Meta rattrape Google et Microsoft en IA, mais à quel prix ?

Le 23 octobre 2024, Meta a sorti deux modèles d’IA comme des cartes maîtresses. Muse Wonder et Muse Wonder Full, présentés comme des outils capables de rivaliser avec les meilleurs du marché. Les benchmarks ? Impressionnants. Le score de Muse Wonder Full sur le test MMLU (Massive Multitask Language Understanding) dépasse les 86 %, soit presque 10 points de plus que Llama 3.1, le précédent modèle maison. Sur Hellaswag, un benchmark de raisonnement, il frôle les 90 %. Bref, Meta entre dans le club très fermé des acteurs capables de tenir tête à Google et Microsoft sur leur propre terrain : la performance brute en laboratoire. Sauf que personne ne sait encore si ça sert à quelque chose en vrai.

Pourquoi ces résultats ne changent rien à la guerre des IA

Les benchmarks, c’est comme les notes au bac : ça donne une illusion de mérite. Muse Wonder Full cartonne sur des QCM conçus pour tester des capacités linguistiques et logiques. Mais quand on demande à un modèle d’IA de faire un truc utile, répondre à un email complexe, rédiger un contrat, ou même simplement ne pas inventer des sources, les écarts se resserrent.

Prenez le cas de Google’s Gemini ou de Microsoft’s Phi-3. Ils aussi ont des scores élevés sur les mêmes tests. La vraie différence, c’est ce qui se passe après. Gemini, par exemple, a mis des mois à corriger ses bugs de raisonnement basique. Phi-3, lui, est optimisé pour tourner sur des machines modestes, un atout si vous n’avez pas les serveurs de Meta à disposition. Muse Wonder, lui, reste un monstre gourmand en énergie et en infrastructure.

Meta le sait. D’où cette stratégie : pousser l’IA comme un produit dérivé de ses réseaux sociaux. Wonder Full, c’est avant tout un outil pour alimenter les suggestions de contenu, les modérations automatiques, et peut-être un jour remplacer les équipes de modération humaine. Pas pour vous, pas pour les entreprises, mais pour Meta.

Le vrai enjeu : Meta paie son retard avec du cash et des données

Il y a deux ans, Meta jouait les retardataires. Pendant que Google et Microsoft investissaient des milliards dans des modèles fondés sur des architectures avancées (comme les mixture of experts), Mark Zuckerberg misait sur des équipes internes réduites et des partenariats avec des startups. Résultat : Llama 2, sorti en 2023, était solide, mais pas assez pour concurrencer.

Aujourd’hui, Meta rattrape son retard avec une méthode brutale : elle achète du temps de calcul chez AWS et Google Cloud, et elle noie ses modèles dans des montagnes de données. Wonder Full a été entraîné sur 10 000 milliards de tokens, soit dix fois plus que Llama 3.1. Problème : ces données, Meta les puise surtout dans ses propres plateformes. Instagram, Facebook, WhatsApp… Tout y passe. Ce qui pose une question simple : est-ce que ces modèles deviennent meilleurs… ou juste plus calés sur le jargon des réseaux sociaux ?

Pire : Meta ne vend pas ses modèles. Contrairement à Microsoft ou Mistral AI, qui monétisent leurs créations via des licences, Meta les garde en interne. Pourquoi ? Parce que l’IA, pour eux, ce n’est pas un produit. C’est un levier pour verrouiller l’attention des utilisateurs. Wonder Full servira d’abord à mieux cibler la pub, à générer du contenu viral, et à réduire les coûts de modération. Pas à vous faire gagner du temps.

Le piège des benchmarks : quand les chiffres mentent

Les tests comme MMLU ou Hellaswag sont utiles, mais ils ne mesurent pas ce qui compte vraiment. Prenez l’exemple de Perplexity AI, une startup qui a sorti un modèle capable de rivaliser avec les géants sur certains benchmarks… avant de réaliser que ses réponses étaient pleines d’erreurs factuelles quand on les poussait dans leurs retranchements. Muse Wonder Full a-t-il ce problème ? Personne ne sait.

