Google WikiSkill est un nouveau cadre de travail publié par Google Research en août 2026, qui associe un agent IA à une base de connaissances persistante documentant ses échecs et ses réussites. L’objectif : améliorer les performances d’un agent au fil du temps sans avoir à réentraîner le modèle sous-jacent.
Trois couches pour transformer l’expérience en instructions
Le système repose sur trois niveaux. La couche brute conserve les traces d’exécution complètes : appels d’outils et résultats obtenus, sous une forme immuable. La couche wiki distille ces données brutes en enseignements structurés sur les schémas d’échec et les stratégies gagnantes ; elle grandit en continu et n’est jamais réinitialisée. La couche de compétences contient les instructions procédurales actives que suit l’agent, et peut revenir en arrière si une modification dégrade les performances.
Concrètement, un agent d’inférence exécute des tâches avec ses compétences actuelles et produit des traces d’exécution. Un « conservateur du wiki » analyse ces traces et consigne ses observations. Un « proposeur de compétences » suggère ensuite des modifications ciblées à partir des données mises à jour du wiki. Un mécanisme de validation teste chaque proposition sur un jeu de données séparé avant de l’adopter ; les propositions rejetées restent documentées dans le wiki pour référence future.
Des gains mesurés jusqu’à +19 points de performance
Un chercheur de Google résume l’idée ainsi : « L’agent, c’est-à-dire le modèle, n’apprend pas vraiment de façon continue […] mais il écrit de meilleures instructions pour lui-même après chaque exécution. » Les résultats publiés montrent une progression de performance moyenne de 49,5 % à 68,1 % pour Gemini 3.5 Flash, et de 39,4 % à 63,3 % pour Qwen 3.6 27B. Les gains les plus marqués concernent le raisonnement mathématique et les tâches sur tableurs. Autre constat notable : avec ce cadre, des modèles plus petits parviennent à égaler des modèles plus grands qui en sont dépourvus.
Ce que ça change pour les agents IA
WikiSkill s’inscrit dans une tendance plus large : donner aux agents une forme de mémoire de travail sans passer par un réentraînement coûteux. Contrairement à un simple historique de conversation, la couche wiki conserve les enseignements même quand la couche de compétences est réinitialisée, ce qui évite de perdre les leçons tirées d’un échec après une régression.
Source : The Decoder