Quatre choses différentes sont appelées « mémoire » par les services d’IA. Savoir laquelle est en jeu détermine ce que vous pouvez lire, corriger, effacer, et ce qui vous échappe.
Un modèle de langage ne retient rien : il est rechargé à zéro à chaque requête. Ce que les services appellent mémoire est une couche ajoutée par l’éditeur, qui extrait des informations de vos échanges, les range dans une base et les recolle en tête de vos conversations suivantes. Cette liste de notes est généralement consultable et modifiable. Elle se distingue de l’historique conservé sur les serveurs, des données réutilisées pour l’entraînement et de ce que le modèle a appris avant votre arrivée. Ces quatre couches s’effacent séparément, et pas avec le même bouton.
Vous ouvrez une conversation neuve avec un assistant et lui demandez une idée de menu. Il propose spontanément des plats sans viande. Vous n’avez rien dit dans cette conversation : l’information vient d’un échange vieux de trois semaines. L’effet est agréable la première fois, franchement dérangeant la deuxième.
Le même jour, vous lui demandez ce qui avait été décidé la veille sur un dossier. La réponse arrive, détaillée, avec des points de conclusion parfaitement formulés. Aucun de ces points n’a été évoqué la veille. L’assistant n’a pas menti : il a produit la suite la plus vraisemblable de votre question.
Ces deux expériences opposées viennent du même malentendu. Le mot « mémoire » recouvre quatre mécanismes distincts, qui n’ont ni le même support, ni la même durée de vie, ni le même bouton d’effacement.
| Couche | Où c’est stocké | Durée | Comment l’effacer |
|---|---|---|---|
| Fenêtre de contexte | Nulle part : reconstruite à chaque requête | Le temps d’une réponse | Ouvrir une conversation neuve |
| Historique des conversations | Base de données du fournisseur | Jusqu’à suppression, plus une période de sécurité | Supprimer la conversation dans l’interface |
| Mémoire persistante | Fiches de texte associées à votre compte | Indéfinie tant que vous n’intervenez pas | Réglages dédiés, ligne par ligne |
| Données d’entraînement | Corpus, puis paramètres du modèle | Définitive une fois l’entraînement fait | Impossible a posteriori, d’où l’intérêt de l’opposition préalable |
La confusion entre les deux dernières lignes est la plus coûteuse. Une note de mémoire est un texte lisible, corrigeable, supprimable en un clic. Une donnée entrée dans un corpus d’entraînement est diluée dans des milliards de paramètres, et le fonctionnement de cette dilution est décrit dans l’entraînement d’un modèle. La première se gère, la seconde s’anticipe.
Il faut poser ce point avant tout le reste : un modèle de langage est une fonction sans état. Il reçoit un texte, produit une suite, et retourne à son point de départ. Rien de votre conversation ne modifie ses paramètres, comme l’explique le fonctionnement d’un modèle de langage.
Toute continuité perçue vient donc de l’extérieur du modèle : c’est l’interface qui recolle les morceaux avant chaque appel. Cette architecture a une conséquence directe et rarement énoncée.
Le procédé est simple. Pendant que vous conversez, un mécanisme annexe repère les informations susceptibles d’être durablement utiles : votre métier, la langue que vous employez, un format de réponse que vous réclamez souvent, un prénom, une contrainte alimentaire, un logiciel que vous utilisez. Ces éléments sont réécrits sous forme de courtes phrases et rangés dans une base rattachée à votre compte.
À la conversation suivante, ces phrases sont recollées en tête du contexte, avant votre message, comme si vous les aviez tapées vous-même. Le modèle ne fait aucune différence entre elles et le reste du texte.
Trois conséquences pratiques en découlent.
La sélection n’est pas votre décision. Un mécanisme automatique évalue, au fil de l’échange, ce qui mérite d’être retenu, avec une préférence pour les informations stables et personnelles. Vous pouvez l’orienter par une consigne explicite du type « retiens que je travaille dans le bâtiment » ou « n’enregistre rien de cette conversation », et la plupart des services obéissent à ces formules. Mais deux angles morts subsistent.
Le premier est la mémorisation implicite. Une information glissée en passant, dans un exemple ou une pièce jointe, peut être extraite alors que vous ne la considériez pas comme une donnée à conserver. Le contenu d’un document collé fait partie de la conversation.
Le second est plus retors : la confirmation n’est pas une preuve. Quand un assistant répond « c’est noté, je m’en souviendrai », cette phrase est produite par le modèle comme n’importe quelle autre. Elle exprime ce qui était probable dans la conversation, pas l’état réel de la base. Une note peut n’avoir jamais été créée malgré la confirmation, et une note peut exister sans qu’aucune confirmation n’ait été donnée. Là encore, seule la liste affichée dans les réglages fait foi.
Vos conversations sont enregistrées pour que vous puissiez les rouvrir. Elles servent aussi, selon les services et les formules, à la détection d’abus, à la résolution d’incidents, à des mesures de qualité, et parfois à l’amélioration des modèles.
Trois réalités méritent d’être connues avant de coller un document dans une interface.
La suppression n’est pas immédiate. Une conversation effacée disparaît de votre interface, mais reste généralement conservée pendant une période de sécurité, souvent de l’ordre de trente jours, avant effacement définitif. La durée exacte figure dans la politique de confidentialité du service, et elle varie.
Une relecture humaine reste possible. Les échanges signalés par un filtre automatique ou par un utilisateur peuvent être examinés par des personnes. Ce n’est pas une anomalie, c’est une condition de la modération, et cela doit être annoncé.
