Pourquoi maintenant
Pourquoi l'IA a besoin d'une couche de mémoire maintenant
Pas une prédiction — une séquence déjà survenue, et la contrainte qu'elle laisse derrière elle.
Chronologie
2022
Les LLM deviennent largement accessibles
Les grands modèles de langage passent des laboratoires de recherche à une fenêtre de chat que n'importe qui peut ouvrir. La première contrainte rencontrée est la capacité du modèle — sait-il écrire, raisonner, résumer suffisamment bien.
2023–2024
Le RAG apparaît
La capacité progresse plus vite que la capacité de quiconque à lui fournir les connaissances propres à l'entreprise, donc la génération augmentée par récupération devient le correctif standard : encoder les documents de l'entreprise, récupérer les plus proches au moment de la requête.
2025
Les agents IA se généralisent
Les assistants ne se contentent plus de répondre, ils agissent — à travers des outils, des étapes, des sessions. Chaque nouvel agent, pour chaque nouvel outil, redérive un contexte qu'un autre agent possédait déjà, parce que rien de partagé ne le conserve.
2026
Le problème devient la continuité du contexte
La capacité des modèles continue de progresser, mais le goulot d'étranglement a changé de place : un agent qui oublie ce qu'il a décidé hier, ou ce qu'un autre agent a déjà appris, n'est pas limité par son intelligence — il est limité par l'absence d'endroit où garder ce qu'il sait de l'entreprise.
Le raisonnement
Les modèles gagnent en capacité, et cette capacité compte de moins en moins pour une classe spécifique et croissante d'échecs : ceux où le modèle est assez intelligent pour trouver la bonne réponse mais n'a jamais reçu le fait dont il avait besoin, parce que ce fait vivait dans une décision du mois dernier, pas dans les données d'entraînement ni dans la fenêtre de cette conversation.
Cet échec ne se réduit pas quand les modèles s'améliorent — un modèle plus capable, interrogé sur un sujet pour lequel il n'a aucun contexte, donne quand même une réponse confiante et non fondée. Ce qui comble l'écart, ce n'est pas plus d'intelligence ; c'est la mémoire, le contexte, la continuité entre les sessions, et une compréhension organisationnelle de l'entreprise qui survit plus longtemps qu'une conversation.
C'est l'affirmation précise et étroite que porte cette catégorie : non pas que les modèles doivent devenir plus intelligents, mais que quelque chose doit se tenir, de façon persistante, entre ce qu'une entreprise sait et chaque IA qui agit en son nom. Venkai est conçu pour être cette couche.