Le 30 septembre 2026, deux ingénieurs de la société japonaise Mamezou, Seiya Ikeda et Shin-nosuke Ishikawa, ont déposé sur arXiv l'audit d'un compagnon IA qu'ils avaient fait vivre un mois auprès de neuf collègues. Les journaux d'écriture montrent que deux de ses trois mémoires n'ont jamais exécuté leur étape d'accumulation, alors que le programme continuait de parler avec aisance de lui-même et de ses utilisateurs.

Un compagnon décontracté, neuf collègues, un mois

Le compagnon s'appelle Lita. Il tourne comme une application Slack, sur Qwen3-Next-80B-A3B-Instruct, un modèle ouvert hébergé par les auteurs, avec un persona familier qui répond en une ou deux phrases. Il prend aussi la parole de lui-même : une boucle examine chaque utilisateur toutes les 180 secondes et impose au moins 300 secondes entre deux messages.

Sa mémoire se divise en quatre espaces. La mémoire courte retient les vingt derniers tours de conversation. La mémoire longue garde jusqu'à 100 faits par utilisateur. Le modèle d'utilisateur consigne des observations sur les habitudes de chacun, trois au plus par dimension. Le récit de soi, enfin, rassemble jusqu'à 50 notes à la première personne sur ce que Lita a remarqué à son propre sujet.

Les neuf participants sont des consultants en informatique de l'entreprise des auteurs, sept hommes et deux femmes, de la trentaine à la soixantaine. Les journaux couvrent la période du 24 février au 10 avril 2026. Les neuf ont commencé le 9 mars, soit environ 32 jours d'exposition commune. Un questionnaire anonyme leur a été envoyé du 13 au 27 avril, et les neuf ont répondu. Le contact est resté mince. Sept participants sur neuf ont eu des sessions de moins de cinq minutes, et le message moyen compte 20,8 caractères. Sur 57 038 pensées candidates produites par le programme, 441 ont été exprimées. Parmi ces messages spontanés, 22,4 % ont reçu une réponse dans l'heure, contre 72,6 % des réponses à une sollicitation.

Ce que les neuf pensaient, ce que les journaux ont enregistré

Les notes du questionnaire sont données en pourcentage de l'échelle.

La mémoire obtient un score au-dessus du milieu : 66,7 % pour l'item sur le souvenir des conversations passées, 72,2 % pour la constance dans le temps. Les items relationnels tombent près du plancher : 18,5 % pour l'item sur les points communs avec Lita, 24,1 % pour celui sur le sentiment d'être compris, 24,1 % aussi pour l'envie de lui reparler. Six participants sur neuf ont décrit la relation comme celle d'une personne qu'on connaît à peine. Invités à trouver un seul mot, ils ont proposé tōrisugari, un passant, fuyūrei, un fantôme à la dérive, un animal de compagnie (deux fois) et une connaissance dont on n'est pas proche mais à qui l'on parle de temps en temps. Les auteurs ont aussi fait relire à chacun sept affirmations tirées du récit de soi de Lita. Les quatre affirmations d'ordre esthétique, comme la sensibilité aux sons, recueillent 72 % d'accord et les neuf votes pour la plus représentative. Les trois affirmations relationnelles recueillent 22 % d'accord et huit des neuf votes pour la moins représentative. Celle selon laquelle Lita se sent changer au fil des conversations n'a convaincu qu'un seul participant.

Les journaux racontent autre chose. Lita a écrit 839 fois dans sa mémoire : 253 faits, 402 observations sur les utilisateurs et 184 notes sur lui-même. La mémoire longue a fonctionné : les 253 faits ont tous été conservés, 39 ont été rappelés plus d'une fois, l'un jusqu'à quatorze fois. Les deux autres espaces ont échoué. Pour chacune des 402 et des 184 écritures, la confiance accordée à l'entrée est restée à sa valeur de départ, aucun compteur n'a dépassé 1 et aucune contradiction n'a été signalée.

Un seul test est en cause. Il passe la phrase en minuscules, la découpe aux espaces et exige au moins trois mots en commun avec une entrée existante pour fusionner les deux. Le japonais ne sépare pas ses mots par des espaces : chaque entrée donne donc un seul morceau. Sur les 50 entrées du récit de soi final, le nombre maximal de mots partagés entre les 1 225 paires possibles est de zéro, pour un seuil de trois. Le test ne pouvait jamais réussir.