La réutilisation pour l’entraînement dépend de l’offre. Les formules grand public gratuites réutilisent fréquemment les échanges par défaut, avec une opposition possible dans les réglages ; les offres professionnelles l’excluent en général par contrat. Le détail des chemins de réglage figure dans refuser l’entraînement sur vos données, et le parcours complet d’une conversation dans ce que deviennent vos conversations avec une IA.
C’est le piège le plus fréquent. Vous supprimez un fil où vous aviez évoqué un dossier médical ou un litige en cours. Le fil disparaît. La note « l’utilisateur est en litige avec son bailleur », extraite trois semaines plus tôt, reste dans la mémoire persistante et continue d’être réinjectée.
Deux stockages, deux commandes. Videz la mémoire séparément, et vérifiez la liste après coup.
Le cas de l’entraînement est différent. Si une donnée a servi à entraîner un modèle, elle n’est plus localisable : elle a contribué à ajuster des paramètres, sans adresse ni case. Des travaux publiés depuis 2021 montrent qu’un modèle peut restituer certaines séquences rares vues pendant l’entraînement, ce qui interdit de considérer l’affaire comme close. Le Comité européen de la protection des données a examiné ce point en décembre 2024 et retenu qu’un modèle ne peut être présumé anonyme sans démonstration. En pratique, les fournisseurs répondent par un filtrage des sorties et une exclusion des corpus ultérieurs.
Le RGPD s’applique pleinement à ces traitements dès qu’ils portent sur des données personnelles. Vous pouvez demander l’accès à ce qui est détenu à votre sujet, la rectification d’une information inexacte, l’effacement, l’opposition à un traitement fondé sur l’intérêt légitime, et la portabilité de vos échanges. Le responsable dispose d’un mois pour répondre, délai prolongeable de deux mois en cas de complexité, et une plainte auprès de la CNIL reste ouverte en cas de silence.
La limite honnête tient au modèle lui-même : un droit à l’effacement s’exerce sans difficulté sur une base de données, beaucoup moins sur des paramètres entraînés. C’est précisément pourquoi l’opposition préalable à la réutilisation vaut mieux qu’une demande de suppression après coup. Le panorama complet des demandes possibles figure dans vos droits RGPD, et leur application particulière aux systèmes d’IA dans RGPD et intelligence artificielle.
À cela s’ajoute, depuis août 2026, l’obligation de transparence du règlement européen sur l’IA : une personne qui interagit avec un système d’IA doit en être informée de manière claire, sauf lorsque c’est manifeste au vu du contexte.
Dans un espace partagé, la mémoire cesse d’être un confort personnel. Une base de connaissances commune peut restituer à un collègue un extrait de document que vous y avez versé, sans que la question des habilitations ait été posée. Les assistants intégrés à une suite bureautique héritent par ailleurs des droits d’accès de votre compte, ce qui élargit d’un coup la surface concernée.
Trois règles simples limitent les dégâts. Ne collez jamais de secret d’authentification dans une conversation : un mot de passe ou une clé se range dans un gestionnaire de mots de passe, jamais dans un assistant. Traitez les données de clients, de patients ou de salariés comme relevant d’un traitement à déclarer, pas comme un simple copier-coller. Écrivez enfin noir sur blanc ce qui est autorisé, dans le cadre décrit par la charte d’usage de l’IA en entreprise, en précisant qui peut activer la mémoire et sur quels espaces.
Avant d’écrire quoi que ce soit à un assistant, posez-vous la question du support : cette phrase va-t-elle rester dans un contexte éphémère, dans un historique conservé, dans une note réinjectée pendant des mois, ou dans un corpus d’entraînement ? Les quatre réponses n’engagent pas le même risque, et seuls les trois premiers cas se corrigent d’un clic.
Ne le lui demandez pas : allez dans les réglages. La plupart des services grand public affichent une liste des éléments mémorisés, ligne par ligne, avec la possibilité d’en supprimer un seul ou de tout vider. Poser la question dans la conversation donne une réponse plausible mais non fiable, car le modèle décrit ce qu’il a sous les yeux dans le contexte et peut compléter le reste par déduction. La liste des réglages est la seule source exacte.
Les conversations et les notes de mémoire associées au compte sont supprimées, avec un délai technique. Ce qui a déjà servi à entraîner un modèle ne peut pas en être retiré simplement, car les données y sont diluées dans des milliards de paramètres. Les fournisseurs traitent ce cas par filtrage des sorties et exclusion des corpus futurs. Vérifiez la procédure exacte, décrite dans supprimer un compte pour de bon.
Sur un compte individuel, non. Dans un espace de travail partagé, la réponse dépend de la configuration : certains outils professionnels alimentent une base de connaissances commune à l’équipe, où un document que vous avez déposé devient consultable par d’autres au détour d’une réponse. C’est un point à trancher explicitement dans la charte d’usage et à vérifier avant tout dépôt de document sensible.
Sur les préférences stables, oui : la langue, le format attendu, le niveau technique, le contexte professionnel évitent de tout réexpliquer. Sur le reste, elle introduit un effet pervers. Une note erronée ou périmée se réinjecte à chaque conversation et oriente les réponses sans que vous en soyez averti, y compris quand vous changez de sujet. Une revue trimestrielle de la liste coûte dix minutes et évite des mois de réponses biaisées.
Les liens ci-dessus renvoient vers les textes et les organismes cités. Les dates de consultation sont celles de la dernière relecture, le 13 septembre 2026.
Dans ce thème
Dans la rubrique
Modèles de langage, IA générative, deepfakes et règlement européen sur l’IA, expliqués sans hype ni panique.