Meta maintient le cap sur la superintelligence, assure Alexandr Wang

Meta veut faire comprendre que sa nouvelle organisation dédiée à la superintelligence n’est pas un projet mis en attente par les coûts ou par la prudence du marché. Le message porté par Alexandr Wang, responsable de cette ambition au sein du groupe, est clair : les investissements continuent et ne montrent pas de signe de ralentissement. À l’heure où la dépense informatique nécessaire pour entraîner les modèles les plus avancés atteint des montants considérables, cette précision revêt une portée stratégique.

Le terme de « superintelligence » désigne ici une ambition de long terme, bien plus large que l’ajout d’un assistant conversationnel dans un réseau social. Meta cherche à se placer parmi les entreprises capables de concevoir les prochaines générations de systèmes d’intelligence artificielle, tout en les intégrant à ses produits utilisés à grande échelle. Reste une question essentielle : que peut réellement signifier la poursuite des investissements, alors qu’aucun budget propre aux Meta Superintelligence Labs n’est publié ?

Ce qu’Alexandr Wang affirme sur les investissements de Meta

Selon Alexandr Wang, les ressources consacrées aux laboratoires de superintelligence de Meta ne diminuent pas. Elles continuent au contraire de progresser, malgré des informations ayant nourri l’idée d’un possible resserrement des dépenses consacrées à l’IA. Cette prise de position vise à dissiper un doute important : une entreprise peut afficher une ambition technologique forte tout en ajustant ses priorités budgétaires, notamment si le coût des infrastructures ou la conjoncture économique l’y pousse.

Dans le cas de Meta, le discours officiel est celui de la continuité. L’entreprise a créé les Meta Superintelligence Labs, souvent désignés par l’acronyme MSL, afin de réunir des équipes travaillant sur les modèles, les méthodes de recherche et les systèmes d’IA de prochaine génération. Alexandr Wang a rejoint Meta en juin 2025 pour travailler sur ces efforts, dans le cadre du partenariat annoncé entre Meta et Scale AI.

Cette structure ne correspond pas nécessairement à un laboratoire isolé, avec un produit unique et une date de sortie déjà arrêtée. Elle traduit plutôt une organisation de recherche et de développement destinée à accélérer plusieurs chantiers : améliorer les modèles, les rendre plus fiables, accroître leurs capacités de raisonnement et préparer leur déploiement à très grande échelle.

Que recouvre la notion de superintelligence ?

La superintelligence n’est pas une catégorie technique définie par un test unique ou par un seuil universellement reconnu. Dans les débats sur l’IA, elle renvoie généralement à l’hypothèse d’un système qui dépasserait les capacités humaines dans une très grande variété de tâches intellectuelles, et non seulement sur une activité précise comme la traduction, la reconnaissance d’images ou la rédaction de code.

Les modèles actuels peuvent déjà produire des textes, analyser des documents, générer des images ou aider à programmer. Mais leurs performances restent inégales. Ils peuvent commettre des erreurs factuelles, mal interpréter une instruction, manquer de contexte ou donner une réponse convaincante sans qu’elle soit exacte. Passer de ces outils à une intelligence très générale et robuste suppose donc de résoudre des difficultés scientifiques et techniques considérables.

Lorsque Meta emploie le terme de superintelligence, il faut ainsi y voir une orientation de recherche et un positionnement dans la compétition mondiale, plutôt qu’une promesse selon laquelle un tel système serait disponible à une date déterminée. Alexandr Wang a évoqué la possibilité de franchir des jalons importants dans un délai relativement court, mais l’évolution réelle des capacités de l’IA demeure difficile à prévoir.

Les travaux de ces laboratoires peuvent recouvrir plusieurs domaines complémentaires : l’apprentissage automatique, les modèles de langage, l’analyse de vastes ensembles de données, les méthodes d’entraînement et l’évaluation de la sûreté des systèmes. Le défi n’est pas seulement de rendre un modèle plus performant. Il consiste aussi à comprendre ses limites, à réduire ses erreurs et à garder un contrôle sur ses usages.

Les dépenses globales montrent l’ampleur du pari

Même si Meta ne détaille pas les moyens affectés aux Meta Superintelligence Labs, les chiffres communiqués par le groupe éclairent l’échelle de son effort. Dans ses résultats du deuxième trimestre publiés le 30 juillet 2025, Meta a indiqué prévoir entre 66 et 72 milliards de dollars de dépenses d’investissement pour l’ensemble de l’année 2025.

Ce montant ne doit pas être assimilé mécaniquement au budget des laboratoires de superintelligence. Les dépenses d’investissement couvrent des éléments bien plus larges, notamment les centres de données, les serveurs, les réseaux et les infrastructures nécessaires au fonctionnement des services du groupe. Elles donnent néanmoins une indication concrète : Meta prépare une capacité informatique massive, devenue indispensable pour entraîner et exploiter les modèles d’IA les plus ambitieux.

L’enjeu financier dépasse largement Meta. Les grandes entreprises technologiques doivent arbitrer entre des dépenses immédiates, très lourdes, et des bénéfices qui peuvent prendre du temps à apparaître. Construire ou louer de la puissance de calcul, recruter des équipes de haut niveau et collecter les données nécessaires représentent des coûts importants. Dans ce contexte, confirmer que les investissements ne ralentissent pas est aussi une manière de signaler aux concurrents, aux employés et aux investisseurs que Meta entend rester dans la course.

