Meta mise sur des modèles spécialisés pour l’IA multimodale et agentique

Meta ne se contente plus de faire progresser des assistants capables de répondre à une question écrite. Le groupe cherche à développer des systèmes qui comprennent plusieurs formes d’information à la fois et qui peuvent, dans certains cas, accomplir une suite de tâches pour aider un utilisateur. Cette double ambition porte deux noms devenus centraux dans l’industrie : l’IA multimodale, qui relie différents formats de contenus, et l’IA agentique, qui organise des actions autour d’un objectif.

Cette orientation ne signifie pas qu’une machine devient autonome au sens humain du terme. Elle traduit plutôt une évolution pratique des modèles : au lieu de traiter une instruction isolée, ils peuvent analyser un texte avec une image, tenir compte d’un historique, appeler un outil lorsqu’il y est autorisé, puis restituer une réponse plus contextualisée. Pour Meta, dont les services reposent largement sur les échanges, les images, les vidéos et les recommandations, cet axe de développement est particulièrement stratégique.

La publication d’origine évoque une gamme de modèles spécialisés sans en détailler les références techniques. Au 21 avril 2025, le jalon public le plus concret de cette stratégie est la présentation, le 5 avril 2025, de la famille Llama 4, avec Scout, Maverick et Behemoth. Ces modèles illustrent la volonté de Meta d’adapter les architectures d’IA à des besoins variés, tout en faisant de la compréhension des images et du texte une capacité centrale.

L’IA multimodale, une compréhension qui dépasse le texte

Un modèle de langage classique travaille avant tout sur des mots. Il peut résumer un document, rédiger un courriel ou répondre à une question, mais il ne voit pas nativement ce qu’une image contient. L’IA multimodale vise à franchir cette frontière : un même système reçoit plusieurs modalités, c’est-à-dire plusieurs types de signaux, et apprend à les mettre en relation.

Dans son usage le plus courant, cela consiste à combiner texte et image. Un utilisateur peut par exemple transmettre la photographie d’un objet et demander de l’aide pour l’identifier, ou joindre un graphique à une question sur son contenu. Le modèle doit alors faire plus que décrire une image : il doit comprendre le lien entre la demande formulée et les éléments visuels pertinents.

La promesse est une interaction plus naturelle. Dans la vie quotidienne, une question dépend souvent d’un contexte que le langage seul exprime mal : une capture d’écran, un schéma, une page, un tableau ou une photo. Réunir ces éléments dans une même requête peut réduire les allers-retours et améliorer la précision de l’assistance, à condition que le modèle interprète correctement les données reçues.

Il faut toutefois distinguer l’ambition générale de l’état exact des produits. La publication d’origine cite les données visuelles, textuelles et auditives. Or les modèles Llama 4 présentés par Meta mettent explicitement l’accent sur une compréhension multimodale du texte et de l’image. Il serait donc imprécis d’attribuer à cette annonce une prise en charge audio équivalente sans spécification technique publique claire.

Llama 4, les modèles qui donnent un contenu concret à cette stratégie

La famille Llama 4 repose sur une architecture dite Mixture of Experts, ou mélange d’experts. L’idée est de réunir de nombreux sous-réseaux spécialisés dans un même modèle. Pour chaque élément à traiter, le système n’active qu’une partie de ces experts. Cette méthode cherche à augmenter les capacités du modèle sans mobiliser l’intégralité de ses paramètres à chaque calcul.

Meta a présenté trois références, dont les ambitions ne sont pas identiques. Scout et Maverick sont les modèles rendus disponibles à cette date, tandis que Behemoth reste en entraînement et sert notamment de modèle enseignant dans le développement de la gamme.

Les chiffres de paramètres actifs ne résument pas, à eux seuls, les performances d’un modèle. Dans une architecture à experts, il faut aussi considérer le nombre total de paramètres, les données d’entraînement, la qualité de l’alignement, la fenêtre de contexte et les outils éventuellement accessibles au système. Meta indique ainsi que Scout totalise 109 milliards de paramètres et Maverick 400 milliards, mais n’en active qu’une fraction à chaque étape de calcul.

