Divinexa : quand la mémoire change la relation entre l’IA et la consultation

Le problème à comprendre

Il est désormais relativement simple de connecter un modèle d'intelligence artificielle à un jeu de tarot, de lui transmettre la signification des cartes, quelques règles d'interprétation et un contexte utilisateur, puis de générer en quelques secondes une réponse suffisamment fluide pour donner l'impression d'une consultation personnalisée. Cette rencontre entre pratiques divinatoires et IA générative peut encore sembler nouvelle vue de l'extérieur, mais elle ne constitue déjà plus, à elle seule, une différenciation technologique ou commerciale. En France comme à l'international, des services proposent des tirages automatisés, des personnages artificiels, de l'astrologie assistée par IA, des questions de suivi, des expériences vocales, des applications mobiles et, pour certains, une forme de mémoire entre les séances.

Présenter Divinexa comme une simple "voyance par IA" serait donc réducteur. Ce serait également passer à côté de la partie du projet qui nous intéresse le plus chez Koperateur Consulting : que se passe-t-il lorsque l'on cesse de considérer chaque interaction avec un modèle comme une conversation autonome et que l'on commence à construire une continuité qui doit rester pertinente plusieurs semaines ou plusieurs mois plus tard ?

Je dois préciser ici ma position. Koperateur Consulting participe à la conception et au développement de Divinexa. Cette analyse n'est donc pas celle d'un observateur extérieur découvrant le produit après sa mise en ligne. Cette proximité crée un biais évident qu'il faut assumer, mais elle permet aussi d'observer les choix, les tensions et les limites d'un système avant qu'ils ne soient réduits à une liste de fonctionnalités commerciales. L'objectif de cet article n'est pas d'expliquer que Divinexa serait "meilleure" que les autres plateformes, encore moins de transformer Kachouri en support promotionnel. Il s'agit plutôt d'utiliser ce projet comme un cas concret pour examiner une question plus large : comment une intelligence artificielle peut-elle inscrire une interaction dans le temps sans transformer la mémoire en simple accumulation de données ?

Le marché permet justement de replacer cette question dans son contexte. Nostra travaille notamment la simplicité d'entrée et le geste du tirage. Chatarot pousse plus loin la matérialité de l'expérience avec une table de tarot en trois dimensions, le mélange, le retournement et la sélection manuelle des cartes. The Oracle développe publiquement un discours autour de la mémoire et de la continuité entre plusieurs interactions. En France, Oraclia revendique également une mémoire entre consultations. D'autres acteurs travaillent davantage la richesse fonctionnelle, l'acquisition organique, le mobile, la voix ou la multiplication des personnalités artificielles. Le constat est important : disponibilité permanente, réponse rapide, tirage par IA, historique et même mémoire ne constituent déjà plus, pris isolément, une différenciation suffisante. La nouveauté éventuelle de Divinexa doit donc être cherchée dans la manière dont ces briques sont articulées, gouvernées et éprouvées dans le temps.

La question intéressante commence donc après le premier effet de démonstration. Une réponse générée aujourd'hui peut être excellente sans que le système sache encore correctement l'utiliser trois mois plus tard. Une conversation peut être sauvegardée sans être comprise. Un historique peut être parfaitement conservé sans que l'on sache quelle information a changé, quelle hypothèse a été invalidée ou pourquoi un événement ancien mérite soudain de redevenir pertinent.

C'est à cet endroit que Divinexa quitte, à mes yeux, le seul terrain de la voyance numérique pour devenir un sujet de Knowledge Management.

Une consultation ne se résume pas à une requête

Une grande partie des expériences conversationnelles reste structurée autour d'un cycle court. L'utilisateur pose une question, un contexte est transmis au modèle, une réponse est générée, puis l'échange rejoint éventuellement un historique. Lorsque l'utilisateur revient, le système peut relire les derniers messages, récupérer un résumé ou retrouver quelques éléments jugés proches de la nouvelle demande. Cela peut suffire pour de nombreux usages ponctuels.