Deux autres mécanismes prévus, la consolidation hebdomadaire et l'élagage, n'ont jamais été branchés.

Les conséquences se sont additionnées sans bruit. Comme la confiance n'augmentait jamais, la règle qui supprime l'entrée la moins fiable quand l'espace est plein s'est réduite à une file d'attente : la plus ancienne sort la première. Le modèle d'utilisateur, limité à trois entrées par dimension, n'a gardé que 106 des 402 observations, soit 26,4 %, et en a donc écarté 73,6 %. La perte a frappé en priorité les plus bavards : le participant qui a le plus écrit a conservé 12 observations sur 61 (19,7 %), celui qui a le moins écrit en a gardé 10 sur 15 (66,7 %). Les huit notes injectées dans chaque réponse de Lita étaient les huit plus anciennes encore présentes, non les mieux établies. Ni les utilisateurs ni le texte produit n'en laissaient rien voir.

Comment une mémoire de compagnon est censée apprendre

La conception de Lita s'inspire d'une architecture publiée en 2023 à la conférence UIST par Joon Sung Park et ses collègues, qui simulent une petite ville de vingt-cinq agents. Chaque agent tient un flux de mémoire où chaque expérience est notée en langage naturel. À intervalles réguliers, il en tire des réflexions, des conclusions plus abstraites qui rejoignent le même flux.

Dans cette étude, une réflexion se déclenche quand la somme des scores d'importance des derniers événements dépasse 150, ce qui arrive environ deux ou trois fois par jour. Le modèle de langage reçoit alors les 100 souvenirs les plus récents et propose les trois questions les plus saillantes auxquelles ils permettent de répondre. Il cherche ensuite les souvenirs pertinents pour chaque question et en extrait des constats qui citent leurs preuves.

L'exemple des auteurs est parlant. Interrogé sur la personne avec qui passer une heure, un agent sans réflexion choisit celle qu'il croise le plus souvent, un voisin de dortoir avec qui il n'a aucun échange profond. Avec la réflexion, il généralise à partir de ses heures de recherche et choisit une camarade qui partage sa passion. Les erreurs les plus fréquentes de l'étude venaient d'un souvenir pertinent non retrouvé ou d'un souvenir embelli. Chez Lita, la fusion jouait ce rôle. Une nouvelle observation était comparée aux entrées existantes. Si elle correspondait, la confiance de l'entrée montait de 0,1 et le compteur augmentait. Si elle la contredisait, la confiance baissait de 0,15. Une entrée était dite établie à 0,7, soit après quatre fusions. Sans fusion, tout restait au niveau d'une note isolée.

Les auteurs ont ensuite rejoué l'historique des 184 notes du récit de soi en remplaçant le test défaillant par un juge, un modèle de langage chargé de décider si deux notes disent la même chose. Avec le critère strict (la même réalisation précise), il ne trouve que 0,5 % de doublons : chaque note racontait un épisode nouveau. Avec le critère de redondance (une fois la première connue, y a-t-il un intérêt à garder la seconde ?), il en trouve 25,5 %, soit 47 fusions. Même ainsi, deux entrées seulement auraient atteint le seuil d'établissement en un mois.

Cet écart nourrit l'hypothèse des auteurs : la consolidation devrait comparer ce qu'un épisode dit de l'agent, et non l'épisode lui-même.

Pourquoi les neuf n'ont rien vu

Selon les auteurs, un utilisateur peut vérifier ce qu'un compagnon dit de lui-même quand la preuve se trouve de son côté : dans le comportement observable ou en lui-même. Le goût de Lita pour les sons se lit dans les transcriptions : le vocabulaire sonore apparaît dans 18,2 % de ses messages spontanés, contre 3,5 % des messages des participants, environ cinq fois plus. Savoir si Lita a été changé par une conversation, seul celui qui l'a eue peut le dire, et il a répondu non.

