Lorsqu'un développeur initie une nouvelle session avec un assistant de codage basé sur l'IA, comme Cursor ou Claude Code, l'outil repart de zéro. Il ignore les préférences spécifiques de l'équipe, telles que l'utilisation de Streamlit, le choix des icônes ou les résolutions de conflits de ports survenues des mois plus tôt. Cette amnésie constante force les humains à répéter les mêmes informations, gérant manuellement un état qui pourrait être automatisé. Par architecture, les grands modèles de langage (LLM) sont conçus pour être sans état : chaque conversation est une page blanche dans une fenêtre de contexte limitée qui s'efface à la fermeture, une mesure de sécurité qui crée une friction pour la continuité du travail. L'absence de mémoire à long terme engendre un coût de répétition croissant. Sans contexte persistant, chaque session commence froidement, obligeant l'utilisateur à re-copier des conventions, à expliquer des paramètres et à répondre aux mêmes questions de clarification. La qualité du code généré est directement proportionnelle à la qualité du contexte fourni. L'ingénierie du contexte émerge alors comme une discipline essentielle, visant à assembler systématiquement les informations dont l'IA a besoin, fonctionnant comme un processus d'onboarding pour les nouvelles technologies. Les solutions pour combler ce vide s'organisent en quatre niveaux de sophistication. Le niveau 1 repose sur les fichiers de règles projet, des documents Markdown placés à la racine du code source. Ces fichiers explicitent les conventions et sont versionnés avec le code, permettant à tout nouveau membre de l'équipe ou assistant d'accéder immédiatement aux règles établies. Le niveau 2 concerne les règles globales, stockées pour s'appliquer à tous les projets d'un développeur, distinguant les préférences de style de communication des choix techniques spécifiques. Des standards émergents comme les fichiers SKILL.md introduisent des compétences portables, distinctes des règles de configuration comportementale. Le niveau 3 propose des systèmes de mémoire implicite qui fonctionnent en arrière-plan. Des outils comme Pieces captent l'activité sur le système d'exploitation, tandis que d'autres, tels que Claude Code, génèrent automatiquement des notes de projet. Cette approche descriptive permet de récupérer des informations passées sans intervention manuelle. Le protocole Model Context (MCP) commence à faciliter l'interopérabilité, permettant à différents assistants d'accéder à ces sources de données externes via une interface commune. Le niveau 4, destiné aux besoins spécifiques des entreprises, implique la création d'infrastructures de mémoire personnalisées utilisant des bases de données vectorielles ou des API de mémoire pour gérer l'extraction et la déduplication des informations. Pour la plupart des équipes, commencer par un fichier de règles dans le projet est la méthode la plus efficace pour réduire la friction. La tendance lourde indique que la mémoire devient une fonctionnalité centrale des outils de développement, bien que les modèles sous-jacents restent sans état. Des écosystèmes comme OpenClaw explorent des agents capables de modifier leur propre mémoire à long terme, évoluant autonomement. Au final, la persistance de la mémoire transforme la répétition en investissement à rendement composé, où la documentation initiale paie dividendes sur la durée.