Une relation plus longue pose cependant un problème différent. Imaginons qu'une personne consulte une première fois au sujet d'un projet professionnel. Quelques semaines plus tard, elle revient parce qu'un investisseur potentiel s'est présenté. Deux mois passent encore et une nouvelle consultation concerne cette fois une difficulté avec un associé. Pour un historique classique, il existe trois conversations. Pour une mémoire structurée, ces échanges peuvent appartenir à une même trajectoire, mais uniquement si le système est capable de comprendre ce qui les relie sans inventer une continuité qui n'existe pas.

Le problème n'est alors plus seulement : "Que faut-il répondre à cette question ?" Il devient : "Qu'est-ce qui, dans ce que le système connaît déjà, est suffisamment pertinent et fiable pour éclairer cette nouvelle situation ?" Cette nuance modifie profondément l'architecture. Il faut tenir compte de la temporalité, des contradictions, de l'origine de l'information, de sa nature et parfois de son niveau de confiance. Il faut également accepter qu'un élément auparavant important puisse devenir secondaire ou qu'une information nouvelle oblige à réviser ce que le système croyait avoir compris.

C'est exactement le type de problème que l'on rencontre dans une organisation lorsqu'un projet, une décision ou une relation évolue. Stocker davantage ne suffit pas. Il faut qualifier, relier, réviser et reconstruire le contexte utile au moment où il redevient nécessaire.

Claude-Alexis comme origine méthodologique, pas comme avatar

Un autre choix structurant concerne l'origine de la méthode. Le marché de l'IA conversationnelle a rapidement adopté le principe de personnages artificiels auxquels on attribue un prénom, un visage, une spécialité et une personnalité. Cette approche peut produire d'excellentes expériences, mais elle ne répond pas au même objectif que Divinexa.

Le projet s'appuie sur une méthodologie associée à Claude-Alexis, à son parcours public, à ses pratiques et à la manière dont il structure une consultation. Son site officiel documente une activité de consultation, des ouvrages, des oracles et une présence médiatique qui permettent au moins d'identifier clairement l'origine humaine de cette méthode. Cette dimension compte parce qu'elle évite de construire l'ensemble de l'expérience autour d'un personnage artificiel dont l'autorité aurait été créée par le produit lui-même.

Il faut néanmoins conserver une frontière claire : l'intelligence artificielle n'est pas Claude-Alexis. Elle ne constitue pas une numérisation de la personne et ne doit pas être présentée comme telle. La formulation la plus juste consiste à parler d'une méthodologie humaine augmentée par un système d'intelligence artificielle. Claude-Alexis apporte une direction et un cadre ; l'IA apporte des capacités conversationnelles, de contextualisation et de continuité. La valeur éventuelle vient de leur articulation, pas de leur confusion.

Cette précision rejoint une question plus générale de gouvernance des systèmes d'IA. Le modèle de langage n'est qu'une composante. Les règles, le corpus, la mémoire, les mécanismes de sélection, l'interface, les garde-fous et les modalités de restitution participent ensemble au comportement final. Deux services peuvent utiliser le même modèle et produire des expériences profondément différentes parce que leur architecture, leur méthodologie et leur manière d'organiser le contexte ne sont pas les mêmes.

Ce que le terrain montre

La première observation issue du travail sur Divinexa est contre-intuitive : une bonne mémoire n'est probablement pas celle qui retient le plus d'informations. Une mémoire exhaustive finit par créer du bruit, augmente le coût du traitement et risque de donner une importance excessive à des éléments anciens simplement parce qu'ils sont disponibles. Le problème devient donc celui de la sélection et de l'évolution de la connaissance.

Une information peut avoir été exacte au moment où elle a été exprimée puis ne plus correspondre à la situation actuelle. Une inquiétude peut disparaître, une hypothèse être infirmée, un projet abandonné ou un interlocuteur changer de rôle. À l'inverse, un détail apparemment secondaire peut devenir important plusieurs semaines plus tard parce qu'un nouvel événement lui donne une autre signification. Une architecture de mémoire doit pouvoir représenter ces transformations sans reconstruire artificiellement un récit parfaitement cohérent.

