Chaque nuit, pendant que Garry Tan dort, un agent IA lit ses réunions, ses e-mails et ses tweets, les classe dans une base de connaissances et recâble les liens entre eux. À son réveil, il retrouve un cerveau un peu plus intelligent que la veille. Tan est le PDG de Y Combinator, et ce système s'appelle GBrain.
Il l'a publié en open source en avril 2026, quelques jours après que le chercheur en IA Andrej Karpathy a lancé l'idée publiquement.
GBrain est devenu le modèle de référence de tout le mouvement du company brain. Il a dépassé les 5 000 étoiles sur GitHub en une journée et approche aujourd'hui les 24 000.
Nous avons passé quelques jours à en lire chaque ligne. L'ingénierie est vraiment de qualité, même si elle laisse de côté un point important :
La maintenance nocturne de GBrain garde le cerveau organisé. Elle ne fait presque rien pour qu'il dise vrai.
Cet écart, entre ce qui est bien rangé et ce qui est fiable, est ce qu'il y a de plus intéressant chez GBrain. C'est aussi le problème auquel nous réfléchissons chaque jour chez Slite.
Points clés :
- GBrain est un système de mémoire IA open source : une base de connaissances en markdown auto-entretenue, surmontée d'un graphe de connaissances typé.
- Ses vraies forces sont l'ingestion continue et un « dream cycle » (cycle de rêve) nocturne qui garde les pages à jour et bien reliées.
- Il construit son graphe de connaissances sans aucun appel à un modèle, si bien que l'ingestion et la maintenance nocturne coûtent peu. Le vrai coût, c'est l'interrogation du cerveau.
- Il est conçu pour une seule personne : pas de véritable modèle de permissions, et il lit surtout des données locales plutôt que les outils de toute l'équipe.
- Il garde un cerveau organisé, mais il ne vérifie pas que ce cerveau est correct ou complet. C'est le problème encore ouvert de cette catégorie.
Qu'est-ce que GBrain ?
GBrain est un système de mémoire IA open source créé par Garry Tan, PDG de Y Combinator. C'est une base de connaissances en markdown, adossée à Postgres, qui ingère des signaux comme des réunions, des e-mails et des messages, les stocke sous forme de pages et entretient un graphe de connaissances typé de personnes, d'entreprises et de projets. Elle se met à jour selon un calendrier nocturne. Comme GBrain est construit autour des données d'une seule personne sur une seule machine, on le compare le plus souvent aux outils de company brain orientés équipe et aux couches mémoire pour agents.
Tan a construit GBrain en une douzaine de jours environ et l'a publié sous licence MIT sur GitHub. Il fait tourner la couche de connaissances derrière ses propres configurations d'agents.
D'après ses propres chiffres, son cerveau en production contient 146 646 pages, 24 585 personnes et 5 339 entreprises, entretenues par 66 tâches planifiées. Ces chiffres sont les siens : voyez-y donc un signe d'échelle plutôt qu'un benchmark.
Si GBrain a pris, c'est grâce à la promesse que Tan résume en une phrase : « Je me réveille plus intelligent que lorsque je me suis couché, et ce sera aussi votre cas. » Pour quiconque a vu un wiki se dégrader, l'argument est fort.
L'idée sous-jacente, un LLM qui construit et entretient sa propre base de connaissances, est antérieure à GBrain. GBrain en est l'implémentation la plus copiée. D'autres équipes ont livré leur propre version, comme la façon dont Cerebras a construit sa base de connaissances interne.
Comment fonctionne réellement GBrain ?
Sous le markdown, GBrain se compose de quatre couches empilées : un stockage de fichiers, un moteur de recherche, un graphe de connaissances et un ensemble de skills qui font le travail.
Le dépôt : de simples fichiers markdown
Au cœur de GBrain, on trouve un dossier de fichiers markdown, un par entité ou par sujet. Au lieu de documents que vous rédigez, ces fichiers contiennent ce que le système sait d'une personne, d'une entreprise, d'une transaction ou d'une réunion. C'est l'agent qui les écrit. Vous, vous les lisez surtout.
