Comment faire en sorte qu'une IA se souvienne de toi d'une conversation à l'autre

Tout grand modèle de langage est sans état par conception. Quand une conversation se termine, la fenêtre de contexte — la mémoire de travail du modèle — est jetée. Le modèle lui-même n'apprend rien sur toi d'une session à l'autre : il n'est pas réentraîné sur tes conversations, et il ne garde aucun dossier personnel te concernant dans ses poids. Tout ce que tu perçois comme du « souvenir » est construit autour du modèle, pas à l'intérieur.

Cette distinction compte, parce qu'elle signifie que la mémoire est un choix d'ingénierie fait par qui fait tourner ton assistant. Et il existe exactement quatre façons de faire ce choix aujourd'hui.

Option 1 — Mémoire intégrée dans les chatbots cloud

ChatGPT, Claude, Gemini et d'autres proposent désormais une fonctionnalité de mémoire : l'assistant enregistre discrètement certains faits (« préfère les réponses concises », « travaille sur un studio de tatouage à Bali ») et les injecte dans les conversations futures. Ça marche, et pour un usage occasionnel, c'est souvent suffisant.

Les limites sont structurelles. Ce n'est pas toi qui décides ce qui est gardé ou évincé — ce sont les heuristiques du fournisseur. La capacité est plafonnée. La mémoire vit sur les serveurs du fournisseur, sous sa politique de rétention, et une décision produit — ou un signalement de compte — peut l'effacer du jour au lendemain. C'est une mémoire sur toi que tu ne possèdes pas.

Option 2 — Le contexte manuel : le carnet copier-coller

La rustine la plus ancienne : garder un document avec ton contexte (« qui je suis, mes projets, ma stack, mon ton ») et le coller au début de chaque session. Certains outils formalisent ça — instructions personnalisées, fichiers de projet, prompts système.

C'est gratuit et honnête, mais ça ne passe pas à l'échelle. Le document devient obsolète, tu le maintiens à la main, et il ne capture que ce que tu as pensé à écrire — jamais les choses qui ont émergé au fil de cent conversations et qui comptaient, discrètement.

Option 3 — API de mémoire et RAG (la voie du développeur)

Si tu construis tes propres outils, tu peux greffer une mémoire externe sur n'importe quel modèle : stocker des fragments de conversation dans une base de données, les vectoriser, et récupérer les plus pertinents dans le contexte à chaque requête (génération augmentée par récupération). Des startups de mémoire-en-tant-que-service vendent exactement ça comme une API.

C'est la bonne architecture — c'est comme ça que fonctionne une vraie mémoire persistante. Mais en projet DIY, ça demande du temps d'ingénierie, et avec une API de mémoire hébergée, tu as recréé le problème de propriété de l'Option 1 : tout le contexte de ta vie accumulé vit désormais dans le cloud de quelqu'un d'autre.

Option 4 — Un assistant auto-hébergé avec une base de données mémoire que tu possèdes

La solution durable, c'est de faire tourner toi-même la couche assistant et de garder sa mémoire comme une simple base de données sur ton propre serveur. Le modèle peut rester un grand modèle cloud (tu ne peux pas auto-héberger des poids de pointe — c'est la couche agent que tu héberges), mais tout ce que l'assistant sait sur toi vit dans un fichier que tu contrôles.

C'est comme ça qu'Avelina AI est construite. La mémoire est une base de données SQLite sur ton VPS avec des couches typées — des faits sur toi, un journal de ce qui s'est passé, des leçons tirées des erreurs, une vision du monde qui grandit — plus une recherche plein texte et vectorielle sur tout l'historique des conversations. (Pourquoi des couches typées valent mieux qu'un seul fichier de notes plat fait l'objet de son propre article.) Demande « qu'est-ce qu'on a décidé pour la page tarifs en mai ? » et l'assistant fouille son propre passé au lieu de hausser les épaules.

Ce que coûte vraiment l'oubli

C'est tentant de traiter l'amnésie de l'IA comme une gêne mineure. En pratique, le coût s'accumule. Tu réexpliques le contexte — les mêmes quinze minutes, à chaque session. Les conseils restent génériques, parce qu'un assistant qui ne connaît pas ton historique ne peut donner que la réponse qu'il donnerait à n'importe qui. Le travail au long cours se casse : des décisions prises en mars sont silencieusement rejugées en juillet. Et si tu utilises un assistant pour une activité professionnelle, oublier le contexte d'un client n'est pas un simple frottement — c'est de l'argent perdu.

Pire, la rustine vers laquelle les gens se tournent — coller toujours plus de contexte personnel dans un chatbot cloud — revient à expédier un dossier toujours plus complet de ta vie à un tiers, session après session. Si la mémoire compte pour toi, où vit cette mémoire devrait compter tout autant.

Comment fonctionne une mémoire possédée, en pratique

Un aperçu concret, avec Avelina AI comme exemple (l'architecture se généralise) :

Les nouveaux faits issus de la conversation sont extraits et écrits automatiquement dans la base de données — pas d'incantation « souviens-toi de ça ». Chaque conversation est archivée et indexée pour une recherche plein texte et sémantique. Les erreurs sont enregistrées comme des leçons, pour qu'une correction faite une fois ne se répète pas le mois suivant. Avant de répondre à une question sur le passé, l'assistant doit fouiller ses archives plutôt qu'improviser — c'est la différence entre la mémoire et la confabulation.

Et comme tout ça n'est qu'une base de données sur ton serveur : tu peux l'ouvrir, la lire, la sauvegarder, l'exporter, ou la supprimer. Pas de formulaire de demande. Aucune confiance requise.

Quelle option choisir ?

Si tu utilises l'IA de façon occasionnelle quelques fois par semaine — la mémoire cloud intégrée (Option 1) fait l'affaire ; connais juste ses limites. Si tu es développeur et que l'infrastructure t'amuse — l'Option 3 est un solide projet de week-end (et au-delà). Si tu veux une mémoire persistante et possédée sans la construire toi-même — un assistant auto-hébergé (Option 4) est la seule voie qui te donne les deux à la fois : il s'installe sur un VPS à ~5–15 $/mois, te parle sur Telegram, et sa mémoire grandit pendant des années parce que personne d'autre que toi ne peut la remettre à zéro.

FAQ

ChatGPT peut-il se souvenir de moi d'une conversation à l'autre ?
Partiellement — via sa fonctionnalité Memory. Mais elle est contrôlée par le fournisseur : la capacité est plafonnée, la donnée vit sur les serveurs d'OpenAI, et tu ne peux pas vérifier ce qui est gardé ou supprimé.

La mémoire IA veut-elle dire que le modèle est réentraîné sur mes données ?
Non. La mémoire persistante est une couche extérieure au modèle : une base de données dont les entrées pertinentes sont chargées dans le contexte à chaque requête. Les modèles ne sont pas réentraînés entre tes sessions.

Où est stockée la mémoire dans un assistant auto-hébergé ?
Dans une base de données sur ton propre serveur — dans le cas d'Avelina AI, du SQLite sur ton VPS avec recherche plein texte et vectorielle sur tout ce qu'elle sait.

Puis-je supprimer ce que mon IA se souvient de moi ?
Auto-hébergé : oui, complètement et de façon vérifiable — c'est un fichier que tu possèdes. Cloud : tu peux demander, mais tu ne peux pas vérifier.

Combien ça coûte ?
Un petit VPS (~5–15 $/mois) plus l'usage du modèle. La couche mémoire en elle-même est une base de données locale — elle n'ajoute rien.