IA & Transmission d'Entreprise

    RAG vs mémoire d'agent : la différence qui compte en M&A

    RAG vs mémoire d'agent : définitions, comparatif critère par critère et cas d'usage M&A. Le RAG lit un corpus figé, la mémoire écrit ce que l'agent apprend.

    Florent Jacques 7 juillet 2026— maj 7 juillet 2026 9 min de lecture
    Sommaire · 9 sections+

    L'essentiel

    • Le RAG (génération augmentée par récupération) retrouve des passages dans un corpus constitué en amont et les injecte dans la réponse du modèle.
    • Une mémoire d'agent écrit, met à jour et fait expirer des faits appris pendant l'exécution — elle construit un capital entre les sessions.
    • Un grand contexte (1 million de tokens sur Sonnet 5 depuis le 1er juillet 2026) ne remplace ni l'un ni l'autre.
    • En M&A : le RAG sert la documentation ; la mémoire sert la dynamique de marché — objections datées, critères d'acquéreurs qui évoluent.
    • Les deux se combinent ; le choix porte sur ce que chaque brique doit couvrir.

    Le RAG (génération augmentée par récupération) est une technique qui retrouve des passages pertinents dans un corpus documentaire, puis les injecte dans la réponse d'un modèle de langage. Le survey de référence sur la mémoire des agents (ACM Transactions on Information Systems, 2025) le distingue nettement des mémoires de long terme : le RAG lit un savoir constitué en amont, la mémoire écrit un savoir issu de l'exécution. Pour un cabinet M&A, la conséquence est directe : le RAG répond sur les documents du dossier, la mémoire capitalise sur le marché. Chez Gravity Capital, nous combinons les deux — la campagne apprend, le dossier reste lisible.

    RAG : définition opérationnelle en 2026

    Le RAG résout un problème précis : un modèle de langage ne connaît pas vos documents. La technique découpe un corpus, l'indexe, retrouve les passages pertinents pour une question, et les fournit au modèle au moment de répondre.

    Le corpus est figé et constitué par un utilisateur : contrats, mémorandums, comptes, notes sectorielles. Le RAG excelle quand la question est « où est l'information ». Un exemple M&A typique : « quelle clause d'earn-out figure dans la LOI du dossier X ? ». La réponse existe dans un document ; le RAG la retrouve.

    Sa limite tient à sa définition. Le corpus ne se met pas à jour tout seul, ne date pas la validité de ce qu'il contient, et n'enregistre rien de ce que l'agent vit en travaillant. Un refus d'acquéreur exprimé au téléphone hier n'existe dans aucun document — donc dans aucun RAG.

    Le RAG retrouve des passages dans un corpus constitué en amont et les injecte dans la réponse du modèle. Il répond à « où est l'information », jamais à « qu'avons-nous appris depuis ».

    Mémoire d'agent : le savoir qui s'écrit pendant l'exécution

    Une mémoire d'agent fait l'inverse du figé. Elle écrit des faits appris en travaillant, les met à jour quand ils changent, et les fait expirer quand ils périment.

    La recherche retient trois types de mémoire de long terme : épisodique (ce qui s'est passé, daté), sémantique (les faits consolidés) et procédurale (les méthodes apprises). Nous les détaillons dans notre pilier sur la mémoire agent IA appliquée au mandat M&A.

    L'exemple qui rend la différence tangible : un fonds décline un dossier en mars — « pas de cible sans revenus récurrents ». Le RAG n'en saura jamais rien. Une mémoire l'enregistre avec sa date et sa raison. Six mois plus tard, la relance change de nature : elle s'appuie sur ce que le marché a dit, pas sur un modèle générique.

    Mem0, papier de recherche ECAI 2025 : environ 1 800 tokens par échange avec mémoire, contre 26 000 en rechargement complet de l'historique — retenir coûte moins cher que relire.

    RAG vs mémoire : le comparatif critère par critère

    Le tableau qui suit compare les deux architectures — et ajoute le contexte long, souvent présenté à tort comme un substitut aux deux.