La récupération : la recherche hybride
La recherche combine correspondance par mots-clés et correspondance sémantique, de sorte que les résultats tiennent la route aussi bien sur des termes exacts que sur des questions floues. GBrain exécute une similarité vectorielle, une correspondance de mots-clés BM25 et, par-dessus, une étape de reclassement. Cette approche est proche de celle que nous utilisons dans notre propre recherche, et c'est la bonne première étape.
Le graphe de connaissances : typé, figé et construit sans modèle
GBrain relie les entités par un ensemble fixe de relations typées, et il le fait sans appeler de modèle de langage. Des relations comme works-at, founded, invested-in et attended sont extraites par simple reconnaissance de motifs. Les écritures restent ainsi rapides et presque gratuites.
La contrepartie, c'est la rigidité. Le vocabulaire est codé en dur, donc le graphe ne reconnaît que les types de relations qu'on lui a appris. Sur le propre benchmark de Tan, un corpus de 240 pages, l'activation du graphe a fait passer le precision@5 d'environ 18 % à 49 %, soit un gain de 31 points. C'est son test, sur ses propres données : le résultat est donc prometteur plutôt que prouvé.
Les skills : le détecteur permanent et l'équipe de nuit
La véritable intelligence réside dans les skills, de petits workflows en markdown que le système exécute sur déclencheurs. Une skill surveille chaque signal entrant et décide, à l'aide d'un modèle peu coûteux, si quelque chose doit changer dans le cerveau.
Un routeur que GBrain appelle le resolver envoie ensuite chaque modification vers la skill spécialisée adéquate, par exemple pour corriger une citation. D'autres skills s'exécutent la nuit selon un calendrier.
Que se passe-t-il la nuit ? Le dream cycle
Une fois par jour, GBrain effectue une passe de maintenance qu'il appelle le dream cycle, qui nettoie, relie et resynthétise tout le cerveau.
Elle comporte environ huit à neuf phases, selon la version :
- analyser et corriger,
- réparer les rétroliens,
- synchroniser,
- synthétiser de nouvelles pages à partir de transcriptions brutes,
- extraire les entités,
- repérer des schémas d'une session à l'autre,
- recalculer les embeddings des contenus périmés,
- et signaler les pages orphelines.
Concrètement, il supprime les pages périmées, répare les liens cassés, reclasse des éléments et rédige de nouveaux résumés.
Pendant la synthèse, il suit des règles strictes : citer les sources mot pour mot, tout recouper et ne jamais écraser une page en silence.
Le dream cycle vérifie-t-il que votre cerveau dit vrai ?
Non. La maintenance nocturne de GBrain organise et actualise une base de connaissances. Elle supprime les pages périmées et orphelines, répare les liens et resynthétise les résumés, mais elle ne vérifie pas les faits contenus dans les pages et ne confirme pas que les connaissances sont exactes ou complètes.
Un cerveau bien rangé ressemble à un cerveau fiable, et c'est pour cela que cet écart passe facilement inaperçu.
Le dream cycle vous donne un index propre, des rétroliens sains et aucune page morte.
Rien de tout cela ne vous dit si ce qu'affirme une page est toujours correct, et c'est précisément là que la documentation obsolète fait ses dégâts en silence. Même la suppression des pages orphelines se limite à un rapport soumis au jugement d'un humain.
Nous avons nous-mêmes ressenti cette tension. Pour la première fois, le travail d'organisation d'une base de connaissances peut être automatisé. Cela ne garantit toujours pas que le résultat soit complet ou juste.
Les personnes qui construisent ces systèmes le ressentent aussi.
Un fondateur qui fait tourner sept agents IA internes sur un seul Mac Mini nous a raconté que sa couche mémoire a commencé à atteindre ses limites de passage à l'échelle en quelques semaines. Un ingénieur qui a reconstruit les connaissances de son équipe sous forme de wiki local a été plus direct : GBrain lui a semblé « beaucoup trop centré sur le single player ».
Combien coûte une couche mémoire IA pour agents comme GBrain ?
