La mémoire active conserve d’une session à l’autre les informations utiles à une tâche, afin que les modèles puissent reprendre leur travail sans devoir réingérer l’historique complet. Plutôt qu’un simple journal de conversation générique, Meta présente la mémoire comme sélective et liée à une tâche : le modèle retient les faits et les résultats qui influent concrètement sur un objectif en cours. L’attention active relève du comportement : elle permet aux agents de persévérer face aux échecs, d’essayer d’autres stratégies et de vérifier les résultats avant de prendre des mesures importantes. En pratique, cela réduit la fragilité des échanges ponctuels et favorise les processus qui s’étendent sur plusieurs jours ou semaines.

Muse Wonder est accessible via Meta Model API et Muse Code, tandis que Muse Wonder Full est réservé aux abonnés de Muse Code. Les ingénieurs plateforme devront donc choisir entre une intégration centrée sur l’API et l’intégration de Wonder à l’orchestration d’agents dans Muse Code. De nouveaux modèles de SDK devraient apparaître pour gérer le cycle de vie de la mémoire (création, portée, expiration), son accès soumis à autorisation, ainsi que l’exportation ou la suppression des instantanés de mémoire. Les équipes doivent prévoir des évolutions de leur infrastructure : pistes d’audit, mémoire versionnée et tests d’alignement pour préserver la reproductibilité et la conformité.

La mémoire active soulève des questions de gouvernance qui sont autant opérationnelles que techniques. Combien de temps les souvenirs liés à une tâche doivent-ils être conservés ? Qui peut les consulter ou les supprimer ? Meta indique que les modèles évitent de partager des informations privées sans autorisation et refusent les actions nuisibles, mais les organisations doivent appliquer des contrôles d’accès au niveau de l’intégration. Dans les secteurs réglementés, comme la finance et la santé, les entreprises auront besoin de journaux d’audit plus détaillés, de règles de conservation et de mécanismes de consentement. Les équipes de sécurité devraient traiter la mémoire comme un état sensible et la protéger avec les mêmes contrôles que les bases de données ou les systèmes de journalisation.

Muse Spark a posé les bases : un modèle centré sur l’humain, conçu pour être sûr et utile. Muse Wonder s’appuie sur ces fondations en y ajoutant un raisonnement de pointe, une gestion étendue du contexte et des comportements agentiques explicites. Pour les équipes produit, la différence concrète tient moins à la qualité brute du texte qu’à la fiabilité des processus : Wonder est conçu pour prendre en charge des tâches en plusieurs étapes de bout en bout, tandis que Spark est optimisé pour l’assistance en un seul tour et les échanges plus simples, à moindre risque. Les priorités d’investissement évoluent ainsi : de l’ingénierie des prompts vers la conception de la mémoire et l’orchestration.

Muse Wonder réduit les écarts de différenciation en intégrant des primitives agentiques que ses concurrents proposent au moyen d’outils ou de solutions d’orchestration tierces. OpenAI, Anthropic et Google ont chacun des atouts — puissance des modèles, pistes d’audit axées sur la sécurité ou ancrage dans la recherche —, mais la mémoire et l’attention intégrées de Meta font davantage dépendre le choix de l’adéquation à la plateforme et des contrôles destinés aux entreprises. Attendez-vous à une concurrence accrue autour des tarifs pour les longues sessions, de la gouvernance de la mémoire de niveau entreprise et des partenariats intégrant les modèles à des processus sectoriels, comme l’examen juridique ou la planification financière.