La plupart des équipes de recherche connaissent cette session. Une scientifique ou un ingénieur ouvre une nouvelle conversation avec l’IA, explique à nouveau le projet, rappelle les limites de la méthode, colle les résultats de la semaine dernière et corrige la même erreur qu’elle avait corrigée mardi. L’IA est compétente. Elle ne se souvient pas.
C’est le comportement par défaut de la plupart des outils d’IA, et il est facile à sous-estimer, car le coût est réparti sur de nombreux petits moments et personne ne voit le total. Cet article explique d’où vient l’oubli, ce qu’il coûte à une équipe de recherche et ce qui change quand le travail confirmé par votre équipe devient une expérience que l’IA conserve.
D’où vient l’oubli
Un modèle apprend ce qu’il sait pendant l’entraînement. Quand l’entraînement se termine, ces connaissances sont figées. Le modèle peut raisonner sur un nouveau problème, écrire du code d’analyse et lire les documents que vous lui fournissez, mais rien de ce qu’il voit dans une session ne change ce qu’il sait dans la suivante.
La recherche ressent ce décalage plus que la plupart des activités. Les connaissances dont dépend une équipe sont généralement les plus récentes : une mesure revenue hier, une correction faite par un expert ce matin, une limite de fonctionnement que quelqu’un a confirmée la semaine dernière. Rien de tout cela ne peut figurer dans les données d’entraînement d’un modèle. Cela n’existait pas quand le modèle a été entraîné.
Au sein d’une session, l’IA peut garder une partie de ces éléments dans son contexte. Quand la session se termine, tout disparaît. La session suivante, l’agent d’un collègue ou le modèle du trimestre prochain repart du jour où l’entraînement s’est arrêté. Apprendre quelque chose de nouveau au modèle lui-même implique de préparer un jeu de données et de lancer un nouveau cycle d’entraînement, ce que peu d’équipes de recherche font pour chaque leçon.
Ce que cela coûte à une équipe de recherche
Le coût de l’oubli apparaît rarement comme une ligne dans un budget. Il se manifeste à quatre endroits.
- Les réexplications. Les scientifiques et ingénieurs passent le début de chaque session à rappeler l’objectif, les décisions et les contraintes, et l’agent pose des questions auxquelles l’équipe a répondu depuis longtemps.
- Les erreurs répétées. Un expert corrige l’agent, et la correction a disparu à la session suivante. Le même expert la refait, ou un collègue qui ne l’a pas vue laisse passer l’erreur.
- Le travail payé deux fois. Une exécution qui a échoué dans certaines conditions est proposée à nouveau, parce que rien n’a conservé l’échec. Du calcul, des matériaux et du temps d’instrument servent à redécouvrir ce que l’équipe savait déjà.
- Les faits périmés. Une nouvelle mesure en remplace une ancienne, mais l’ancienne valeur se trouve toujours dans une transcription collée ou un fichier de notes, et elle revient dans une réponse comme si elle était actuelle.
Prenons l’agent d’une équipe qui recommande des réglages pour une analyse récurrente, sans que rien ne conserve ce qu’il apprend. Sur un mois, le schéma peut ressembler à ceci :
- Première semaine : une correctionUn expert rejette une recommandation parce qu’elle ignore une limite connue de la méthode, et explique pourquoi. L’agent fait juste pendant le reste de cette session.
- Deuxième semaine : la même erreurDans une nouvelle session, l’agent fait la même recommandation. Un autre relecteur la repère et explique à nouveau la limite.
- Troisième semaine : une exécution échouée, relancéeL’agent d’un collègue, sur un autre modèle, propose une configuration qui a échoué deux semaines plus tôt. L’exécution a lieu et échoue pour la même raison.
- Quatrième semaine : une ancienne valeurUn nouvel étalonnage a remplacé une valeur de référence. L’agent cite l’ancienne, parce qu’elle figurait dans les notes qu’un scientifique ou un ingénieur a collées.
- Le totalDeux explications d’expert, une exécution gaspillée et une réponse fausse, tout cela pour des leçons que l’équipe avait déjà payées une fois.
Aucun de ces moments n’est spectaculaire en soi. À l’échelle d’une équipe et d’une année, ils représentent du temps d’expert et du budget consacrés à un travail déjà fait. Le coût le plus discret est le dernier à apparaître : les experts cessent de corriger l’IA parce que les corrections ne tiennent pas, et l’équipe perd l’habitude de lui apprendre.
Ce que font les équipes aujourd’hui, et où cela s’arrête
Les équipes contournent le problème. Beaucoup tiennent un fichier d’instructions ou un fichier de notes pour leur IA, entretiennent une bibliothèque de prompts ou connectent un système de récupération à leurs documents. Chacune de ces solutions aide, et chacune mérite d’exister.
Un fichier de notes contient ce que quelqu’un a noté. Il fonctionne tant qu’il est court et à jour. À mesure qu’il grossit, il se remplit de lignes dont personne n’est sûr qu’elles restent valables, et une ligne ancienne reste jusqu’à ce que quelqu’un la supprime. Le modèle relit tout et juge lui-même ce qui s’applique.
La récupération trouve des passages qui ressemblent à la question, ce qui est utile pour trouver des documents. Elle n’indique pas si un passage s’applique dans les conditions d’aujourd’hui, et quand un fait a changé, l’ancienne et la nouvelle version peuvent revenir toutes les deux.
Le fine-tuning change ce qu’un modèle sait de manière générale, et il garde sa place pour cette tâche. Il apprend à partir d’un jeu de données préparé et d’un entraînement, si bien qu’il avance au rythme des cycles d’entraînement plutôt qu’au rythme du travail, et une nouvelle version du modèle oblige à recommencer.
- 0 % contre 57 %de réponses obsolètes après un changement des faits : MS Duplex aux côtés d’une récupération standard, lors des tests contrôlés de MatterSpace
Ce chiffre issu des tests contrôlés de MatterSpace mesure le quatrième coût de la liste : les réponses qui citent une valeur que l’équipe a déjà remplacée. C’est le coût qui se cache le mieux, car une réponse périmée se lit avec autant d’assurance qu’une réponse à jour.
Ce qui change quand les résultats confirmés deviennent de l’expérience
L’alternative consiste à conserver le résultat plutôt que la conversation. MS Duplex se place à côté du modèle que votre équipe utilise déjà, en laissant ses poids tels quels, et apprend des résultats que votre travail confirme. Un test réussit, une mesure revient, un expert approuve une conclusion ou en corrige une et explique pourquoi. Cela devient de l’expérience, appliquée dès la requête suivante.
Chaque élément d’expérience conserve ce dont une équipe de recherche a besoin pour s’y fier :
- Le résultat, la mesure ou le jugement d’expert dont il provient.
- Les conditions dans lesquelles il a été confirmé, afin qu’il soit appliqué là où ces conditions correspondent.
- La raison d’une correction, afin que l’agent vérifie ce point en premier sur le cas suivant.
- Son historique, afin que lorsqu’une valeur confirmée plus récente remplace une plus ancienne, la plus récente s’applique et le changement reste consigné.
Cela change ce que l’agent fait ensuite. Là où les conditions correspondent, il applique ce qui a été appris. Là où un cas est apparenté mais différent, MS Duplex signale ce qui diffère. Ce qui a fonctionné devient la première chose que l’agent essaie, et ce qui a échoué cesse d’être proposé.


