Sur 27 218 messages échangés entre dix personnes et leur compagnon IA, 3,4 % seulement exigeaient un souvenir situé hors de la conversation en cours. Arman Behnam et Sunglyoung Kim (Quis Lab, États-Unis) et Liangwei Yang (indépendant, Chine) ont publié ces échanges réels, avec le consentement des participants, le 1er octobre 2026 dans une prépublication sur arXiv. Aucun détecteur essayé par les auteurs ne sait dire à quel moment le passé compte.
Dix relations, dont deux font presque tout le volume
Le jeu de données s'appelle RealCompanion. Il réunit dix utilisateurs d'une application interne de compagnon IA, où chacun entretient un compagnon de style amical, doté d'un nom, d'une humeur et d'une tenue, entouré d'une série quotidienne, d'un suivi d'habitudes, d'une économie de friandises et de plusieurs mini-jeux. Les relations durent de 36 à 120 jours. Le corpus compte 27 218 messages répartis sur 430 jours d'activité, dont 12 795 écrits par les participants eux-mêmes. Personne n'a été recruté pour un protocole : le corpus contient ce que l'usage quotidien d'un produit a produit, et rien de plus.
Le trafic ressemble à du contact ordinaire. Les auteurs y trouvent des salutations, des récits de journée, des blagues récurrentes et de longues plages où personne ne demande rien.
Le compagnon ouvre l'échange aussi souvent que la personne : il parle le premier 217 jours sur 430, contre 207 jours pour un participant et 6 pour l'application. Sur la place qu'occupe la relation elle-même dans ce que disent les utilisateurs de compagnons, voir notre étude sur 5 504 posts Reddit.
Les dix histoires n'ont presque rien en commun. Deux relations fournissent 73 % des messages : l'une compte 12 627 messages sur 95 jours actifs, l'autre 7 243 sur 111 jours consécutifs. À l'autre bout, un participant n'a écrit que 115 messages, sur 9 jours actifs étalés sur 36.
Le passé est rarement nécessaire, et il est loin
Pour mesurer la demande de mémoire, les auteurs ont tiré au hasard 1 169 messages de participants et vérifié, un par un, ce que chacun suppose. Selon leur lecture principale, 3,4 % de ces messages portent une demande de souvenir vérifiée, avec un intervalle de 2,5 à 4,6. Leur lecture stricte, qui écarte les cas où la référence est déjà visible à l'écran, descend à 1,3 %. Deux autres procédures, appliquées aux 11 369 messages restants, donnent 3,2 % et 1,73 %. Comme la vérification ne peut que retirer des cas, ces taux sont des planchers.
La demande est inégale. Trois participants sur dix n'ont aucun message de ce type en lecture principale, cinq sur dix en lecture stricte. Pour les auteurs, la demande de mémoire dépend de la profondeur de la relation.
Quand un message réclame le passé, celui-ci est loin. Le plus lointain des messages requis se trouve en médiane à 2 157 messages en arrière, avec un quart supérieur au-delà de 5 114 et un maximum de 12 542. Même le plus proche des messages requis est à 450 messages en médiane. Les messages qui se rapportent au fil en cours, eux, remontent de 2 messages en médiane, 15 au plus.
Ce constat contredit la manière dont on teste la mémoire des assistants. LoCoMo, publié en février 2024, fait dialoguer des agents générés par modèle, chaque conversation comptant 300 tours et 9K jetons en moyenne, sur 35 séances au plus. LongMemEval, d'octobre 2024, pose 500 questions et relève une chute de précision de 30 % chez les assistants commerciaux et les modèles à long contexte sur des échanges prolongés. Selon les auteurs de RealCompanion, un dialogue généré est écrit autour du souvenir qu'il teste, si bien que presque chaque message y réclame le passé, et les couches de mémoire livrées dans les produits ont été réglées sur ces bancs d'essai.
Comment un compagnon retrouve un souvenir lointain
Un compagnon IA ne relit pas toute son histoire à chaque message. Il choisit quelques messages passés et les glisse dans ce que le modèle reçoit avant de répondre. Les auteurs testent cinq méthodes de sélection, dont deux courantes : la fenêtre récente, qui renvoie les messages juste avant celui qu'on examine, comme le ferait une fenêtre de contexte glissante, et BM25, un classement lexical qui favorise les messages partageant des mots avec la requête.
Sur les messages dont le passé est lointain, la fenêtre récente retrouve un message requis parmi les cinq premiers résultats avec un score de 0,022 sur une échelle de 0 à 1, contre 0,005 pour un tirage au hasard. BM25 atteint 0,248, onze fois plus, et rate encore trois cas sur quatre. Sur l'ensemble des 1 477 messages dotés d'une référence, 72,6 % se résolvent avec le fil récent : la fenêtre récente grimpe alors à 0,959 et BM25 reste à 0,236. Un score global récompense donc la méthode qui ignore le problème.
La taille de ce qu'on fournit au modèle compte aussi. La part de messages requis couverte passe de 0,109 avec 8k jetons (des unités de texte découpées par le modèle) à 0,453 avec 128k et à 1,000 avec un million, seuil où toute l'histoire tient d'un bloc.