Faire tourner une couche mémoire de type GBrain coûte environ 4 $ par utilisateur et par mois pour une petite équipe, et de 8 à 15 $ par utilisateur et par mois en cas d'usage plus intensif. L'ingestion et la maintenance nocturne sont presque gratuites, car le système ne retraite pratiquement pas les données qu'il stocke. Le coût principal vient de l'interrogation du cerveau.
Le coût dépend bien moins de ce que vous donnez au cerveau que de la fréquence à laquelle vous l'interrogez.
L'ingestion et la maintenance sont les parties les moins chères.
Comme le graphe est construit sans appel à un modèle, écrire et réorganiser des pages ne coûte presque rien. Les embeddings reviennent à environ 0,10 à 0,13 $ par million de tokens, et réindexer un corpus de 100 millions de tokens coûte environ 13 $.
La maintenance nocturne garde l'index bien rangé sans retraiter les données sous-jacentes, elle ajoute donc très peu de frais.
Ce qui finit par peser, c'est l'interrogation.
GBrain répond d'abord à partir du cerveau, puis appelle un modèle pour étendre et exécuter chaque recherche : la facture suit donc la fréquence à laquelle on lui pose des questions.
Ces chiffres supposent des embeddings OpenAI ainsi qu'un modèle de la classe de Claude chargé de l'expansion des requêtes et du reclassement à chaque question.
Le bas de la fourchette, à 4 $, correspond à une poignée de recherches par utilisateur et par jour ; le haut, de 8 à 15 $, à des interrogations intensives tout au long de la journée. Changez de modèle ou de volume de requêtes, et le montant change avec eux.
La plupart des gens font tourner GBrain via un abonnement Claude ou Codex qu'ils paient déjà, si bien que ces appels par requête semblent gratuits alors qu'ils ne le sont pas.
C'est en partie pour cela que GBrain convient si bien à un usage individuel et personnel, où une personne motivée assume à la fois le coût et la mise en place.
| Profil d'usage | Coût approximatif | Ce qui le détermine |
|---|---|---|
| Léger (ingestion et recherche occasionnelle) | ~4 $ / utilisateur / mois | embeddings, stockage |
| Intensif (interrogations fréquentes) | ~8 à 15 $ / utilisateur / mois | interrogations (un appel au modèle par recherche) |
Un company brain de ce type coûte peu à construire et à maintenir à jour. Ce que vous payez, c'est son interrogation.
Alternatives à GBrain
GBrain est un cerveau personnel : les fichiers markdown d'une personne, sur la machine de cette personne, entretenus la nuit. Il n'a ni stockage partagé, ni modèle de permissions, ni mémoire des conversations qu'un agent a en cours de route.
Pour chacun de ces manques, il existe un outil conçu pour le combler.
Nous avons comparé dix solutions de company brain, GBrain compris, si vous voulez une vue d'ensemble avant d'en choisir une.
| Outil | Idéal pour | Forme de stockage | Comment il reste à jour | Open source | Tourne sur votre propre machine |
|---|---|---|---|---|---|
| GBrain | Le cerveau personnel d'une seule personne | Pages markdown et graphe typé sur Postgres | Le dream cycle nocturne réorganise et relie à nouveau les pages | Oui, MIT | Oui |
| Slite Agent | Les équipes qui veulent qu'on l'entretienne pour elles | Base de connaissances gouvernée à travers les outils connectés | Vérifie les documents par rapport à l'activité en direct, des humains approuvent les diffs | Non | Non, géré |
| Sylph | Un dépôt partagé par l'équipe | Fichiers markdown dans l'arborescence git | Les agents ouvrent des brouillons, des humains les fusionnent | Oui | Oui |
| mem0 | La mémoire sous vos propres agents | Base vectorielle de faits extraits | Ajout seul, avec une décroissance appliquée au moment de la recherche | Open-core | Oui, ou hébergé |
| Zep | Les questions qui font intervenir l'historique | Graphe de connaissances temporel avec des faits horodatés | Les nouveaux faits font expirer ceux qu'ils contredisent, rien n'est supprimé | Oui, Graphiti | Oui, ou hébergé |
| Letta | Les agents qui gèrent leur propre mémoire | Blocs de mémoire, archive et historique des messages sur Postgres | Un agent sleep-time réécrit la mémoire en arrière-plan | Open-core | Oui, ou hébergé |
| Cognee | Une plateforme de graphe et de vecteurs auto-hébergée | Graphe et vecteurs sur les sources connectées | Réingère les sources connectées, les réponses s'accompagnent de citations | Oui | Oui |
Slite
GBrain demande à une personne motivée de mettre le système en place et de le faire tourner. En entreprise, un company brain géré échange ce contrôle contre un entretien qui ne repose pas sur vous.