    RAG vs mémoire d'agent vs contexte long — comparatif appliqué au M&A (juillet 2026)
    Critère RAG Mémoire d'agent Contexte long
    Origine du savoir Corpus constitué en amont Faits appris pendant l'exécution Ce qui est chargé dans la session
    Mise à jour Manuelle (ré-indexer) Automatique (écrire / corriger / expirer) Aucune — disparaît avec la session
    Temporalité Non datée par défaut Fenêtres de validité possibles Instantanée
    Persistance entre sessions Oui, mais figée Oui, vivante Non
    Question type « Où est l'information ? » « Qu'avons-nous appris, est-ce encore vrai ? » « Que dit ce document maintenant ? »
    Cas M&A naturel Data room, contrats, IM Objections, critères d'acquéreurs, historiques d'approche Analyse d'un document long en une session
    Risque principal Corpus périmé sans alerte Gouvernance de l'oubli à organiser Coût par appel, aucune capitalisation

    Vous voulez mesurer ce qu'un univers acquéreurs vivant change sur un dossier réel ? Gravity Scan livre les acquéreurs naturels de votre dossier, scorés, en 1 heure.

    Contexte long, RAG, mémoire : trois réponses à trois problèmes

    La confusion vient de ce que les trois techniques manipulent de l'information. Elles répondent pourtant à trois problèmes distincts, et l'actualité de juillet 2026 l'illustre.

    Anthropic a lancé Sonnet 5 le 1er juillet 2026 avec une fenêtre d'un million de tokens. Une fenêtre géante règle le découpage des documents : un mémorandum entier tient dans une session. Elle n'apporte ni persistance entre sessions, ni oubli sélectif, ni cloisonnement entre dossiers. Le contexte est une taille. La mémoire est un cycle de vie.

    Anthropic (1er juillet 2026) : Sonnet 5 ouvre une fenêtre de contexte d'un million de tokens — la taille d'une session change d'échelle, la persistance entre sessions reste à construire.
    « Le RAG répond à "où est l'information". La mémoire répond à "qu'avons-nous appris, et est-ce encore vrai". »
    — Florent Jacques, Head of AI, Gravity Capital, juillet 2026

    Pour autant, opposer les techniques serait une erreur d'architecture. Un agent M&A sérieux combine les trois : contexte long pour lire, RAG pour les documents du dossier, mémoire pour le savoir de marché. Le débat utile porte sur les frontières — quelle information vit où, avec quelle durée de validité, sous quelle règle de confidentialité.

    Contexte long, RAG et mémoire résolvent trois problèmes distincts : lire un document volumineux, retrouver un passage dans un corpus, capitaliser un savoir de marché daté. Un agent M&A sérieux combine les trois.

    Ce que le RAG ne remplace pas sur un mandat M&A

    Sur un mandat, le RAG couvre la matière documentaire. Il ne remplace ni la mémoire de marché, ni le jugement du conseil.

    La dynamique acquéreurs-cédants vit hors des documents : un refus au téléphone, un changement de thèse d'investissement, un fonds qui lève un nouveau véhicule. Cette matière se capte pendant l'exécution — c'est le territoire de la mémoire. Et la relation, la négociation, la signature restent au conseil : l'agent exécute, il ne conseille pas. Chez Gravity Capital, nous avons construit l'agent sur ce partage.

    Gravity Capital (juin 2026) : 15 à 20 % de taux de réponse en campagne multi-canal quand l'historique d'approche est capitalisé — la mémoire de marché se mesure sur le terrain.
    Sur un mandat M&A, le RAG couvre la matière documentaire — data room, contrats, mémorandums. La dynamique de marché — refus, objections, critères qui évoluent — naît pendant l'exécution et relève de la mémoire d'agent.

    Conclusion : choisir des frontières, pas un camp

    Retenons l'essentiel. Le RAG lit un corpus figé, la mémoire écrit un savoir vivant, le contexte long agrandit la session. Sur un mandat M&A, la bonne architecture assigne chaque information à la bonne brique — et la bonne question à poser à un outil reste : que retient-il d'un dossier à l'autre ?

    S'inscrire au Radar Tech M&A Découvrir Gravity Scan

    FAQ — RAG et mémoire d'agent

    Questions fréquentes

    Questions fréquentes

    Questions fréquentes

    Questions fréquentes

    Sources

    • Zhang et al., « A Survey on the Memory Mechanism of Large Language Model-based Agents », ACM Transactions on Information Systems, 2025 — doi.org/10.1145/3748302
    • Chhikara et al., « Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory », ECAI 2025 — arXiv 2504.19413
    • Anthropic — lancement de Claude Sonnet 5, fenêtre d'un million de tokens, 1er juillet 2026 (relayé presse spécialisée)
    • PwC, « Global M&A industry trends: 2026 mid-year outlook », juin 2026 — pwc.com