Databricks a publié le 20 octobre 2026 MemCurrent, une architecture de mémoire pour agents, et lancé en parallèle Agent Memory en bêta sur sa plateforme Agent Bricks : les agents d'entreprise ne repartent plus de zéro à chaque conversation, mais conservent faits, préférences et méthodes de travail d'une session à l'autre. Sur un benchmark interne bâti à partir de conversations métier réelles, l'ajout de cette mémoire a fait passer le taux d'achèvement de 114 tâches d'entreprise de 22,3 % sans mémoire à 68,4 %, avec 31 % de tokens en moins et une exécution 26 % plus rapide. Le modèle n'a pas changé d'un iota : tout l'écart vient de la manière de stocker et de ranger la mémoire.
La clé : deux couches, pas davantage de stockage
MemCurrent divise la mémoire en deux. La mémoire épisodique conserve l'enregistrement brut des conversations et des actions, comme un livre de comptes. La mémoire dérivée en distille préférences, définitions et flux de travail, comme un carnet déjà mis au propre. Les mesures séparées sont parlantes : la mémoire épisodique seule n'atteint que 35,8 % d'achèvement, la mémoire dérivée seule 66,1 %, et les deux ensemble 68,4 %. Verser tout l'historique dans le contexte est donc bien moins efficace que de le distiller d'abord. Sur trois benchmarks publics, MemCurrent a égalé la performance obtenue en fournissant tout l'historique, avec douze fois moins de tokens, et dépassé trois systèmes de mémoire open source, Mem0, PropMem et OpenClaw memory. Tous ces chiffres émanent de Databricks et n'ont pas encore été reproduits par des tiers, ce qui doit accompagner toute citation.
Le « rêve » hors ligne : la mémoire se range après le travail, pas pendant
Le choix de conception le plus singulier est une étape de consolidation hors ligne que Databricks compare au rêve. Pendant le travail, l'agent se contente de noter ce qui s'est passé ; ensuite, un pipeline dédié fusionne, déduplique et résout les conflits dans la mémoire stockée, de sorte que les définitions récentes remplacent les anciennes et que les faits répétés ne survivent qu'en un exemplaire. Côté produit, Agent Memory repose sur la base Lakebase : l'agent charge au démarrage un index de ce qu'il sait déjà et récupère les détails à la demande, et la CLI d'Agent Bricks permettrait de déployer un agent doté de mémoire en quelques minutes. L'architecture alimente déjà Agent Bricks Memory et Genie, le produit de questions-réponses sur données de Databricks.
Pas le même sujet que le « souviens-toi de moi » grand public
Les produits grand public rivalisent aussi sur la mémoire — par exemple les nouveaux chats verrouillés de ChatGPT, qui isolent les conversations sensibles dans un espace et une mémoire séparés, une question de frontières de vie privée personnelle. MemCurrent vise la mémoire organisationnelle : un agent de support distille des réponses depuis l'historique de tickets de toute une équipe, et l'agent du collègue suivant en hérite. Ce déplacement pose une question de gouvernance, car une mémoire mal distillée sera réutilisée sous l'étiquette de l'expérience ; ce que les entreprises doivent conserver, c'est la chaîne de provenance et un moyen de corriger les entrées, pas seulement un taux d'achèvement plus élevé. Pour les équipes qui construisent leurs propres agents, la conclusion pratique est concrète : stocker séparément enregistrements bruts et conclusions distillées, laisser à la distillation du temps hors ligne, et seulement ensuite parler d'un plus gros modèle.