Cette logique rejoint directement les travaux que nous avons formalisés chez Koperateur Consulting autour d'OAM, Organic Augmented Memory. Dans l'article consacré à cette architecture, je distingue volontairement la récupération documentaire d'une mémoire relationnelle, évolutive et révisable. OAM n'a pas vocation à remplacer mécaniquement le RAG, mais à traiter un problème qui apparaît dès qu'un contexte possède une histoire : déterminer ce qui était vrai, ce qui l'est encore, ce qui a changé, ce qui doit être relié et ce qu'il est préférable de ne plus réinjecter.

Divinexa constitue un terrain particulièrement exigeant pour ce type d'architecture parce que la matière manipulée n'est pas un corpus documentaire relativement stable. Elle est faite de conversations, d'interprétations, d'événements racontés par l'utilisateur et de situations qui peuvent évoluer rapidement. Le système doit donc éviter deux excès opposés : oublier trop facilement ce qui permettrait une continuité utile, ou surinterpréter le passé au point d'enfermer chaque nouvelle consultation dans les précédentes.

De l'historique à la connaissance exploitable

La différence entre historique et mémoire est facile à masquer derrière les mots. Un historique conserve ce qui s'est passé. Une mémoire utile doit déterminer ce qui mérite encore d'être utilisé. Cela implique de pouvoir distinguer, autant que possible, un fait déclaré par l'utilisateur d'une interprétation produite par le système, un événement rapporté d'un résultat de tirage, une situation actuelle d'un état historique, une hypothèse d'un élément confirmé et une information importante d'un détail circonstanciel.

Cette distinction introduit une notion essentielle : la provenance. Après plusieurs mois d'interactions, il ne suffit plus de savoir qu'une information existe dans la mémoire. Il faut pouvoir déterminer d'où elle vient, à quelle date elle a été acquise, dans quel contexte elle a été formulée et quel statut elle possède aujourd'hui. Sans cette provenance, une interprétation ancienne produite par l'IA pourrait progressivement être réinjectée comme si elle constituait un fait déclaré par l'utilisateur. Une mémoire gouvernée doit au contraire pouvoir faire évoluer le statut d'une connaissance : actuelle, historique, incertaine, contredite, remplacée, obsolète ou à ne plus réinjecter.

Dans les premiers usages observés, l'intérêt apparaît lorsque le système ne restitue pas mécaniquement les anciennes consultations mais qu'il sélectionne quelques éléments capables d'éclairer une nouvelle situation. C'est précisément cette capacité qui devra être évaluée sur la durée. Quelques démonstrations convaincantes ne suffisent pas à établir qu'une mémoire restera pertinente après plusieurs dizaines de consultations. Il faudra regarder comment les erreurs se propagent, comment les contradictions sont traitées et si le système sait réellement réduire le poids d'une information devenue obsolète.

Cette réserve est importante. La profondeur d'une mémoire est très difficile à démontrer sur une page d'accueil. Tous les services peuvent écrire qu'ils "se souviennent de vous". La différence n'est visible que lorsque le temps a passé. La preuve la plus intéressante ne sera donc probablement pas une promesse supplémentaire, mais un cas longitudinal anonymisé montrant plusieurs consultations espacées, les changements intervenus entre elles et la manière dont certains éléments anciens ont été retrouvés ou, au contraire, volontairement laissés de côté.

Le droit à l'oubli devient une fonction produit

La seconde observation est plus sensible : plus la mémoire devient performante, plus sa gouvernance devient critique. Une consultation de voyance peut naturellement conduire une personne à évoquer sa santé, sa vie sentimentale, sa situation financière, ses croyances, des difficultés psychologiques ou des informations concernant des tiers. La mémoire n'est donc pas seulement un sujet de performance technique.

