UCA : quand Starling veut séparer la mémoire de l’IA du modèle

Starling Memory Works défend une idée simple : la mémoire durable d’une organisation ne devrait pas être enfermée dans un modèle de langage. Son Universal Cognitive Architecture (UCA) est présenté comme un standard ouvert et gratuit sous licence Creative Commons, tandis que Starling MX en constitue la première implémentation en bêta. L’offre débute à 99 dollars par mois pour le premier utilisateur, avec une facturation supplémentaire de l’usage.

Dans ce schéma, le modèle devient un moteur de raisonnement remplaçable. Le savoir de référence de l’entreprise reste, lui, structuré, gouverné et transportable.

L’UCA, une classification pour le savoir d’entreprise

L’UCA est un standard de classification en langage naturel organisé autour de 11 « Organizational Cognates », ou catégories de référence destinées à structurer les connaissances d’une organisation. Starling affirme que ce système attribue aux concepts récurrents des adresses sémantiques permanentes. Une personne ou un système compatible peut ainsi demander une information connue par son adresse, au lieu de dépendre entièrement d’une recherche probabiliste.

L’analogie la plus parlante est celle d’un système de classement de bibliothèque. Le moteur de recherche ou le modèle peut changer, mais le catalogue et les documents restent en place. Dans les exemples de Starling, une adresse comme MA20 correspond à la position concurrentielle. L’adresse est censée rester stable, tandis que les versions du document associé évoluent.

L’UCA n’est donc pas un nouveau modèle de langage. Elle constitue plutôt la couche d’organisation proposée pour un Domain Language Model (DLM) : un grand modèle de langage généraliste et sans état permanent, auquel on fournit la mémoire structurée d’une organisation au moment de l’exécution.

Comment fonctionne l’architecture de Starling MX

Starling décrit deux espaces principaux dans son référentiel organisationnel :

• Org Library : une bibliothèque de documents de référence, gouvernés et versionnés, censés contenir le savoir officiel de l’organisation ;
• Resources : des sources complémentaires, des documents générés et des productions de travail utilisés pour éclairer ou réaliser une tâche.

Cette séparation est essentielle. Un rapport de recherche, une note provisoire ou un brouillon peut aider l’IA à produire un résultat, mais ne devient pas automatiquement une vérité de l’entreprise. L’Org Library doit conserver la version approuvée, tandis que les Resources fournissent le contexte nécessaire à la recherche et à la production.

Le système est également conçu selon une logique « texte d’abord ». Starling indique que la mémoire organisationnelle est conservée sous forme de fichiers Markdown en texte brut, lisibles et sans perte, plutôt que sous la forme opaque d’un état interne de modèle. L’objectif affiché est de faciliter l’inspection, le versionnage, la portabilité et l’accès aussi bien aux humains qu’aux logiciels.

Côté machine, un manifeste assemble le contexte pertinent à partir du référentiel contrôlé par les humains pour chaque session. Le modèle reçoit ce contexte, effectue le travail demandé, puis n’est pas censé conserver cette mémoire institutionnelle durable en propre.

Le rôle du Model Context Protocol

Starling présente le Model Context Protocol (MCP) d’Anthropic comme une couche de connexion permettant aux modèles d’accéder à un contexte organisationnel externe. Dans cette architecture, l’UCA fournit la logique de classification et les adresses sémantiques ; le référentiel contient les documents gouvernés ; MCP contribue à relier cet ensemble au modèle.

En théorie, cette dissociation facilite le changement de modèle. Les connaissances de l’organisation ne sont pas censées rester prisonnières de la mémoire propriétaire d’un fournisseur ou de l’historique d’une conversation. Un autre modèle compatible pourrait être relié au même référentiel et recevoir le contexte adapté à la tâche.

Il s’agit toutefois d’une promesse d’architecture, pas encore d’une démonstration d’interopérabilité universelle. Les sources disponibles décrivent le fonctionnement envisagé par Starling, mais ne prouvent pas que tous les modèles et tous les déploiements fonctionneront avec la même efficacité avec ce standard.