La longueur de contexte est un autre élément important. Meta avance pour Scout une capacité allant jusqu’à 10 millions de jetons, une unité technique qui représente des fragments de texte. En théorie, un tel contexte permet de soumettre de très longs documents ou des ensembles importants d’informations à la même conversation. Dans la pratique, l’intérêt dépend de la capacité du modèle à retrouver fidèlement l’information utile et à ne pas confondre des éléments éloignés dans le document.

La spécialisation évoquée par Meta ne renvoie donc pas nécessairement à un modèle séparé pour chaque métier. Elle peut aussi prendre la forme de modèles aux tailles, aux coûts de calcul et aux priorités différentes. Un acteur peut vouloir un système plus léger pour traiter une grande quantité de contenus, un autre plus performant pour une tâche complexe, ou encore une architecture conçue pour travailler avec des images et des instructions détaillées.

Que recouvre l’expression « IA agentique » ?

L’IA agentique est souvent présentée comme la prochaine étape des assistants. Le terme désigne un système qui ne se limite pas à produire une réponse : il peut transformer un objectif en plusieurs sous-tâches, utiliser des outils auxquels il a reçu accès, vérifier un résultat intermédiaire et poursuivre son travail jusqu’à produire un résultat exploitable.

Prenons une demande simple : préparer une synthèse à partir de plusieurs documents. Un agent pourrait identifier les fichiers pertinents, extraire leurs idées principales, comparer des informations, rédiger un premier plan et signaler les points contradictoires. Mais chacune de ces actions suppose des permissions, des outils et des règles explicites. Un modèle de langage seul n’ouvre pas spontanément des fichiers, ne navigue pas de façon sûre dans un système et ne prend pas de décision légitime au nom de son utilisateur.

C’est pourquoi l’agentique doit être comprise comme une orchestration. Le modèle joue le rôle de moteur de raisonnement et de dialogue, mais il s’insère dans un environnement logiciel qui limite ce qu’il peut consulter et faire. Les garde-fous sont essentiels lorsqu’un système peut envoyer un message, modifier un document, effectuer une réservation ou accéder à des données personnelles.

Des usages possibles, mais pas des promesses déjà réalisées

L’association de la multimodalité et de l’agentique ouvre des pistes dans de nombreux secteurs. La publication d’origine mentionne l’éducation, le divertissement et la santé. Ces domaines ont en commun de produire des contenus variés et de nécessiter souvent une personnalisation des échanges.

Dans l’éducation, un assistant pourrait s’appuyer sur un exercice photographié, des réponses déjà rédigées et la formulation d’une question pour proposer une explication adaptée. Son intérêt potentiel réside moins dans le fait de donner immédiatement la solution que dans sa capacité à identifier une difficulté et à proposer une méthode. Une telle utilisation demande cependant une vigilance particulière : l’outil peut se tromper, simplifier à l’excès ou favoriser le contournement de l’apprentissage.

Dans le divertissement, les systèmes multimodaux peuvent enrichir les interactions autour de contenus visuels et textuels. Ils peuvent aider à rechercher une information dans un vaste catalogue, décrire des éléments d’une image ou adapter une expérience interactive à une demande. Cette perspective soulève aussi des enjeux de droits sur les contenus, de transparence sur les recommandations et de maîtrise des données utilisées pour personnaliser l’expérience.

Dans la santé, les possibilités sont souvent évoquées avec prudence. L’IA peut assister l’organisation de l’information, la rédaction ou certaines analyses sous supervision. En revanche, un outil conversationnel ou visuel ne doit pas être confondu avec un professionnel de santé, ni servir seul à établir un diagnostic. Dans ce domaine, la validation clinique, la sécurité des données et la responsabilité en cas d’erreur sont indispensables.

Plus largement, le marketing, le support client, la gestion documentaire et la création d’applications pourraient bénéficier de systèmes capables de relier différentes sources d’information. Mais la valeur ne vient pas du simple ajout d’un modèle : elle dépend de l’intégration au métier, de la qualité des données et de la possibilité pour les personnes concernées de contrôler le résultat.