La CNIL a précisément sanctionné en septembre 2024 deux sociétés de voyance à distance, COSMOSPACE et TELEMAQUE, pour plusieurs manquements comprenant la conservation excessive de données personnelles et la collecte de données sensibles sans consentement valable. L'autorité rappelle notamment qu'une information sensible révélée spontanément pendant une consultation ne vaut pas, à elle seule, consentement explicite à son traitement.

Cette jurisprudence sectorielle rend le sujet particulièrement concret pour Divinexa. Si la mémoire participe à la valeur du service, l'utilisateur doit pouvoir comprendre ce qui est retenu, pourquoi cela l'est, pendant combien de temps et selon quelles modalités cette information peut être corrigée ou supprimée. Une architecture mature devrait permettre de distinguer la suppression d'une conversation, l'oubli d'une information particulière, la désactivation de la mémoire et la suppression complète du compte et du corpus associé.

À terme, une mémoire réellement gouvernable ne devrait pas seulement permettre d'effacer. Elle devrait aussi permettre de comprendre pourquoi une information est présente, d'où elle provient, quand elle a été acquise, de la corriger et, lorsque cela devient nécessaire, de lui retirer son statut de connaissance active. Cette capacité est moins visible qu'un nouveau modèle ou qu'une interface spectaculaire, mais elle devient déterminante dès qu'un système prétend accompagner une personne dans la durée.

Dans ce type de produit, la confiance ne peut donc pas être confinée dans une politique de confidentialité. Elle doit devenir une composante visible de l'expérience et, idéalement, une fonction de contrôle accessible à l'utilisateur.

Mémoire personnelle et entraînement ne doivent pas être confondus

Une conversation peut être conservée pour permettre la continuité d'un service sans être utilisée pour entraîner un modèle. Ces deux finalités sont différentes, même si elles sont souvent confondues dans le débat public. Toute promesse sur ce sujet doit cependant correspondre exactement à l'architecture réellement déployée, aux fournisseurs utilisés et aux contrats applicables.

La bonne question ne se limite donc pas à savoir si une plateforme "conserve les conversations". Il faut demander pourquoi elles sont conservées, quelles informations alimentent la mémoire personnelle, quels éléments peuvent être transmis aux fournisseurs techniques nécessaires au traitement, combien de temps ils sont conservés, comment ils peuvent être exportés ou supprimés et s'ils participent, ou non, à l'amélioration ou à l'entraînement d'un modèle.

Ce vocabulaire est beaucoup moins spectaculaire qu'une démonstration d'IA, mais il devient central dès lors que le produit veut établir une relation durable avec son utilisateur.

La personnalisation peut devenir survalidation

Le troisième enseignement concerne le comportement du modèle lui-même. Une consultation intime est un environnement difficile pour une IA conversationnelle parce que l'utilisateur peut rechercher une confirmation, reformuler plusieurs fois une question ou attribuer une forte importance à certaines réponses. De son côté, un modèle génératif tend naturellement à produire une réponse cohérente avec le cadre proposé et à maintenir une interaction satisfaisante.

Une mémoire longue peut amplifier ce phénomène. Plus le système connaît les attentes, les inquiétudes et les formulations auxquelles l'utilisateur réagit positivement, plus il risque de reproduire ce qui le conforte. La personnalisation pourrait alors glisser vers la survalidation émotionnelle. Une bonne architecture doit donc être évaluée non seulement sur sa capacité à retenir, mais aussi sur sa capacité à ne pas exploiter cette connaissance pour renforcer mécaniquement les croyances ou les attentes de l'utilisateur.

Cette limite est particulièrement importante dans un domaine interprétatif. L'intelligence artificielle peut structurer une consultation, maintenir une cohérence, retrouver un contexte ou proposer plusieurs lectures. Elle ne transforme pas pour autant la voyance ou le tarot en méthodes prédictives scientifiquement validées. L'innovation technique ne modifie pas la nature épistémologique de la pratique sur laquelle elle s'applique.