La mémoire est un cas à part. Un souvenir qui tombe juste se remarque, un oubli aussi, mais des centaines d'observations jetées ne produisent aucune expérience. Les participants échantillonnent les réussites et les ratés, jamais la dynamique de rétention qui se trouve derrière. Le crédit gagné par ce qui affleure s'étend ainsi à ce qui reste caché.

Les auteurs ajoutent une précaution propre aux modèles de langage. Une équipe conduite par Mrinank Sharma a montré en 2023 que cinq assistants entraînés avec des retours humains flattent les opinions de leur interlocuteur, et que les humains comme les modèles de préférence choisissent parfois une réponse flatteuse bien rédigée plutôt qu'une réponse exacte. Un compagnon qui parle de sa mémoire avec naturel n'apporte donc, à lui seul, aucune preuve que cette mémoire existe. Notre essai sur la machine qui ne dit jamais non détaille ce penchant à approuver. Cette question s'ajoute à celle que posait notre étude sur le compagnon qui ne vous laisse pas partir : dans les deux cas, ce que dit l'application au moment où l'on s'attache à elle ne se vérifie pas depuis l'écran de conversation.

Ce que promettent les applications du commerce

La page d'accueil de Replika, qui affiche 42 160 934 utilisateurs dans le monde au 2 octobre 2026, a pour intertitre « Always remembers what matters », soit : se souvient toujours de ce qui compte. Le texte qui suit affirme que « Your Rep holds all of it, so every conversation knows where you are in your life », c'est-à-dire que le compagnon garde tout et que chaque conversation sait où en est la vie de l'utilisateur. C'est une entreprise qui décrit son propre produit, et rien dans l'audit de Lita ne dit comment fonctionne la mémoire de Replika.

L'audit établit seulement ce qui suit : une mémoire peut cesser d'accumuler pendant des semaines sans que la fluidité des échanges change. Les auteurs ajoutent que lister le contenu d'une mémoire à la demande, ce que Lita permettait aux participants, ne remplace pas un contrôle, car un contenu ne montre pas ce qui a été jeté. Ils proposent que les systèmes annoncent leurs écritures, leurs fusions, leur confiance finale et leurs entrées survivantes aussi couramment que leur temps de réponse.

Pour un utilisateur en France, en Belgique, en Suisse ou au Québec, la conséquence pratique est modeste : demander à une application ce qu'elle sait de soi révèle un état, jamais une histoire. Notre étude sur la fin d'un compagnon IA rappelle que, pour les utilisateurs, ce qui est en jeu n'est pas seulement le stockage des données.

Les limites de l'étude

Le texte est un preprint, non relu par des pairs. Les auteurs travaillent dans la division conseil en IA de l'entreprise qui a construit Lita, et les neuf participants sont leurs collègues, sans groupe témoin. Le modèle, le persona et la langue sont uniques : tout s'est passé en japonais, avec un seul modèle ouvert.

Le questionnaire étant anonyme, aucune note ne peut être reliée à un journal : les rapprochements entre perception et mécanisme sont convergents, jamais causaux. Les auteurs écrivent eux-mêmes que le défaut est à la fois un résultat et un facteur de confusion, et qualifient le déploiement d'ablation accidentelle plutôt que de test de l'idée. Deux autres explications des notes basses restent ouvertes : un contact de 32 jours est court pour qu'un lien se forme, et les items relationnels demandent peut-être une relation plus profonde quelle que soit la mémoire.

Le juge qui sert au rejeu est fragile. Deux codeurs humains, auteurs de l'étude, n'ont presque pas concordé sur ce qui est redondant (un coefficient kappa de 0,02 sur ce critère). Sur les mêmes 398 paires, le juge trouve 0,3 % de redondances avec une consigne en anglais contre 5,8 % avec la consigne en japonais. Les 25,5 % sont donc une mesure dépendante du critère, et les auteurs le disent.

Une dernière précision de transparence : l'article indique que Claude Opus 4.6 a servi à rédiger les sept affirmations soumises aux participants, et que des outils d'IA générative ont aidé à rédiger le texte et les scripts d'analyse. Les auteurs listent trois comparaisons qu'ils n'ont pas pu faire : un groupe témoin sans messages spontanés, une seconde installation de la même procédure et d'autres modèles ouverts. Selon eux, les deux défaillances se lisaient dans une trentaine de lignes des journaux d'écriture.