La mémoire de votre agent IA n'est qu'un classeur

Je n'arrête pas de voir des publications sur les « systèmes de mémoire d'agent IA » exploser sur X. Huit bases de données SQLite, 19 répertoires de mémoire, 21 fichiers JSON de cerveau partagé. Des agents lisant ce que le dernier a fait avant de commencer. Des dizaines de milliers de vues.

Les configurations sont impressionnantes. Ce n'est pas de la mémoire pour autant. Ce sont des classeurs.

J'ai construit quelque chose de différent parce que les classeurs ne fonctionnent pas pour les problèmes de vente que j'essaie de résoudre. La plupart des systèmes de « mémoire IA » manquent complètement cela – ils accumulent des données sans jamais les maintenir. La vraie mémoire a un cycle de vie. Elle apprend, confirme, contredit, consolide, se dégrade.

Pourquoi les classeurs ne sont pas de la mémoire

Je travaille en tant que directeur commercial fractionné pour des entreprises d'ingrédients biotechnologiques. Nos cycles de vente durent de 12 à 24 mois. Un seul projet touche des chimistes formulateurs, des acheteurs d'approvisionnement, des directeurs de R&D, des équipes marketing – tous chez le même client, tous avec des priorités différentes. Les réunions ont lieu à des mois d'intervalle. Le contexte est oublié.

Les CRM traditionnels ne fonctionnent pas parce que les vendeurs ne les utilisent pas. J'en ai eu assez de perdre le contexte entre les réunions et j'ai construit un CRM qui se souvient réellement.

Voici ce que font la plupart de ces systèmes : L'agent A repère les sujets tendances, écrit les résultats dans un fichier JSON. L'agent B le lit avant la prochaine tâche. Cela fonctionne très bien pour l'automatisation des médias sociaux où le contexte reste récent et tactique.

Notre problème est différent. Lorsque je briefe un vendeur pour une réunion client huit mois après le début d'une relation, il doit se souvenir que :

• Le contact clé a changé de projet il y a six semaines
• C'est une chimiste formulatrice qui se soucie des données techniques, pas du discours de vente
• Les résultats des tests de stabilité d'il y a trois mois sont ceux qui ont changé la conversation
• Un concurrent est actif mais notre profil sensoriel a été mieux testé
• L'examen de l'approvisionnement a lieu le mois prochain

« Lire les 2 derniers jours de logs » ne suffit pas.

Ce qui se qualifie réellement comme mémoire

Nous avons construit quatre boucles d'apprentissage qui fonctionnent automatiquement. Pas de boutons d'entraînement. Pas de marquage manuel. Le système apprend tout seul.

Boucle 1 – Apprentissage de l'interaction (en temps réel). Après que chaque note vocale, e-mail ou transcription de réunion est traitée, le système demande : quels faits durables avons-nous appris ? Chaque mémoire candidate doit passer trois filtres. Est-ce factuel – directement observé, pas déduit ? Est-ce durable – toujours pertinent dans plus de trois mois ? Est-ce exploitable – cela changerait-il la façon dont je me prépare pour une interaction future ? La plupart des interactions produisent zéro à deux mémoires. Nous ne forçons pas les mémoires à partir d'un contenu mince.

Boucle 2 – Reconnaissance de formes (hebdomadaire). Claude analyse chaque interaction de la semaine passée dans toute l'entreprise, à la recherche de modèles qu'une seule interaction ne révèle pas. Quels projets sont au point mort ? Un concurrent apparaît-il plus souvent ? Les tailles des transactions ont-elles tendance à augmenter ou à diminuer ? Ces modèles deviennent des mémoires à haute confiance qui émergent de l'ensemble, pas des événements individuels.

Boucle 3 – Maintenance de la mémoire (mensuelle). C'est là que les classeurs tombent en panne. Le système résout les contradictions. Si un contact change d'entreprise, ses anciennes mémoires spécifiques à l'entreprise sont désactivées, pas supprimées. Des mémoires similaires se consolident en mémoires uniques plus fortes. Les mémoires obsolètes se dégradent – si personne n'accède à une mémoire pendant plus de six mois, elle est signalée pour examen. Les scores de confiance s'ajustent.

Boucle 4 – Feedback en temps réel (continu). Lorsque le système rédige un e-mail et que quelqu'un l'approuve, ce style est renforcé. Lorsqu'ils le rejettent, le système apprend pourquoi. Lorsqu'un briefing est ouvert avant une réunion, les mémoires de ce briefing reçoivent un coup de pouce de pertinence.

La plupart des systèmes de « mémoire IA » manquent complètement les boucles trois et quatre. Ils s'accumulent pour toujours. L'observation de lundi contredite par la découverte de vendredi sont toutes deux assises dans les logs sans aucun moyen de résoudre le conflit.

La déduplication n'est pas facultative

Notre pipeline vérifie chaque nouvelle mémoire par rapport aux mémoires existantes en utilisant la similarité sémantique. Au-dessus de 0.92 de similarité signifie soit une confirmation (augmenter la confiance, max 1.0) soit une contradiction (signaler pour résolution). Entre 0.75 et 0.92 signifie lié mais différent – stockez-le, liez-le. En dessous de 0.75 signifie vraiment nouveau.