Le dream cycle de GBrain garde le cerveau bien rangé et bien relié, mais il ne demande jamais si une page est toujours vraie.
Slite Agent vérifie les documents par rapport à l'activité en direct dans plus de 100 sources connectées, puis envoie chaque mise à jour suggérée dans une file de tri humaine sous forme de diff côte à côte, avec un statut de vérification et un responsable nommé sur chaque document.
Idéal pour
Quand vous voulez qu'on s'occupe pour vous de la maintenance et des permissions.
Sylph
Sylph, de nao Labs, place le company brain dans l'arborescence git. Un fichier central CONTEXT.md se trouve à la racine, des dossiers par domaine contiennent le contexte de chaque équipe, et chaque fichier est en Markdown, lu directement par les agents.
Les agents écrivent leurs propositions d'amélioration dans un dossier de brouillons, et des humains décident de ce qui est retenu.
Après la publication d'une modification, l'agent compare son propre brouillon à la version modifiée par l'humain et met à jour ses règles à partir de la différence. Rien d'autre n'est automatisé, donc le cerveau avance au rythme des relectures. Il est open source et compte environ 196 étoiles.
Idéal pour
Un dépôt partagé par l'équipe, que vous pouvez lire dans une pull request.
mem0
mem0 est une couche mémoire plutôt qu'une base de connaissances. Votre code appelle add(), un LLM extrait du texte les faits durables, et ces faits atterrissent dans une base vectorielle rattachée à un utilisateur, un agent, une session ou une organisation. La version 3 fonctionne en ajout seul : au lieu de supprimer les faits périmés, elle applique une décroissance de la mémoire au moment de la recherche, si bien que les faits anciens remontent moins. Open-core, avec une série A de 24 M$ et environ 62 000 étoiles.
Idéal pour
La mémoire sous des agents que vous construisez vous-même.
Zep
Zep repose sur Graphiti, son propre moteur open source, qui stocke les connaissances sous forme de graphe de connaissances temporel, c'est-à-dire un graphe de faits portant chacun la période pendant laquelle ils étaient vrais. Les épisodes y entrent et en ressortent en trois couches : les événements bruts, les entités qui en sont extraites avec des connexions typées, et des communautés qui regroupent les entités liées. Lorsqu'une nouvelle information contredit un fait plus ancien, un LLM fait expirer l'ancienne relation plutôt que de la supprimer, de sorte que vous pouvez toujours demander ce que l'équipe pensait en mars. La récupération ne nécessite aucun appel à un LLM, et c'est pourquoi les réponses arrivent en moins d'une seconde. Graphiti compte environ 24 000 étoiles.
Idéal pour
Les questions où l'historique compte autant que la réponse actuelle.
Letta
Letta est issu de la lignée de recherche MemGPT et conserve trois niveaux de mémoire sur Postgres : de petits blocs de mémoire étiquetés qui restent épinglés dans la fenêtre de contexte, une archive consultable et l'historique complet des messages. Un agent sleep-time réécrit les blocs de mémoire partagés en arrière-plan lorsque rien n'attend après lui, et la compaction de contexte résume environ 30 % des messages lorsque la fenêtre se remplit. Un Agent Development Environment permet à une personne d'ouvrir cette mémoire et de la corriger à la main. Open-core, levée d'amorçage de 10 M$.
Idéal pour
Quand l'agent doit posséder et modifier sa propre mémoire.
