Perplexity Brain : la mémoire d'agent qui s'améliore seule

La mémoire des agents IA a longtemps été centrée sur un seul objectif : mieux vous connaître. Vos préférences, votre style de travail, vos contacts habituels. Ce que personne n'avait encore résolu : mémoriser ce que l'agent a fait, ce qui a fonctionné, et comment mieux opérer la prochaine fois. Perplexity vient de changer ça avec Brain, lancé le 18 juin 2026.

Réponse directe : Brain est un système de mémoire auto-apprenante pour agents IA. Il construit un graphe de contexte de tout le travail effectué, synthétise chaque nuit les sessions passées pour en tirer des améliorations, et charge ce graphe dans l'agent au démarrage de chaque nouvelle tâche. Résultat : +25% de précision sur les tâches déjà rencontrées, +16% de recall, et -13% de coût sur les tâches nécessitant un contexte historique.

Deux types de mémoire, deux finalités très différentes

Il existe deux façons de concevoir la mémoire dans un agent IA.

La première, la plus répandue : la mémoire centrée sur l'utilisateur. Elle retient vos préférences, votre rôle, vos contacts habituels. Sa finalité est de vous donner le sentiment que l'agent vous "connaît". C'est utile pour l'engagement, pas pour la performance opérationnelle.

La seconde, celle de Brain : la mémoire centrée sur le travail effectué. Elle retient ce que l'agent a fait, ce qui a produit un bon résultat, ce qui a échoué, et quelles corrections l'utilisateur a apportées. Sa finalité est que l'agent s'améliore à chaque cycle.

Cette distinction est fondamentale. Un agent qui mémorise vos goûts peut sembler plus agréable à utiliser. Un agent qui mémorise ce qui a fonctionné hier livre de meilleures réponses demain.

Le graphe de contexte : un wiki que l'agent construit lui-même

Brain forme un graphe de contexte vivant : une carte traçable des idées, personnes, projets, sources et artéfacts qui constituent le monde de travail de l'utilisateur.

Ce graphe prend la forme d'un wiki LLM, chargé automatiquement dans le sandbox de l'agent au démarrage de chaque session. Chaque entrée du wiki pointe vers la session, le fichier ou la source dont elle est issue. La traçabilité est totale.

La nuit, Brain synthétise les sessions de la journée : les résultats des connecteurs, les changements dans les documents sources, les corrections apportées par l'utilisateur. Il met à jour le wiki en conséquence. Le lendemain, l'agent démarre avec un graphe plus riche, plus précis, mieux orienté vers ce que l'utilisateur cherche à accomplir.

Résultat concret : l'agent peut récupérer les sources les plus fiables directement, sans chercher, parce que Brain a déjà cartographié les raccourcis depuis les sessions précédentes.

Les résultats publiés par Perplexity

Les premiers résultats de mesure de Brain montrent :

• +25% de précision des réponses sur les tâches déjà rencontrées
• +16% de recall (taux de récupération des bonnes informations)
• -13% de coût sur les tâches qui nécessitent un contexte historique
• Amélioration continue : les gains s'accumulent à mesure que l'agent apprend le monde de l'utilisateur

Le mécanisme est auto-renforçant. Chaque correction apportée par l'utilisateur (une source erronée, une réponse à reformuler) devient une donnée d'apprentissage. L'agent mémorise non seulement la correction, mais aussi le contexte qui l'a rendue nécessaire. Chaque session est donc un investissement en efficacité future.

Ce que ça change pour les déploiements d'agents en production

Brain représente un changement de paradigme pour les agents en production : de la session isolée vers l'agent qui accumule du savoir opérationnel.

Pour une PME qui déploie un agent de veille concurrentielle ou un assistant documentaire, la question n'est plus seulement "quelle est la performance à la première requête ?" mais "quelle est la performance après 30 jours d'utilisation intensive ?"

Un agent avec une mémoire de travail persistante peut :

• Identifier les lacunes récurrentes dans la base documentaire
• Détecter automatiquement les incohérences entre sessions
• Réduire le nombre d'appels au LLM sur les tâches répétitives (d'où la baisse de coût)
• Signaler une opportunité ou un problème avant même d'être sollicité (mode proactif)

Note pour les équipes soumises au RGPD : Brain est actuellement disponible pour les abonnés Max et Enterprise Max de Perplexity Computer. Les données de travail, corrections et sessions qui alimentent Brain sont stockées sur l'infrastructure de Perplexity, hébergée aux États-Unis. Pour les entreprises qui traitent des données confidentielles ou personnelles, cela implique d'évaluer si ces données constituent un transfert hors UE au sens de l'Article 44 du RGPD. Les solutions auto-hébergées qui implémentent une logique similaire (graphe de contexte + synthèse nocturne sur Elasticsearch ou Qdrant, déployés en infrastructure EU) permettent de reproduire ce pattern avec un contrôle total des données, sans dépendance à un fournisseur américain.

TL;DR

Brain est la première implémentation grand public d'une mémoire d'agent centrée sur le travail effectué, et non sur les préférences de l'utilisateur. Le graphe de contexte LLM, synthétisé chaque nuit, améliore la précision de 25% et réduit les coûts de 13% sur les tâches avec historique. Le principe est reproductible en auto-hébergement, ce qui est pertinent pour les équipes européennes qui ne peuvent pas déléguer leurs données de travail à une infrastructure américaine.

Vous déployez un agent IA en production et souhaitez implémenter une mémoire de travail persistante sur infrastructure EU ? Parlons-en.