Pourquoi Starling parle de souveraineté de l’IA

Pour Chris Kincade, directeur général de Starling Memory Works, la souveraineté en matière d’IA ne se résume pas à posséder des GPU, héberger ses systèmes en interne ou choisir un fournisseur national de modèles. Elle implique aussi de conserver la maîtrise des décisions, des politiques, des autorisations, de la provenance et du savoir opérationnel qui servent de référence à l’organisation.

Avec l’approche UCA, ces actifs durables restent dans un référentiel contrôlé par l’organisation. Si un modèle est mis à niveau, remplacé, indisponible ou écarté pour des raisons de gouvernance, l’entreprise est censée conserver sa mémoire et pouvoir connecter un autre modèle au même corpus de référence.

Ce fonctionnement pourrait limiter la dépendance à un fournisseur unique : l’actif le plus précieux — le savoir classifié et gouverné de l’organisation — se trouve à l’extérieur du modèle. Il pourrait aussi renforcer la résilience en faisant du modèle un composant sans mémoire persistante de l’histoire institutionnelle.

C’est le sens de la formule mise en avant par Starling : « le modèle oublie ; l’organisation se souvient ». Le modèle raisonne pendant une session ; l’institution conserve les documents, les adresses et les règles de gouvernance qui assurent la continuité du travail.

Ce que change la publication du standard

L’entreprise affirme que l’UCA restera gratuite sous licence Creative Commons. Les organisations peuvent donc s’appuyer sur le standard sans obtenir de licence ni d’autorisation de Starling.

Cette caractéristique la distingue, en principe, d’une fonction de mémoire réservée à une plateforme. Un standard de classification ouvert peut survivre au produit qui l’a mis en œuvre en premier. Les organisations pourraient structurer leurs connaissances avec l’UCA, puis comparer différents outils pour le stockage, la récupération du contexte et l’accès aux modèles.

La valeur concrète dépendra néanmoins de l’adoption, de la qualité des implémentations et de la gouvernance. Une adresse permanente n’est utile que si les équipes s’accordent sur sa signification, maintiennent le document de référence et contrôlent rigoureusement les mises à jour. Classer l’information peut la rendre plus facile à retrouver, mais ne garantit ni son exactitude ni son actualisation.

Des cas d’usage encore difficiles à vérifier

Les supports de Starling associent cette architecture au coaching individuel, au marketing, à la gestion de projets de construction et aux services juridiques. Ils citent également Brady Patterson, de SelfOS, qui estime que donner aux connaissances « un ancrage clair » a réduit la perte de contexte et la dérive des données.

Ces exemples doivent être interprétés avec prudence. Les sources fournies ne vérifient pas indépendamment la relation avec le QuillOS de Wrks Online, l’ampleur des déploiements ou leurs résultats mesurés. Le témoignage de SelfOS est celui d’un praticien et ne constitue pas une validation indépendante de l’efficacité de l’UCA.

Plus largement, les éléments disponibles proviennent en grande partie des propres supports de Starling et de la couverture de son lancement. Ils documentent ce que l’entreprise a publié et la manière dont elle présente son architecture, mais ne démontrent pas que l’UCA apporte, dans des déploiements réels, une meilleure précision, des coûts plus faibles, une sécurité supérieure ou une indépendance effective vis-à-vis des fournisseurs.

En résumé

La proposition centrale de l’UCA consiste à bâtir d’abord une mémoire organisationnelle durable, lisible par les humains et soumise à une gouvernance, puis à demander aux modèles d’IA de raisonner sur cette base. Les adresses sémantiques fixes fournissent le système de classement ; l’Org Library conserve le corpus de référence ; les Resources accueillent les documents de travail ; et MCP relie le contexte externe aux sessions du modèle.

Starling MX est la première plateforme bêta construite autour de cette approche, avec un prix de départ de 99 dollars par mois pour le premier utilisateur. L’architecture propose une réponse cohérente au verrouillage fournisseur et à la perte de mémoire institutionnelle : séparer les connaissances de l’organisation du modèle afin de pouvoir changer de modèle sans emporter son savoir avec lui. La solidité de cette promesse à grande échelle reste toutefois à établir par des déploiements indépendamment documentés.