Cognee
Cognee, venu de Berlin, se décrit comme un company brain partagé pour les agents. Il connecte des sources comme Slack, GitHub et Linear, construit à la fois une représentation en graphe et une représentation vectorielle de ce qu'il y trouve, et renvoie des réponses avec des citations qui pointent vers la source. Ces citations permettent au lecteur de vérifier une réponse au lieu de s'y fier aveuglément. Environ 30 000 étoiles et une levée d'amorçage de 7,5 M$.
Idéal pour
Une plateforme open source de graphe et de vecteurs que vous hébergez vous-même.
La suite, et la place de Slite
GBrain a prouvé que le company brain autonome peut être construit. La prochaine course porte sur une autonomie à laquelle on peut se fier.
L'autonomie totale fait une très belle démo. Les choses se compliquent dès qu'une modification ambiguë arrive sans humain pour donner son avis, et plus encore quand toute une équipe écrit dans le même cerveau.
GBrain a depuis ajouté un accès multi-utilisateur à périmètre limité, mais il a commencé comme un outil single player, et il le reste en grande partie.
Et le multiplayer n'est que la moitié du sujet. Le manque le plus profond concerne la gouvernance et la portée.
GBrain suppose une personne motivée, capable de mettre le système en place, de le faire tourner et de le brancher sur des données qui se trouvent surtout sur sa propre machine.
Mais pour une équipe, les inconvénients évidents sont les suivants :
- Il n'a pas de véritable modèle de permissions, si bien que la question de savoir qui peut voir quoi n'est jamais traitée en priorité.
- Il lit des fichiers locaux et un ensemble fixe de signaux ; il ne se connecte pas nativement aux systèmes de toute l'équipe où vivent réellement les connaissances de l'entreprise, comme les CRM, les outils de support ou les bases de données SQL.
Pour un individu, cette configuration convient. Pour une équipe, les permissions et les sources connectées représentent l'essentiel du travail.
Nous construisons Slite Agent sur le parti pris inverse : une base de connaissances auto-entretenue avec un humain dans la boucle. Slite Agent est la couche de maintenance qui la surmonte. Il repère les contenus obsolètes, rédige la correction et demande à quelqu'un d'approuver les modifications ambiguës avant leur application.
L'objectif est d'atteindre environ 95 % d'autonomie, en gardant des humains dans la boucle pour les 5 % qui demandent vraiment du jugement. Et nous orientons la maintenance vers ce que GBrain laisse de côté : savoir si les connaissances sont toujours exactes et complètes.
Les deux approches tirent dans des directions différentes.
| GBrain | Slite Agent | |
|---|---|---|
| Idéal pour | Individus et utilisateurs avancés | Équipes |
| Mise en place et entretien | Vous le construisez et l'entretenez | Géré et entretenu pour vous |
| Graphe de connaissances | Persistant, typé, relations codées en dur | Pas de graphe persistant ; déduit le contexte au moment de la requête |
| Sources de données | Fichiers locaux et ensemble fixe de signaux | Se connecte aux outils d'équipe où vivent les connaissances |
| Permissions | Accès à périmètre limité, ajouté après coup | Gouvernées et traitées en priorité |
| Objectif de la maintenance | Garder le cerveau organisé | Cible les contenus obsolètes, l'exactitude et l'exhaustivité |
| Humain dans la boucle | Rapport optionnel sur les pages orphelines | Intégré pour les modifications ambiguës |
Si votre équipe branche des agents sur les connaissances de votre entreprise et que vous voulez qu'elles restent fiables à mesure qu'elles grandissent, c'est le problème sur lequel nous travaillons.
Réservez une démo et nous vous montrerons comment Slite Agent gère les contenus obsolètes et la relecture.
Le besoin d'une couche mémoire IA est réel, et GBrain a montré une manière solide de la construire.
La question qu'il laisse ouverte est celle qui compte le plus à mesure que ces systèmes prennent en charge une plus grande part de notre travail : un cerveau bien organisé n'est pas encore un cerveau auquel vous pouvez vous fier.
Combler cet écart, voilà le travail à venir, et c'est la partie qui nous enthousiasme le plus.