La bataille des talents est devenue un avantage compétitif

L’argent et les processeurs ne suffisent pas. Les chercheurs capables de concevoir de nouvelles architectures de modèles, d’améliorer les méthodes d’entraînement ou d’évaluer les risques de systèmes puissants sont peu nombreux et très sollicités. Meta se retrouve donc en concurrence directe avec les autres grands groupes technologiques et les laboratoires spécialisés.

L’arrivée d’Alexandr Wang s’inscrit dans cette stratégie. À la tête de Scale AI avant son rapprochement avec Meta, il s’était imposé comme une figure connue de l’écosystème de l’IA, notamment dans le domaine des données utilisées pour entraîner et évaluer des modèles. Son recrutement illustre l’importance accordée aux profils capables de faire le lien entre recherche, données, infrastructure et mise en production.

Pour Meta, attirer des spécialistes ne consiste pas seulement à étoffer des effectifs. C’est aussi un moyen de concentrer des compétences qui, dans l’IA actuelle, peuvent accélérer ou ralentir fortement un programme de recherche. Les équipes les plus expérimentées savent mieux évaluer les résultats d’un modèle, détecter ses failles, choisir les expériences pertinentes et transformer des avancées scientifiques en outils utilisables.

Cette compétition a aussi un effet sur tout le marché. Les laboratoires plus petits, les jeunes entreprises et les universités doivent rivaliser avec des employeurs capables d’offrir des moyens de calcul et des rémunérations particulièrement élevés. Le risque est de voir une part croissante de la recherche de pointe se concentrer entre les mains de quelques acteurs disposant d’immenses ressources.

Pourquoi Meta veut-elle développer une IA plus puissante ?

Meta présente l’IA comme une technologie appelée à transformer les interactions entre les personnes et ses services. Le groupe possède des plateformes qui rassemblent des milliards d’utilisateurs et dispose donc d’un terrain de déploiement exceptionnel pour des assistants, des outils de création, des systèmes de recommandation et des fonctions de communication enrichies par l’IA.

Dans une vision optimiste, des systèmes plus capables pourraient aider chacun à créer du contenu, obtenir une explication, organiser des tâches ou interagir plus naturellement avec des services numériques. Pour une entreprise comme Meta, des modèles plus performants peuvent aussi améliorer l’efficacité de ses produits existants, depuis les recommandations de contenus jusqu’aux outils proposés aux créateurs et aux annonceurs.

Mais la puissance d’un modèle ne garantit pas automatiquement son utilité. Pour être adoptée, une fonction d’IA doit répondre à un besoin réel, être compréhensible, protéger les données des personnes et éviter de multiplier les réponses trompeuses. Les promesses de superintelligence sont donc encore très éloignées des critères concrets qui détermineront le succès auprès du public : fiabilité, simplicité, contrôle et bénéfice quotidien.

La stratégie de Meta vise également à peser sur les normes du secteur. Les entreprises qui contrôlent des modèles très performants, des infrastructures de calcul étendues et de vastes canaux de distribution peuvent influencer les usages qui s’imposeront demain. C’est l’une des raisons pour lesquelles l’annonce d’investissements continus dépasse le cadre d’un simple budget de recherche.

Droits d’auteur, données et sécurité : les limites du modèle

L’accélération des investissements ne fait pas disparaître les questions juridiques et éthiques. Les systèmes d’IA générative sont entraînés sur de grandes quantités de données. La provenance de ces données, l’usage d’œuvres protégées et la rémunération éventuelle des créateurs alimentent des débats majeurs dans de nombreux pays.

Ces questions concernent l’ensemble du secteur, y compris Meta. Développer des modèles toujours plus capables suppose d’avoir accès à des données de qualité, mais aussi de pouvoir justifier les conditions de cet accès. Les titulaires de droits, les éditeurs, les artistes et les autorités publiques demandent des règles plus lisibles sur la transparence, les licences et les possibilités de recours.

La sécurité constitue l’autre sujet central. À mesure qu’un système gagne en autonomie ou en capacité de persuasion, les conséquences de ses erreurs ou de ses détournements peuvent devenir plus importantes. Les entreprises doivent donc investir non seulement dans les performances, mais aussi dans les évaluations de risques, les garde-fous et les mécanismes permettant de détecter des comportements indésirables.

L’ambition de la superintelligence rend ces sujets encore plus sensibles. Plus les dirigeants de l’IA imaginent des systèmes puissants, plus ils doivent expliquer comment ces systèmes seront supervisés. La confiance ne se construit pas par l’annonce de capacités futures, mais par des preuves de fiabilité, de transparence et de responsabilité.

Ce qu’il faut surveiller dans les prochains mois

La déclaration d’Alexandr Wang fixe une ligne : Meta ne souhaite pas donner l’impression que sa stratégie de superintelligence marque une pause. Les prochaines étapes permettront toutefois de mesurer la portée concrète de cet engagement. Les observateurs suivront d’abord les recrutements, l’organisation effective des équipes et les annonces de recherche susceptibles de montrer ce que produisent les Meta Superintelligence Labs.

Il faudra également surveiller l’évolution des dépenses d’infrastructure. Entre 66 et 72 milliards de dollars prévus pour 2025, Meta se donne des moyens considérables, mais l’entreprise devra démontrer que cette puissance de calcul se traduit par des produits utiles et par des avancées solides. Les résultats commerciaux, les usages réels et la qualité des outils compteront autant que les annonces technologiques.

Enfin, les débats sur les données, le droit d’auteur et la sécurité pourraient peser sur le rythme de déploiement. La course à l’IA ne se joue pas uniquement dans les laboratoires. Elle se joue aussi devant les régulateurs, dans les tribunaux, auprès des créateurs et, surtout, auprès des utilisateurs qui décideront si ces nouveaux outils méritent leur confiance.