Contexte et mémoire : pourquoi l'IA oublie

L'essentiel

1. La fenêtre de contexte est la quantité maximale de texte, mesurée en tokens, qu'un modèle peut prendre en compte simultanément pour générer une réponse : elle regroupe tout ce qui entre dans la requête (instructions système, messages précédents, documents joints) et la réponse en cours de génération elle-même. Fait de mécanisme stable. Source : Anthropic.
2. Selon la documentation Anthropic, la fenêtre de contexte est une « mémoire de travail », distincte du corpus sur lequel le modèle a été entraîné : elle ne contient pas « tout ce que le modèle sait », seulement ce qui a été explicitement fourni dans la conversation en cours.
3. Une nouvelle conversation démarre par défaut sans accès aux échanges d'une session antérieure — un modèle ne « se souvient » pas nativement d'un utilisateur d'une fois sur l'autre ; toute mémoire persistante entre deux sessions est une fonctionnalité ajoutée par le produit qui héberge le modèle, pas une propriété du modèle lui-même.
4. [Vérifié 20/07/2026] Anthropic documente un phénomène qu'elle nomme « context rot » : au-delà d'un certain volume de texte dans la fenêtre, l'exactitude et le rappel du modèle tendent à se dégrader, même si l'information reste techniquement présente dans le contexte — une fenêtre plus grande n'égale donc pas une fiabilité plus grande. Source : platform.claude.com/docs.
5. [Vérifié 20/07/2026] Au 20/07/2026, selon la documentation officielle d'Anthropic, les modèles Claude Opus 4.6, Opus 4.7, Opus 4.8, Sonnet 4.6 et Sonnet 5 disposent d'une fenêtre de contexte allant jusqu'à 1 million de tokens sur l'API Claude ; d'autres modèles de la gamme, dont Claude Sonnet 4.5, restent à 200 000 tokens. Ce chiffre évolue au rythme des sorties de modèles (famille périssable (a), README §2.2) : à revérifier avant toute réutilisation au-delà de quelques mois. Source : platform.claude.com/docs/en/build-with-claude/context-windows.
6. [Vérifié 20/07/2026] Selon la documentation développeurs d'OpenAI consultée le 20/07/2026, la famille de modèles GPT-5.6 (déclinaisons Sol, Terra, Luna) annonce une fenêtre de contexte d'environ 1,05 million de tokens. Source : developers.openai.com/api/docs/models.
7. à vérifier La documentation officielle de Google (ai.google.dev, consultée le 20/07/2026) indique que « de nombreux modèles Gemini disposent de fenêtres de contexte d'un million de tokens ou plus », sans détailler de chiffre précis par modèle sur les pages consultées ; des chiffres plus précis (par exemple 2 millions de tokens pour un modèle « Pro ») circulent sur des sites tiers non primaires et n'ont pas pu être confirmés directement sur une page officielle Google lors de cette recherche — dette de vérification assumée plutôt qu'un chiffre inventé.
8. Une fenêtre de contexte large ne règle pas tout : au-delà de la dégradation de rappel (point 4), transmettre davantage de texte coûte plus cher en calcul et en facturation à l'usage — ce qui explique pourquoi certains produits limitent volontairement l'historique conservé plutôt que d'exploiter le maximum technique disponible.
9. Pour prolonger un échange au-delà de la fenêtre technique, certains produits recourent à une « compaction » : le système résume automatiquement les échanges les plus anciens plutôt que de les faire disparaître d'un bloc — une mémoire reconstituée et approximative, pas une mémoire native du modèle. Source : Anthropic, documentation compaction.
10. Tout ce qui entre dans une requête compte dans la fenêtre de contexte, pas seulement le texte : selon la documentation Anthropic, une seule requête peut inclure jusqu'à 600 images ou pages de PDF pour les modèles à fenêtre 1M tokens (100 pour les modèles à 200k tokens) — au-delà, ce sont les limites de taille de requête, distinctes du compteur de tokens, qui peuvent être atteintes en premier. [Vérifié 20/07/2026] Source : platform.claude.com/docs.
11. Certains produits ajoutent, au-dessus du modèle, un mécanisme explicite de mémoire persistante entre sessions (par exemple un « outil mémoire » qui enregistre des notes consultables d'une conversation à l'autre) — une fonctionnalité applicative construite intentionnellement, qui contredit en apparence le point 3 mais le confirme en réalité : sans cet ajout explicite, le modèle ne conserve rien par lui-même.
12. Face à la dégradation par volume (point 4), Anthropic documente une pratique qu'elle nomme « context engineering » : sélectionner et organiser délibérément ce qui entre dans la fenêtre plutôt que d'y déverser un maximum de texte — remplir la fenêtre disponible n'est pas, en soi, un objectif à rechercher. Source : Anthropic, « Effective context engineering for AI agents ».

Repères clés

Idées reçues

1. « L'IA se souvient de moi d'une conversation à l'autre » — faux par défaut (point 3) : sans fonctionnalité de mémoire explicitement ajoutée par le produit, chaque nouvelle conversation démarre sans accès aux échanges précédents.
2. « Une fenêtre de contexte plus grande veut dire une IA plus intelligente » — non : une fenêtre large signifie seulement que le modèle peut recevoir davantage de texte d'un coup ; la fiabilité de ce qu'il en restitue décline au-delà d'un certain volume (context rot, point 4).
3. « Le modèle consulte tout ce qu'il a appris pendant l'entraînement, comme une bibliothèque » — non : le savoir appris est comprimé dans les paramètres (cf. T1.2), la fenêtre de contexte ne contient que ce qui a été explicitement transmis dans la conversation en cours — deux mémoires de nature complètement différente.
4. « Si un produit propose une "mémoire", c'est que le modèle a changé » — non : c'est le produit qui ajoute une brique applicative (stockage de notes, réinjection au début de la conversation suivante, point 11) ; le modèle sous-jacent continue de fonctionner sans rien conserver par lui-même.

Pièges & points de vigilance

1. Ne pas confondre fenêtre de contexte (mémoire de travail temporaire, propre à une conversation, facturée à l'usage) et paramètres du modèle (mémoire apprise, figée à l'entraînement, cf. T1.2) — la confusion la plus fréquente du grand public sur ce thème.
2. Les chiffres de fenêtre de contexte évoluent vite (mensuel à trimestriel selon la famille périssable (a), README §2.2) : tout chiffre de ce module doit être revérifié avant réutilisation au-delà de quelques mois.
3. Le chiffre « maximum » annoncé par un éditeur n'est pas toujours celui disponible par défaut ni sur tous les canaux (API vs interface grand public vs offre entreprise) — vérifier le canal exact avant de comparer deux produits entre eux.
4. Une fonctionnalité de « mémoire » ajoutée par un produit (point 11) reste un résumé ou une note reconstituée, pas un accès direct aux paramètres du modèle ni une garantie d'exhaustivité — elle hérite des mêmes limites de fiabilité que tout texte réinjecté dans le contexte (context rot, point 4).

Sources

• Context windows — Claude Platform Docs — Anthropic, consulté le 20/07/2026
• Effective context engineering for AI agents — Anthropic, consulté le 20/07/2026
• Modèles — API OpenAI — OpenAI, consulté le 20/07/2026
• Long context — Gemini API — Google AI for Developers, consulté le 20/07/2026
• Models overview — Gemini API — Google AI for Developers, consulté le 20/07/2026 (chiffres précis par modèle non trouvés sur cette page, cf. point 7)