Apple propulse ses agents IA à 96 % de réussite

Apple publie en septembre 2026 une architecture de mémoire persistante sélective pour les systèmes d’agents fondés sur des grands modèles de langage. Sanjana Pedada, Aditya Dhavala et Neelraj Patil présentent leurs travaux à la conférence EMNLP. Leur approche cible les agents qui produisent du code après plusieurs échanges et utilisations d’outils. Selon les auteurs, chaque nouvelle session recommence généralement sans les choix de configuration, contraintes métier, schémas de données et habitudes d’utilisation accumulés précédemment. L’article décrit une mémoire partagée capable de conserver ces éléments réutilisables, tout en écartant les traces de raisonnement propres à chaque session. Lire la publication Apple.

Quatre catégories structurent cette mémoire sélective : les spécifications de tâche, les schémas de données, les configurations d’outils et les contraintes de sortie. Les traces de raisonnement spécifiques à une session sont exclues. Les espaces de travail qui encapsulent cette mémoire peuvent être transférés entre utilisateurs grâce à un contrôle d’accès fondé sur les rôles. Cette organisation permet le partage du contexte accumulé sans répéter les mêmes spécifications. Apple indique avoir déployé l’architecture dans une plateforme collaborative. Des agents y produisent, modifient et maintiennent des artefacts suivis par Git, notamment des tableaux de bord interactifs, des rapports structurés et des documents fondés sur des données.

Apple déploie une mémoire partagée

Sources multiples alimentent ces artefacts par plusieurs types de connecteurs. La plateforme accepte les téléversements CSV, les bases SQL, les API REST et les serveurs MCP. Le versionnage appuyé sur Git isole les brouillons pendant les modifications. Les utilisateurs peuvent ainsi explorer une version, puis restaurer un état antérieur sans appeler à nouveau le modèle. Un mécanisme complémentaire de rafraîchissement des données sans jeton sépare les programmes générés des données d’exécution. Cette séparation permet de réutiliser un artefact lors de mises à jour récurrentes sans nouvelle invocation du modèle. La publication détaille l’évaluation dans trois scénarios de déploiement en entreprise.

Les résultats atteignent 96 % de tâches terminées avec la mémoire sélective partagée. Le taux s’établit à 79 % sans mémoire et à 71 % avec une conservation de l’historique complet. Les auteurs indiquent que la persistance naïve de l’historique dégrade activement la réussite, car les anciennes traces de raisonnement biaisent l’agent. Le rafraîchissement sans jeton réduit le temps des tâches par 14 pour les mises à jour récurrentes. La génération guidée par des résumés réduit le coût en jetons par invocation d’un facteur 97 par rapport à l’injection des données brutes. Ces mesures associent mémoire sélective, versionnage et séparation des données d’exécution.

Les tests confirment douze rafraîchissements

Une réplication publique a été réalisée sur quatre jeux de données. Le rafraîchissement sans jeton a réussi lors des 12 essais menés dans cette réplication. Les résultats rapportés couvrent donc trois scénarios de déploiement en entreprise et quatre jeux de données publics. La publication présente la mémoire sélective comme une architecture destinée aux systèmes agentiques opérant sur plusieurs sessions. Elle associe aussi des espaces partagés, des droits d’accès par rôle et des artefacts versionnés par Git. L’article complet est disponible sur arXiv. Les auteurs Sanjana Pedada, Aditya Dhavala et Neelraj Patil signent cette étude présentée à EMNLP en 2026. Pour aller plus loin, consultez notre guide sur déployer un agent IA en PME sans développeur.