Les auteurs mesurent ensuite ce que change l'accès au souvenir enregistré. Sur l'échantillon tiré au hasard, remplacer les trois derniers messages par les messages requis améliore la correspondance avec la réponse de référence de 0,108 point sur une échelle de 0 à 2. Or 96 % de ce gain tombe sur des messages qui n'avaient besoin d'aucun souvenir. Sur les 167 cas où la réponse de référence dépend directement de ces messages, le gain monte à 0,455. Dix messages choisis par BM25 donnent un résultat inférieur de 0,189 à celui des dix messages précédents, et à peine meilleur qu'aucun contexte (1,426 contre 1,431).
Le mot « mémoire » change la réponse
La décision de regarder en arrière est l'endroit où les systèmes échouent. Un détecteur qui lit un message et les trois précédents obtient une aire sous la courbe ROC de 0,530, où 0,5 équivaut au hasard. Mesuré contre sa propre cible, il atteint 0,601 : il repère 6 des 40 messages qui exigent un souvenir et déclenche 40 fausses alertes. Sur les questions rédigées par les auteurs à partir des mêmes histoires, un détecteur monte à 0,802, parce qu'une question partage plus de mots avec sa preuve qu'un message envoyé en conversation.
Les modèles ne réclament jamais un passé absent quand on ne leur donne aucun contexte. Avec dix messages choisis sans lien avec la requête, ils s'en servent à tort dans 60,8 % des cas, et dans 29,2 % quand les messages ont été sélectionnés pour elle.
Le vocabulaire pèse lourd. Présenter les mêmes dix messages comme des souvenirs retrouvés plutôt que comme des tours précédents de la conversation augmente l'usage de la mémoire de dix à quatorze points, y compris pour les messages qui n'en ont pas besoin. Une simple étiquette change donc la conduite de la machine, qui parle comme quelqu'un qui se souvient.
Une seconde expérience porte sur le portrait de la personne. Trois systèmes d'agents, Claude Opus 5.5, Codex GPT-5.6-sol et Antigravity avec Gemini 3.8 Flash, relisent chacun l'histoire complète de chaque participant et rédigent sa fiche de personnalité. Ils obtiennent le même score, entre 0,686 et 0,701, alors que le volume de texte traité va de 18 à 546 millions de jetons, soit un écart d'environ 31 fois. Leur précision reste entre 0,557 et 0,591 pour un rappel de 0,861 à 0,893 : ils retrouvent presque tout ce que la fiche contient, et en ajoutent beaucoup d'autres.
Dix personnes, une application, des limites
Les limites tiennent en peu de chiffres. Dix participants, une seule application, et des taux de demande de mémoire estimés sur 40 messages seulement. Cinq des dix participants ne contribuent aucun message de ce type en lecture stricte, et les cinq autres en fournissent entre un et sept chacun dans l'échantillon tiré au hasard. Les étiquettes ont été produites par des modèles puis contrôlées par des humains, et chaque message a été réécrit par un modèle pour l'anonymisation.
Le conflit d'intérêts est à lire dans le texte. L'application est décrite comme interne, et les deux auteurs rattachés à Quis Lab remercient l'ensemble de l'équipe du laboratoire. Le comité d'éthique qui a approuvé l'étude est celui de l'opérateur des données, et les auteurs précisent qu'il n'est pas indépendant de lui : aucun comité d'éthique de la recherche extérieur n'a été saisi. Parmi les systèmes évalués figurent des modèles d'OpenAI, de Google et d'Anthropic, et les auteurs remercient les équipes de recherche d'OpenAI et de Google pour leur soutien. La première version de l'article, datée du 1er octobre 2026, n'indique ni revue ni conférence : il s'agit d'une prépublication.
Un autre banc d'essai, CompanionBench (prépublication d'août 2026), part lui aussi de données réelles dépersonnalisées et évalue 28 agents. Il conclut que le défaut dominant est de remplacer le soutien relationnel de fond par une chaleur de surface, en anglais « substituting surface warmth for substantive relational support ». Les deux travaux ne mesurent pas la même chose : l'un juge la qualité de la réponse, l'autre le moment où le passé devrait intervenir. Pour l'histoire de ces confidences faites aux machines, de la secrétaire d'ELIZA à la mémoire des compagnons actuels, voir notre exposition sur soixante ans d'attachement.
Pour un lecteur européen, l'ethics statement des auteurs a un intérêt direct. Il rappelle que ces conversations contiennent des données relevant des catégories particulières de l'article 9 du RGPD, car une réponse qui ignore ce qu'on a dit de sa santé n'est pas la bonne réponse. Le traitement repose sur le consentement explicite des participants. Les auteurs ajoutent un test : à partir d'un échantillon d'écriture de chaque participant, un classificateur stylométrique sans aucun mot de contenu les retrouve dans 83,0 % des cas et un modèle de langage dans 98,0 %, contre 10 % au hasard. Leur formule, « Removing identifiers does not remove authorship », se traduit ainsi : retirer les identifiants ne retire pas l'identité d'auteur. Les conditions de diffusion interdisent le profilage, l'identification des personnes et tout usage commercial. Sur ce que deviennent ces historiques quand un compagnon disparaît, voir notre étude sur le deuil numérique.
Un dernier détail sort de ces tableaux. Le participant aux 115 messages laisse 26 des 39 cases de la fiche de personnalité vides, celui aux 12 627 messages en laisse 19. Cent fois plus de messages remplissent sept cases de plus, et les auteurs notent que les gens parlent à leur compagnon de leur famille, de leur santé, de ce qui les inquiète, et n'indiquent presque jamais leur catégorie sociodémographique.