Rejouez le même mois avec MS Duplex en place. La correction de la première semaine s’applique dès la requête suivante, dans n’importe quelle session et avec n’importe quel modèle. La configuration qui a échoué cesse d’être proposée, et l’historique montre pourquoi. Le nouvel étalonnage remplace l’ancienne valeur dès la requête suivante, l’historique du changement étant conservé. L’expert explique la limite une seule fois.
La session suivante part de l’état actuel du travail
L’oubli se produit aussi entre les personnes et entre les modèles. Un collègue reprend le projet. L’équipe passe à un modèle plus récent. Dans la plupart des configurations, l’un ou l’autre changement remet à zéro ce que l’IA sait du travail.
Dans MS Duplex, l’objectif, les décisions, les méthodes approuvées et la progression passent dans chaque nouvelle session sous la forme d’une vue compacte du travail, avec chaque source consignée. Les agents que vous autorisez partent de la même vue, quel que soit le modèle sur lequel ils tournent. L’expérience réside dans un espace de stockage qui appartient à votre organisation, si bien qu’un nouveau modèle démarre avec tout ce que l’équipe a construit.


Une IA qui conserve de l’expérience doit aussi être gouvernée. Chaque leçon peut être examinée, corrigée ou supprimée individuellement. Corrigez-en une et seule celle-ci change ; supprimez-la et les recommandations qui en dépendaient disparaissent avec elle, tandis que tout le reste demeure. Les couches personnelle, d’équipe et d’organisation gardent personnelles les habitudes d’un chercheur et les confirmations d’une équipe au sein de cette équipe, selon vos règles, et rien n’est partagé avec une autre entreprise.
Questions fréquentes
Pourquoi le modèle ne peut-il pas se souvenir de lui-même ?
Ses connaissances sont figées à la fin de l’entraînement. Lui apprendre quelque chose de nouveau implique de préparer un jeu de données et de lancer un nouveau cycle d’entraînement, si bien que ce que votre équipe apprend entre deux cycles manque à chaque nouvelle session.
Un fichier de notes plus long suffit-il ?
Un fichier de notes aide tant qu’il est court et à jour. À mesure qu’il grossit, les lignes anciennes restent jusqu’à ce que quelqu’un les supprime, et le modèle doit juger lesquelles restent valables. MS Duplex conserve les résultats confirmés avec leurs conditions et leur historique, si bien que la valeur confirmée la plus récente s’applique.
Que se passe-t-il quand un fait change ?
La valeur confirmée la plus récente s’applique dès la requête suivante, et l’historique du changement est conservé. Sur les réponses obsolètes après un changement des faits, les tests contrôlés de MatterSpace ont mesuré 0 % contre 57 %, MS Duplex aux côtés d’une récupération standard.
Devons-nous changer les outils d’IA que nous utilisons ?
Non. MS Duplex se branche sur Claude, Codex, Cursor et les autres agents qui parlent MCP, ainsi que sur vos propres agents et pipelines via l’API et le Python SDK. Vos scientifiques et ingénieurs gardent l’IA qu’ils utilisent déjà.


Construit par MatterSpace
MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.