Les concurrents rappellent que l'expérience ne se réduit pas à la mémoire

Le terrain concurrentiel apporte enfin un contrepoint utile. Certaines plateformes font aujourd'hui mieux que Divinexa sur des dimensions précises. Chatarot donne une place importante au rituel et à la matérialité du tirage. Nostra propose une entrée très simple et une preuve sociale importante. The Oracle a déjà développé un discours détaillé autour de la mémoire astrologique et de la continuité. D'autres acteurs disposent d'une application native, de la voix, d'une présence éditoriale ou d'une visibilité organique bien supérieures.

Il n'y a aucun intérêt à masquer ces écarts. Ils permettent au contraire d'identifier ce qui est réellement difficile à défendre. Multiplier les tirages, ajouter plusieurs personnages, accélérer une réponse ou proposer quelques interactions gratuites sont des fonctions relativement faciles à reproduire. Construire une continuité méthodologique stable et gouvernable est un problème plus exigeant, mais cette difficulté n'est un avantage que si l'utilisateur peut en percevoir concrètement la valeur.

Le rituel constitue également un rappel important. Une interface extrêmement efficace pourrait permettre de poser une question et d'obtenir instantanément une interprétation sans aucune autre action. Techniquement, ce serait une réussite. Pourtant, dans le tarot et d'autres pratiques symboliques, choisir, attendre, retourner une carte et observer sa place participent à l'expérience. L'industrie numérique a longtemps cherché à supprimer toutes les frictions ; l'IA nous oblige peut-être à redistinguer les frictions inutiles des temporalités qui aident réellement à réfléchir.

Ce que cela change

Le premier changement concerne la manière de penser le produit. La valeur ne se trouve plus uniquement dans la qualité de la réponse produite à un instant donné, mais dans l'architecture qui permet au système de comprendre ce qui précède cette réponse. Le modèle reste important, mais il devient une couche parmi d'autres : méthodologie, mémoire, provenance, temporalité, règles de sélection, sécurité, consentement et mécanismes d'oubli participent ensemble au résultat.

Cette évolution rejoint une transformation plus large des systèmes d'IA. Pendant plusieurs années, le débat s'est concentré sur la taille des modèles, leurs benchmarks et leur capacité à générer une réponse de meilleure qualité. À mesure que plusieurs modèles deviennent suffisamment performants pour de nombreux usages, une partie de la différenciation se déplace vers la connaissance à laquelle ils ont accès et vers la manière dont cette connaissance est gouvernée.

C'est précisément le sujet développé dans mon article OAM : après plusieurs années de recherche, nous ouvrons l'après-RAG. Le RAG reste une brique essentielle pour retrouver des informations externes, mais une relation longue demande davantage qu'une recherche de fragments similaires. Elle oblige à gérer l'état, la temporalité, la contradiction, la révision, la provenance et l'oubli. Divinexa permet d'observer ces problèmes dans un contexte particulièrement sensible ; les mêmes principes apparaissent ensuite dans des assistants métiers, des outils de recherche, des environnements de développement ou des systèmes de connaissance d'entreprise.

De la conversation au patrimoine informationnel personnel

Un autre changement apparaît lorsque la consultation ne disparaît plus dans un flux de messages mais devient un objet qui peut être relu dans le temps. La génération d'un document de consultation et l'idée d'un livre du parcours permettent de transformer un échange éphémère en trace personnelle. Cette trace peut être comparée à une période ultérieure, replacée dans une chronologie ou relue indépendamment de l'interface conversationnelle.

Cette logique rapproche le produit d'un journal augmenté plutôt que d'un chatbot traditionnel. Elle pose aussi une question de responsabilité supplémentaire : dès qu'un système construit un patrimoine informationnel personnel, ce patrimoine doit pouvoir être compris, exporté, corrigé et supprimé. La mémoire devient ainsi à la fois une fonction de continuité et un actif que l'utilisateur doit pouvoir gouverner.