Meta ne publie pas de red teaming (tests de résistance) poussés. Pas de démonstrations publiques où un journaliste ou un chercheur pourrait lui demander : « Et si je te donne un dossier juridique complexe ? Un contrat international ? Une analyse financière avec des données récentes ? » Les benchmarks, c’est comme les notes de restaurant : ça donne une idée, mais ça ne dit pas si le plat est bon.

Et puis, il y a l’effet Google. Quand le moteur de recherche a sorti LaMDA en 2021, les benchmarks étaient bons. Les démonstrations, spectaculaires. Sauf que le modèle était inutilisable en production. Trois ans plus tard, Google a dû tout repenser. Meta prend-elle le même risque ?

Ce que ça change (et ce que ça ne change pas)

1. Pour les utilisateurs lambda ? Rien. Vous n’aurez pas accès à Muse Wonder Full. Même pas en version bêta. Meta ne fait pas dans l’open-source grand public comme elle l’a fait avec Llama. C’est une IA pour l’entreprise, pas pour vous.

2. Pour les développeurs et les entreprises ? Peu de choses. Les alternatives existent déjà : Mistral Large, Gemini Pro, ou même les modèles open-source comme Mixtral 8x7B, qui offrent des performances proches sans les coûts d’infrastructure. Pourquoi payer Meta quand vous pouvez avoir presque pareil ailleurs ?

3. Pour la concurrence ? Une pression accrue. Google et Microsoft vont devoir accélérer leurs mises à jour. Mais ils ont un avantage : leurs modèles sont déjà déployés dans des outils que vous utilisez tous les jours (Bard, Copilot). Meta, elle, reste en mode « on montre qu’on peut, mais on ne vous donne rien ».

4. Pour l’écosystème de l’IA ? Un signal dangereux. En misant sur la performance brute plutôt que sur l’utilité réelle, Meta renforce l’idée que l’IA, c’est d’abord une course aux benchmarks. Résultat : les startups et les chercheurs se concentrent sur les tests plutôt que sur des solutions concrètes. C’est comme si la course à l’espace avait été décidée par des concours de sauts en hauteur.

La vraie question : Zuckerberg a-t-il enfin raison ?

Oui, mais pas pour les raisons qu’on croit. Meta a prouvé qu’elle pouvait faire de l’IA performante. Le problème, c’est que cette performance ne sert pas les utilisateurs, mais Meta.

Zuckerberg a toujours parié sur l’attention comme monnaie d’échange. Avec l’IA, il mise sur la même logique : plus le modèle est bon, plus il peut vous enfermer dans son écosystème. Wonder Full ne vous donnera pas accès à une IA libre et puissante. Il vous donnera encore plus de contenu ciblé, encore plus de suggestions, encore plus de temps passé sur les plateformes.

Le vrai tour de force de Meta, ce n’est pas d’avoir rattrapé Google et Microsoft. C’est d’avoir réussi à faire croire que l’IA, c’est d’abord une question de benchmarks… alors que le vrai combat, lui, se joue ailleurs.

Ce qui se passe quand personne ne regarde les coûts cachés

Les benchmarks, c’est bien. Mais une IA, ça se juge aussi à son empreinte carbone, à son impact sur le marché du travail, et à sa capacité à résoudre des problèmes réels.

Muse Wonder Full a été entraîné sur des serveurs qui consomment l’équivalent de plusieurs milliers de voitures sur un an. Personne ne parle de ça.

Il pourrait remplacer des milliers d’emplois dans la modération de contenu, la traduction automatique, ou même le journalisme basique. Personne ne mesure l’impact.

Et surtout, personne ne sait si ces modèles vont un jour sortir des laboratoires.

Meta a gagné une bataille. Mais la guerre, elle, ne fait que commencer.

Dernière idée : et si l’IA, au fond, n’était qu’un miroir de ce qu’on en attend ?

Les benchmarks reflètent nos priorités. Si on mesure l’IA à sa capacité à répondre à des QCM, alors oui, Meta a raison. Si on la mesure à sa capacité à améliorer nos vies, à réduire les inégalités, ou même simplement à ne pas nous prendre pour des imbéciles, alors la partie est loin d’être jouée. Et Meta, pour l’instant, ne joue pas dans cette ligue.