Anthropic a introduit une capacité appelée « dreaming » qui permet à ses Claude Managed Agents de suspendre leur travail actif, d'examiner les sessions passées et de réorganiser leurs mémoires sans aucune modification du modèle sous-jacent. L'entreprise a dévoilé cette fonctionnalité le 6 mai 2026, lors de sa conférence Code with Claude pour développeurs à San Francisco.

Le nom fait écho à la consolidation de la mémoire pendant le sommeil, lorsque le cerveau rejoue et réorganise les expériences de la journée. Ici, le mécanisme est entièrement logiciel : rien ne change dans le modèle, seules les notes qu'un agent conserve sur son propre travail sont modifiées.

Selon Anthropic, le processus trie les mémoires, corrige les erreurs et facilite la recherche des bonnes informations par Claude lors des sessions suivantes. Lors des premiers tests avec l'entreprise d'IA juridique Harvey, les taux d'achèvement des tâches sur des référentiels juridiques réalistes auraient été multipliés par six après l'application de dreaming.

Comment fonctionne Dreaming

Un agent prend des notes pendant qu'il travaille, en temps réel, sans savoir à l'avance quels détails importeront plus tard. Au fil de nombreuses sessions, ces notes s'accumulent : doublons, contradictions, observations à moitié utiles et, occasionnellement, une leçon réellement précieuse enfouie au fond. Pour les agents dont le travail s'étend sur des jours ou des semaines plutôt que sur une seule conversation, ce carnet accumulé peut devenir autant un obstacle qu'un atout.

Dreaming sert de processus de nettoyage. Il s'exécute de manière asynchrone, en arrière-plan, sans interrompre un agent en pleine tâche. Chaque exécution peut traiter de une à 100 transcriptions de sessions. Le système les parcourt, fusionne les entrées en double et est conçu pour éliminer les contradictions de la mémoire de travail de l'agent.

La fonctionnalité recherche également des schémas, faisant émerger les erreurs que l'agent répète continuellement et les flux de travail qui donnent systématiquement des résultats. Le résultat est un magasin de mémoire nettoyé et réorganisé. Point crucial : les données d'origine restent intactes, donc rien n'est écrasé sur place.

Des notes, pas des neurones

Un détail compte plus que le nom accrocheur : dreaming ne modifie pas les poids du modèle sous-jacent de Claude. Les apprentissages sont plutôt stockés sous forme de notes en texte brut et de playbooks structurés. L'agent ne devient pas un modèle différent ; il se dote d'un carnet mieux organisé. Cette approche distingue également la fonctionnalité du réentraînement : les améliorations s'accumulent dans des fichiers qu'une équipe peut lire et valider, plutôt que dans des paramètres enfermés au sein du réseau.

Les utilisateurs gardent également le contrôle de l'application des mises à jour. Ils peuvent choisir si les mises à jour du magasin de mémoire s'effectuent automatiquement ou attendent une validation manuelle avant de prendre effet.

Pendant l'aperçu de recherche, dreaming prend en charge trois modèles : claude-opus-4-8, claude-opus-4-7 et claude-sonnet-4-6. L'accès est restreint : les organisations doivent en faire la demande pour utiliser la fonctionnalité, de sorte que tous les développeurs Claude ne peuvent pas l'activer dès aujourd'hui.

Pourquoi le résultat sextuplé de Harvey compte

Le résultat de Harvey est la métrique phare, et elle provient d'un domaine exigeant. Le travail juridique récompense la précision et sanctionne l'incohérence, ce qui en fait un test de résistance raisonnable pour la mémoire d'un agent.

Reste qu'il s'agit d'un seul partenaire et d'une seule catégorie de référentiel. Les résultats d'un unique testeur précoce dans un aperçu de recherche sont un signal, non une garantie des performances de la fonctionnalité dans tous les secteurs. Des preuves plus claires dépendront d'une disponibilité plus large, qui nécessite pour l'instant une demande approuvée.

La vision d'ensemble pour les agents IA

Dreaming est arrivé aux côtés d'autres fonctionnalités complémentaires lors de la conférence. Celles-ci sont depuis passées en bêta publique élargie, tandis que dreaming reste derrière sa barrière d'accès sur demande.

Comme les apprentissages sont stockés en texte brut et en playbooks structurés, un humain peut réellement lire ce que l'agent a décidé de savoir.

Il existe aussi des risques à surveiller. Tout système qui résume et consolide des informations peut également consolider des erreurs, en décidant que la mauvaise leçon est la bonne et en la classant soigneusement. Les choix de conception d'Anthropic — préserver les données d'origine et proposer une validation manuelle — semblent cibler précisément ce problème.

Pour les équipes évaluant la fonctionnalité, les indicateurs à surveiller sont concrets : l'élargissement de l'accès au-delà de la barrière de demande, la publication de résultats plus complets par Harvey ou d'autres partenaires, et la praticité de la validation manuelle à grande échelle. Aucune de ces questions n'est encore tranchée.

Divulgation : le rapport original a été édité par Diego Almada Lopez.