La transparence n'est plus un détail d'interface

Le cadre européen renforce également cette nécessité. Depuis le 2 août 2026, certaines obligations de transparence prévues par l'article 50 du règlement européen sur l'intelligence artificielle sont applicables. La Commission européenne rappelle notamment l'obligation, dans les situations concernées, d'informer une personne lorsqu'elle interagit avec un système d'IA.

Dans le cas de Divinexa, cette transparence devrait être considérée comme une composante de l'expérience plutôt que comme une mention juridique ajoutée en pied de page. L'utilisateur doit savoir qu'il échange avec une intelligence artificielle, comprendre le rôle de Claude-Alexis et ne pas croire qu'il dialogue directement avec lui. La méthodologie peut être issue d'une personne réelle sans que le système prétende être cette personne.

Cette distinction est stratégique. Les produits d'IA qui cherchent à renforcer l'immersion en entretenant volontairement la confusion entre humain et machine peuvent obtenir un effet immédiat, mais ils fragilisent la confiance lorsque cette ambiguïté est découverte. Pour un service construit sur une relation longue, la transparence constitue au contraire une condition de continuité.

Chez Koperateur Consulting, Divinexa est surtout un laboratoire

C'est probablement la dimension que je trouve la plus intéressante dans ce projet. Les problèmes rencontrés avec Divinexa se retrouvent presque directement dans un assistant d'entreprise. Il faut déterminer quelles informations font autorité, quelles décisions remplacent les précédentes, ce qui doit être conservé, ce qui doit être révisé, comment retrouver la provenance d'un élément et quel contexte mérite réellement d'être présenté à un modèle lorsqu'une nouvelle question apparaît.

La matière change, mais le problème architectural reste très proche. Divinexa travaille avec une trajectoire personnelle et conversationnelle ; une entreprise travaillera avec des projets, des décisions, des incidents, des contrats ou des processus. Dans les deux cas, l'accumulation n'est pas suffisante. Il faut empêcher le système de transformer des fragments successifs en une histoire artificiellement cohérente.

C'est aussi ce qui explique pourquoi nous considérons ce type de projet comme un laboratoire. Un domaine intime met très rapidement en évidence les défauts d'une architecture mémoire. Une erreur devient plus visible, une restitution inutile paraît immédiatement intrusive et la frontière entre personnalisation pertinente et connaissance excessive est beaucoup plus fine. Ce que l'on apprend dans ce contexte peut ensuite être transposé, avec d'autres règles et d'autres niveaux de sensibilité, à des environnements professionnels.

Ce qui reste à démontrer

Cette lecture ne doit pas masquer les questions encore ouvertes. La continuité observée sur quelques séquences n'est pas une validation à grande échelle. Il faudra mesurer le comportement du système après plusieurs dizaines de consultations, vérifier comment les erreurs anciennes sont corrigées, observer si des interprétations obsolètes continuent à influencer les nouvelles réponses et évaluer le moment où une mémoire utile peut devenir intrusive.

Il faudra également mesurer la valeur réelle pour l'utilisateur. Certains souhaiteront une relation longue et une mémoire riche ; d'autres préféreront une consultation ponctuelle qui ne laisse aucune continuité. Une architecture responsable ne devrait probablement pas imposer une mémoire unique à tous, mais permettre différents niveaux de conservation et de contrôle.

Il faut même accepter une idée qui peut sembler paradoxale dans un projet centré sur la continuité : dans certaines situations, l'absence de mémoire peut constituer une fonction de confidentialité. La mémoire n'est pas un progrès par nature. C'est une possibilité supplémentaire dont la valeur dépend du consentement, du contexte et du contrôle laissé à la personne. Un échange volontairement éphémère peut donc être aussi légitime qu'une relation construite sur plusieurs mois.

Enfin, cette profondeur possède un coût technique. Qualifier, consolider et reconstruire du contexte consomme davantage de ressources qu'un simple échange sans mémoire. La bonne réponse ne consiste pas à transmettre toujours plus d'informations au modèle, mais à lui transmettre les bonnes informations au bon moment. C'est précisément cette sélection qui fait passer la mémoire d'un stockage coûteux à une véritable fonction de Knowledge Management.

