MaluDB : mémoire d’IA à long terme
Le stockage est un problème réglé. La mémoire, non. L’échec coûteux n’est pas de perdre l’enregistrement. C’est de réutiliser une connaissance sans le contexte qui la rendait sûre.
Coauteur, pas propriétaire du dépôt
Je suis coauteur nommé de la prépublication ouverte publiée sur Zenodo (mai 2026), aux côtés de neuf autres chercheurs. J’ai contribué lors de sessions de travail de l’AI Master Community, consacrées à l’architecture et à la réflexion collective sur les exigences. Je ne suis pas propriétaire du dépôt MaluDB et je ne dirige pas son implémentation.
Cette étude de cas explique le problème que traite l’article et pourquoi il compte pour mon travail. L’artefact que l’on peut examiner est la prépublication, pas une base de code que je maintiens.
Les systèmes gardent la trace et perdent le contexte
Les organisations stockent déjà des enregistrements, des documents, des tickets, des journaux et des messages. L’échec le plus difficile concerne la réutilisation. Quand une équipe ou un agent va chercher un ancien chiffre, une décision passée ou une politique dont on ne se souvient qu’à moitié, il lui manque souvent les preuves qui la fondent, le moment où elle était vraie, qui avait le droit de la voir, pourquoi la décision a été prise et comment elle s’articulait avec le travail autour.
Les humains contournent ce manque avec des réunions et de la mémoire. Les agents IA l’aggravent : ils réutilisent à grande échelle, avec assurance, et sans l’habitude intégrée de vérifier la provenance, les autorisations ou la validité dans le temps. Le résultat n’est pas seulement de mauvaises réponses. Ce sont des erreurs coûteuses qui paraissent faire autorité.
Un SGBD natif pour la mémoire, pas un énième stockage de documents
La prépublication propose un Memory DBMS : un système de gestion de base de données (SGBD) pour la mémoire institutionnelle de long terme, partagée entre humains, applications et agents IA. Au lieu de traiter la mémoire comme une recherche dans des fichiers, elle définit des Memory Objects (objets mémoire) qui portent les métadonnées nécessaires à une réutilisation sûre :
- Liens vers les sources et provenance. D’où vient une affirmation et quelle chaîne de preuves la soutient.
- Validité temporelle. Quand une chose était vraie, pour qu’un contexte périmé ne passe pas pour un fait actuel.
- Autorisations et traces d’audit. Qui pouvait le voir, qui l’a modifié et ce qui était autorisé à l’époque.
- Confiance, précision et état du cycle de vie. La solidité de l’enregistrement, son degré de précision, et s’il est à l’état de brouillon, actif ou retiré.
- Relations avec les flux de travail. Comment un objet mémoire se relie aux décisions, aux tickets et aux processus qui l’entourent.
L’article expose aussi le modèle d’objets, le modèle de recherche, les exigences de sécurité et de gouvernance, les exigences d’implémentation et un plan d’évaluation pour un Memory DBMS capable de passer à l’échelle.
La couche de mémoire manquante peut être spécifiée concrètement
Pour mon positionnement, ce travail illustre une pensée systémique à la frontière de l’infrastructure : pas des prompts ni des démonstrations, mais les exigences d’une mémoire durable et gouvernable dans les flux de travail associant humains et IA. La preuve est publique et examinable. N’importe qui peut lire la prépublication, contester l’architecture et voir si la spécification tient.
Il montre aussi que je peux contribuer à une collaboration de recherche sérieuse et mettre mon nom sur un travail que je suis prêt à défendre en public, en indiquant clairement ses limites.
Où se situe la ligne d’honnêteté
- Il s’agit d’une prépublication et d’une proposition d’architecture, pas d’une base de données livrée ni d’un déploiement en production.
- L’article présente un plan d’évaluation, pas des résultats de benchmark ni des affirmations sur des performances en conditions réelles.
- C’est une recherche coécrite avec neuf autres auteurs. Ce n’est pas une réalisation en solo et je ne suis pas le responsable de l’implémentation.
- Il n’existe pas aujourd’hui d’implémentation de référence publique que je maintienne. L’artefact que vous pouvez examiner maintenant est l’article sur Zenodo.
- Le jugement reste humain. La conception préserve la provenance et les autorisations pour que les personnes puissent auditer ce que l’IA réutilise, plutôt que de croire sur parole ce que la recherche leur renvoie.
La prépublication sur Zenodo
L’artefact public de référence est la prépublication en libre accès. Lisez-la, vérifiez les affirmations et jugez si la couche de mémoire est spécifiée assez rigoureusement pour qu’on puisse construire dessus.
Une implémentation publique sur GitHub pourra suivre plus tard. D’ici là, cette page ne renvoie qu’à ce qui est publié et examinable aujourd’hui. Démarrer une conversation →