La récupération ne fonctionne pas non plus en lisant des fichiers. Lorsque l'agent de briefing se prépare pour une réunion, il effectue une recherche sémantique dans tout ce qui est pertinent pour le contact, son entreprise, le projet, la situation concurrentielle et le sujet à venir. Les mémoires sont classées par un score composite – confiance multipliée par 0.3, récence multipliée par 0.25, qualité multipliée par 0.2, correspondance d'entité multipliée par 0.15, poids du type multiplié par 0.1.

Vous pouvez déposer un fait et le récupérer avec une requête qui ne partage aucun mot correspondant avec l'original. Vous ne pouvez pas faire cela avec des lectures de fichiers.

Après des mois de fonctionnement, le système de mémoire n'a pas seulement plus de mémoires. Il a de meilleures mémoires. Confiance plus élevée. Moins de contradictions. Connaissance consolidée qui représente l'état actuel réel des relations d'affaires.

La mémoire a besoin d'une âme pour être utile

Les faits bruts ne suffisent pas. « Préfère le français pour les communications écrites » sont des données. Mais le système doit également savoir comment utiliser ces données – quel contexte stratégique, quel ton, quel objectif commercial.

Nous utilisons une architecture d'âme à trois couches qui fournit ce contexte.

Âme de la plateforme : Personnalité de base. Aiguisée, directe, informée de l'industrie. « Toujours commencer par ce qui compte le plus. Les chiffres avant les récits. Ne jamais faire semblant de savoir quelque chose que vous ne savez pas. »

Âme du locataire : Connaissance spécifique à l'entreprise – produits, positionnement, concurrents, objectifs stratégiques. Chaque entreprise avec laquelle je travaille a sa propre âme isolée. Elles opèrent dans des espaces adjacents. Leurs données ne se croisent jamais.

Âme de l'utilisateur : Préférences individuelles qui évoluent avec le temps. Style de communication, modèles de travail, préférences linguistiques. Appris de la façon dont chaque personne utilise le système, pas configuré manuellement.

Lorsque ces trois couches se composent avec les mémoires récupérées, la sortie est complètement différente de ce que tout système de lecture de logs peut produire.

Avant et après

Sans âme et mémoire, un briefing de réunion ressemble à ceci :

• Projet : Formulation de soins capillaires
• Étape : Tests de formulation
• Dernière interaction : 15 janvier
• Action ouverte : Envoyer la tarification pilote

Avec âme et mémoire :

1. Confirmer qu'elle a reçu la tarification pilote
2. Demander le calendrier de la commande pilote
3. Sonder l'évaluation concurrentielle – ne pas pousser, la laisser en parler
4. Présenter l'angle de la catégorie adjacente pour une future collaboration

La deuxième version n'est possible que parce que les mémoires se sont accumulées pendant des mois, le système d'âme a façonné le ton et la stratégie, et la récupération a tiré exactement le bon contexte au bon moment.

Ce qui est réellement construit

Il s'agit d'un CRM agentique construit spécifiquement pour la commercialisation d'ingrédients biotechnologiques. Plusieurs entreprises réelles, pipelines de vente réels. Neuf agents IA coordonnés par un orchestrateur. Priorité à la voix – tout commence par une note vocale ou un texte naturel. Enregistrez une note de deux minutes après une réunion, et le système gère l'extraction, la création de tâches, le suivi et la distribution aux bonnes personnes.

Le tout est construit avec Claude Code. Je ne suis pas un développeur. J'écris des spécifications détaillées et Claude construit. L'infrastructure fonctionne sur un serveur Hetzner à 15 euros par mois en Allemagne. Le coût total de l'IA par client est d'environ 100 à 155 euros par mois.

Après six mois de fonctionnement, le système sait des choses sur vos clients que vous avez oubliées. C'est la référence.

Le vrai intérêt

Les systèmes basés sur les logs sont intelligents et pratiques pour ce qu'ils font – coordonner les agents sur des fenêtres tactiques courtes. Lorsque vos agents ont besoin d'un contexte récent, les modèles de fichiers de lecture-écriture fonctionnent bien.

Mais si vous construisez quelque chose qui doit apprendre sur des mois ou des années – un CRM, une base de connaissances, un outil de conseil, tout ce où la connaissance institutionnelle compte – les logs ne suffisent pas.

Récupération sémantique, cycle de vie de la mémoire, déduplication, résolution des contradictions, score de confiance, dégradation. Le système doit activement maintenir sa propre connaissance. Sinon, vous ne faites que construire un plus grand classeur.

La communauté a cloué la vision : des agents qui se composent au lieu de se réinitialiser.

Nous allons plus loin : des agents qui conservent au lieu d'accumuler.

Si vous dirigez une entreprise B2B de niche et que vous avez l'impression que votre équipe perd le contexte entre les interactions avec les clients, ou si votre CRM prend la poussière parce que personne ne veut l'utiliser, c'est exactement le problème que nous résolvons.

Réservez un appel d'évaluation gratuit sur opencream.ai et nous verrons où l'IA peut faire gagner des heures à votre équipe chaque semaine.

Matthias Förster est CCO fractionné pour des entreprises d'ingrédients biotechnologiques chez opencream.partners et fondateur de opencream.ai, aidant les entreprises B2B de niche à intégrer l'IA dans leurs flux de travail quotidiens afin qu'elles puissent se concentrer sur ce qu'elles font de mieux. Il construit actuellement un CRM natif de l'IA qui relie les deux activités - la stratégie commerciale et la mise en œuvre pratique de l'IA pour les entreprises où chaque relation avec Customer A compte.