Ma lecture

Je ne pense pas que Divinexa soit intéressante parce qu'elle "met de l'IA dans la voyance". Ce territoire existe déjà et plusieurs concurrents disposent d'expériences plus avancées sur certains aspects du produit. Je ne pense pas davantage que le simple fait de posséder une mémoire constitue une différenciation suffisante, puisque ce vocabulaire est désormais utilisé par plusieurs acteurs.

La question qui me paraît réellement intéressante est celle de la continuité. Une méthodologie humaine peut-elle être traduite dans un système conversationnel sans être transformée en personnage artificiel ? Une mémoire peut-elle relier plusieurs consultations sans enfermer l'utilisateur dans les interprétations précédentes ? Un système peut-il se souvenir suffisamment pour être pertinent tout en sachant oublier suffisamment pour rester juste ? Et surtout, peut-on rendre cette mémoire suffisamment visible et gouvernable pour qu'elle demeure un outil au service de l'utilisateur ?

Ces interrogations dépassent largement Divinexa. Nous avons longtemps travaillé à donner davantage de connaissances aux modèles. Nous commençons maintenant à leur donner une histoire. À partir de ce moment, la qualité de la réponse ne peut plus être le seul critère. Il faut également regarder la provenance, la temporalité, la contradiction, l'oubli, le consentement et la capacité de l'utilisateur à reprendre la main.

C'est ici que le lien avec le Knowledge Management devient central. Dans une organisation comme dans une relation personnelle, le contexte ne constitue pas une masse stable de données. Il évolue. Une décision peut être historiquement vraie mais opérationnellement obsolète. Une interprétation peut avoir été utile puis devoir être abandonnée. Une source nouvelle peut modifier la compréhension d'un événement ancien. La mémoire ne doit donc pas seulement conserver ; elle doit permettre à la connaissance de changer de statut. C'est précisément l'un des axes développés dans OAM, Organic Augmented Memory : conserver la continuité sans figer le passé comme une vérité permanente.

Divinexa n'apporte pas encore une réponse définitive à toutes ces questions et il serait prématuré de le prétendre. Le projet fournit en revanche un environnement concret pour les tester, mesurer les erreurs et comprendre ce qu'implique réellement une IA qui ne recommence pas à zéro à chaque conversation.

Je résumerais donc son positionnement de manière assez simple : d'autres services savent déjà interpréter un tirage ; Divinexa cherche à replacer ce tirage dans une histoire qui continue.

La seconde partie de la phrase est beaucoup plus difficile que la première. C'est précisément pour cette raison qu'elle mérite d'être travaillée, mais également évaluée avec prudence. Si cette continuité reste pertinente dans le temps, si elle peut être corrigée et oubliée lorsque nécessaire, et si l'utilisateur conserve le contrôle de ce qui est retenu, la mémoire peut devenir une véritable couche de valeur. Dans le cas contraire, elle ne sera qu'un historique sophistiqué.

Limites et transparence

Cette analyse n'est pas indépendante. Koperateur Consulting participe au projet Divinexa et les observations relatives à son architecture ou à son comportement proviennent en partie de notre travail de conception et d'expérimentation. Elles ne doivent donc pas être interprétées comme les résultats d'un audit externe ou d'une étude scientifique.

L'article ne prétend pas non plus démontrer l'efficacité prédictive de la voyance, du tarot ou d'une autre pratique divinatoire. L'intelligence artificielle peut améliorer des dimensions comme la continuité, la structuration, la contextualisation et la restitution d'une consultation sans conférer pour autant une validation scientifique aux interprétations produites.

Enfin, Divinexa étant un produit en évolution, certaines fonctions, modalités de mémoire ou mécanismes de gouvernance peuvent changer. Les affirmations techniques devront toujours être rapprochées de l'état réellement déployé du service au moment où elles sont formulées.