Les contraintes techniques derrière des interactions plus riches

Traiter ensemble du texte et de l’image exige des ressources informatiques importantes. Ces données n’ont ni la même structure ni la même densité d’information. Une image contient une multitude de détails et doit être convertie en représentations que le modèle peut relier au langage. Plus le contexte est long, plus le coût de calcul et les exigences de mémoire peuvent augmenter.

La difficulté ne s’arrête pas à l’infrastructure. Il faut entraîner le système sur des données suffisamment diverses pour qu’il sache reconnaître des situations très différentes, sans associer abusivement une image à une interprétation stéréotypée. Il faut également évaluer ses performances dans des conditions proches de l’usage réel, et non uniquement sur des tests standardisés.

Les modèles peuvent produire des réponses plausibles mais erronées, un phénomène souvent appelé hallucination. Face à une photographie, cela peut se traduire par l’invention d’un détail absent ou une identification fausse. Face à une tâche agentique, l’erreur peut se propager : une mauvaise étape initiale entraîne les suivantes. Les mécanismes de vérification, les limites d’action et l’intervention humaine ne sont donc pas des options secondaires.

Vie privée, biais et accès des développeurs : les conditions de confiance

Les capacités multimodales renforcent les questions de confidentialité. Une photo, une capture d’écran ou un enregistrement peuvent contenir des informations personnelles, parfois sans que l’utilisateur en ait conscience : visage, adresse, document administratif, conversation privée ou donnée de santé. Les entreprises qui conçoivent ou déploient ces outils doivent limiter les données traitées au nécessaire, sécuriser les échanges et donner des choix compréhensibles aux utilisateurs.

Les biais constituent une autre difficulté. Si les données d’entraînement représentent mal certaines langues, certains contextes culturels ou certaines situations, le modèle peut fournir une aide de qualité inégale. La multimodalité rend le problème plus complexe, car les erreurs peuvent venir à la fois du texte, de l’image et de l’association entre les deux.

Meta met traditionnellement en avant la diffusion de ses modèles Llama auprès de la communauté de développeurs, selon des conditions de licence définies par le groupe. Cette ouverture peut accélérer l’expérimentation et permettre à des organisations d’adapter des modèles à leurs besoins. Elle rend aussi nécessaire une réflexion sur les usages malveillants, les contrôles à installer dans les applications et la responsabilité de ceux qui les mettent à disposition du public.

L’accessibilité ne se résume pas à la publication d’un modèle. Pour qu’un développeur puisse en faire un outil fiable, il lui faut une documentation claire, une infrastructure de calcul, des données adaptées, des méthodes d’évaluation et des règles de sécurité. La promesse d’une IA plus personnalisée ne doit pas aboutir à des services opaques ou impossibles à contester.

Ce qu’il faut surveiller

La stratégie de Meta se jouera d’abord sur l’écart entre les démonstrations techniques et les usages réellement déployés. Les capacités de Llama 4 devront être évaluées au-delà des annonces de l’entreprise, sur des tâches diverses, dans différentes langues et avec des contenus issus de situations ordinaires. Les comparaisons entre modèles doivent aussi tenir compte des conditions de test, des coûts et des limites de chaque outil.

Il faudra ensuite observer la manière dont les fonctions agentiques seront encadrées. Un assistant qui conseille est déjà susceptible de se tromper. Un assistant qui agit au sein d’une application pose une question supplémentaire : quelles autorisations reçoit-il, quelles actions sont réversibles et comment un utilisateur peut-il comprendre ou arrêter son fonctionnement ?

Enfin, la concurrence dans l’IA ne se résume plus à la taille des modèles. Elle porte sur leur capacité à traiter plusieurs formats, à fonctionner à un coût soutenable, à s’intégrer dans des produits concrets et à inspirer confiance. L’ambition de Meta autour de la multimodalité et de l’agentique s’inscrit pleinement dans cette transformation. Son succès dépendra autant de la fiabilité et de la gouvernance de ces systèmes que de leurs performances brutes.