NVIDIA montre comment NemoClaw donne mémoire persistante et actions gouvernées aux agents d’entreprise

NVIDIA a publié un nouvel exemple technique montrant comment des agents IA d’entreprise peuvent utiliser une mémoire persistante sans transformer cette mémoire en autorité incontrôlée. L’article du 4 septembre, “Building a Memory-Driven Agent with NVIDIA NemoClaw”, décrit un agent de type Chief of Staff qui maintient un self model lisible par l’humain sur les personnes, projets, priorités et habitudes de travail, tout en utilisant un journal séparé pour les obligations, classements, corrections et événements d’audit.

Le problème visé par NVIDIA est familier aux équipes qui expérimentent des agents au travail. Un assistant utile ne peut pas traiter chaque demande comme une conversation repartant de zéro. Il doit savoir quels projets comptent, comment les collaborateurs sont liés, quelles décisions ont déjà été prises et quels engagements restent ouverts. Mais la mémoire peut aussi devenir risquée si le système cache des hypothèses, conserve de mauvais jugements ou laisse le contexte agir comme une autorisation silencieuse. La conception de NVIDIA sépare preuves, connaissances et exécution gouvernée afin que les développeurs puissent inspecter le chemin vers une conclusion.

Dans l’exemple, le self model est stocké sous forme de pages Markdown structurées couvrant personnes, projets, priorités, objectifs, concepts et motifs récurrents de travail. Un ledger SQLite enregistre les jugements, comme le classement des obligations, les corrections utilisateur et l’historique d’audit. Cette séparation est volontaire: une page mémoire peut indiquer qu’un collaborateur préfère Slack, mais envoyer un message Slack dépend toujours des identifiants, de la politique d’exécution et de l’approbation de l’utilisateur. Le contexte peut informer une action, pas l’autoriser.

NVIDIA rapporte des gains mesurables. Dans son Agent Memory Benchmark, le self model fait passer la précision globale à 90,9%, contre 82,8% pour une base RAG agentique. Les plus fortes progressions concernent des catégories difficiles, notamment le suivi de faits qui changent avec le temps, le raisonnement à un moment précis et la désambiguïsation d’entités. Ces résultats suggèrent que la mémoire persistante n’est pas seulement une commodité: elle peut aider un agent à répondre à des questions qui exigent une continuité entre de nombreux messages et décisions.

La sécurité constitue le second pilier. L’exemple associe NVIDIA NemoClaw à NVIDIA OpenShell, un runtime sécurisé pour agents autonomes, afin d’exécuter l’agent dans une sandbox et de gouverner l’accès au système de fichiers, aux processus et au réseau. Les identifiants pour l’inférence managée et les connexions MCP restent hors de la sandbox. C’est essentiel, car les mémoires d’entreprise, documents récupérés et descriptions d’outils sont des entrées du modèle, non des règles de sécurité. Si l’agent les interprète mal ou suit des instructions malveillantes, la frontière d’exécution doit limiter l’impact.

Plus largement, la mémoire des agents devient une infrastructure. Les fournisseurs ne montrent plus seulement des agents capables d’appeler des outils; ils cherchent à démontrer des systèmes qui se souviennent, peuvent être corrigés, restent auditables et agissent dans des limites applicables. Pour les acheteurs d’entreprise, cela pourrait séparer la démonstration séduisante du système réellement déployable.