercheurs ont construit 360 utilisateurs simulés et jusqu’à six mois de conversations pour chacun. Les utilisateurs évoquent des changements dans leur vie sans dire directement à l’agent « mes préférences ont changé ». Interrogés ensuite sur leurs préférences actuelles, les modèles donnent souvent leurs anciennes réponses. (HorizonBench, 2026)
Une évolution sans point final
Nous faisons ici face à une sorte de paradoxe logique : d’un côté, nous voulons améliorer continuellement modèles et outils pour réaliser une compression sémantique assez précise au moment voulu et produire quelque chose d’utile à la conversation suivante, en comprenant toujours mieux l’utilisateur. De l’autre, il faut espérer qu’il ne change pas trop entre-temps. S’il passe du désir de week-ends solitaires à celui de voir du monde, par exemple, le souvenir précédent a totalement « expiré ». Nous pouvons seulement espérer que le modèle s’en rende vite compte et corrige son interprétation pendant l’exécution.
Une autre voie consiste bien sûr à transformer l’agent en fabricant d’énigmes : ne pas produire de souvenirs ou de descriptions précis, mais choisir quelques descriptions générales courantes dans la population. Si je n’ai jamais été juste, je ne peux jamais devenir faux. Ce n’est pas une plaisanterie. La plupart des tests de personnalité ou psychologiques, et même de nombreux produits internet, ne cherchent pas à vous décrire avec une précision absolue. Ils vous placent dans un groupe déjà conçu et analysé. Cela ne garantit pas une adéquation toujours extrêmement élevée, mais évite au moins une mauvaise expérience due à un profil inexact.
De mon point de vue, le contexte et la mémoire actuels ouvrent pourtant une perspective nouvelle. Ce ne sont plus des informations génériques, mais des informations uniques créées par chaque utilisateur. Cette singularité s’entend de deux façons : d’abord, les vies et trajectoires diffèrent, rendant les expériences identiques rares ; ensuite, même pour décrire le même événement public, le ton, la ponctuation et jusqu’aux emoji ont peu de chances d’être identiques. Puisque ces informations sont uniques, essayer de ranger des données aussi diverses dans un profil générique peut créer davantage de problèmes.
Revenons au mot « évolution ». Si nous laissons de côté les situations précises pour parler du concept, par exemple du cadre darwinien, nous trouvons des phénomènes très intéressants.
L’évolution n’a par exemple pas de bien ou de mal absolus. Les oiseaux n’ont pas des ailes parce que tous leurs ancêtres auraient pris la bonne décision : « Nos descendants doivent avoir des ailes », puis auraient commencé à les développer. Au fil de l’histoire, les descendants d’une population présentent diverses variations héréditaires. Dans un environnement donné, ces différences peuvent influencer les chances de survie et de reproduction, et les caractères associés évoluer progressivement au cours de nombreuses générations. Les individus sans descendance n’ont pas « mal » évolué : ils n’ont simplement pas transmis leurs caractères dans leur environnement de l’époque.
L’évolution n’a pas non plus de direction fixe. Même des formes corporelles ressemblant à celles des crabes sont apparues plusieurs fois dans des lignées différentes au cours de l’histoire connue, et certaines ont ensuite perdu une partie de leurs caractères typiques. Je trouve cela très intéressant. (Wolfe et al., 2021)
Le premier jour, vous avez une coque de téléphone, jugez qu’elle ne sert à rien et la jetez. Le deuxième, vous heurtez accidentellement votre téléphone. Le troisième, craignant de recommencer, vous achetez une nouvelle coque. Au vu du résultat, l’avoir jetée paraît totalement déraisonnable. Mais chez les êtres vivants, les changements de forme ne se produisent pas parce qu’ils connaissent l’avenir et décident ensuite de conserver ou non un caractère.
Pour revenir à notre question initiale, ma réponse est que l’évolution dans la dimension du contexte fonctionne de la même manière pour l’IA. Elle n’a ni bien ni mal, ni direction, et il ne peut exister de norme d’évaluation unifiée à l’échelle individuelle.
Concrètement, cette évolution consiste essentiellement à compresser sémantiquement les interactions entre humain et agent du moment. Mais son objectif n’est plus un résumé général : il s’agit de faire conjecturer à l’agent les motivations profondes et les pensées de l’utilisateur, et de prédire certaines possibilités futures. Quand l’utilisateur dit vouloir voir du monde le week-end, idéalement le résultat de l’évolution précédente devrait déjà inclure cette possibilité : le souhait de week-ends solitaires pourrait, par exemple, être un état passager plutôt qu’une aspiration durable.
Globalement, l’auto-évolution dans la dimension du contexte est dynamique : ses résultats, sa direction et son évaluation sont dynamiques. Seul l’utilisateur est statique, servant d’environnement qui sélectionne parmi les résultats évolutifs de l’agent et conserve ce qu’il souhaite à cet instant.
Au-delà de l’instantané
Revenons à ce premier week-end.
L’agent peut remarquer que les idées de l’utilisateur ont changé sans nécessairement savoir pourquoi. A-t-il de nouveaux amis ? Quelque chose a-t-il changé au travail ? Comprend-il désormais autrement le « repos » ? Toutes ces possibilités existent, mais aucune ne peut être établie à partir d’une seule conversation.
L’agent peut poser la question ou la laisser ouverte pour le moment. Il n’a pas à se précipiter pour expliquer l’utilisateur à lui-même.
Pour l’avenir, il peut reconnaître que les idées de l’utilisateur continueront à évoluer et être attentif à ces changements dans de nouvelles conversations. Mais « ce qui pourrait arriver » ne doit pas devenir « ce qu’il deviendra inévitablement ». Il pourrait voir ses amis plus souvent ou avoir de nouveau besoin de davantage de solitude ; sa vie future et ses propres choix doivent apporter ces réponses.
L’écriture laisse des traces du passé, mais la personne qui les lit change. Un agent personnel doit se rappeler ce que l’utilisateur pensait autrefois et savoir remarquer qu’il change. Il peut chercher à comprendre pourquoi, tout en sachant qu’il a peut-être mal deviné.
Il en va de même pour AirJelly. Cette petite méduse bleue sur votre écran vous observera et vous accompagnera discrètement, vous aidera à planifier toutes vos tâches et apprendra à connaître votre futur vous.
Quand une compréhension passée ne convient plus au présent, un agent personnel devrait pouvoir abandonner ce qu’il avait appris et rencontrer à nouveau la personne qu’il a devant lui.