Meta veut entraîner son IA avec des contenus publics européens

Un même gâteau feuilleté, deux noms, et parfois une discussion sans fin. Le « pain au chocolat » pour les uns, la « chocolatine » pour les autres résument, avec humour, une réalité que les assistants numériques saisissent encore imparfaitement : une langue ne se limite pas à son dictionnaire. Elle est faite d’usages locaux, de sous-entendus, de références communes et de mots dont le sens varie d’une région à l’autre.

À la mi-avril 2025, Meta annonce vouloir s’appuyer sur certains contenus de ses utilisateurs européens pour améliorer ses modèles d’intelligence artificielle. Le groupe, propriétaire de Facebook, Instagram, WhatsApp et Messenger, explique chercher à construire une IA mieux adaptée aux langues et aux cultures du continent. Cette ambition s’accompagne d’une question essentielle : quelles données seront utilisées, et comment les internautes peuvent-ils s’y opposer ?

Ce que Meta annonce pour l’entraînement de son IA

Le dispositif concerne les utilisateurs adultes de l’Union européenne. Meta prévoit d’utiliser des contenus partagés publiquement sur ses services, ainsi que les interactions des utilisateurs avec ses fonctionnalités d’IA. L’objectif affiché est d’améliorer la capacité des modèles à produire et comprendre les langues européennes dans leur diversité.

Pour un modèle de langage, disposer d’exemples locaux peut aider à relier une expression à son contexte. Un système entraîné majoritairement sur des textes anglais ou américains risque, par exemple, de mal interpréter une formule familière française, une pointe d’ironie ou une référence culturelle. L’enjeu ne se réduit donc pas à connaître davantage de vocabulaire. Il consiste aussi à mieux évaluer ce que les mots veulent dire dans une situation donnée.

L’exemple du pain au chocolat et de la chocolatine est avant tout symbolique. Il ne s’agit pas d’un programme destiné à reconnaître visuellement deux pâtisseries différentes, qui désignent dans ce cas le même produit. Il illustre plutôt la capacité attendue d’une IA à comprendre qu’un mot peut être employé naturellement dans une zone géographique, sans que l’autre appellation soit pour autant erronée.

Cette distinction est centrale. Le mot « public » ne veut pas forcément dire qu’un contenu a été vu par un grand nombre de personnes. Il désigne d’abord un contenu rendu accessible au-delà d’un cercle privé, selon les paramètres choisis sur une plateforme. Pour les internautes, la première précaution reste donc de vérifier régulièrement qui peut voir leurs publications, leurs commentaires et leurs informations de profil.

Pourquoi les nuances régionales comptent pour une IA

Les grands modèles de langage fonctionnent en repérant des régularités dans d’immenses volumes de textes. Ils apprennent quelles suites de mots sont plausibles, quels termes sont souvent associés et dans quels contextes certaines expressions apparaissent. Mais cette méthode a une limite : si les données représentent mal une population, ses façons de parler seront moins bien comprises.

La France illustre très bien ce défi. Entre le français standard, les régionalismes, les expressions de générations différentes et les références populaires, un même échange peut prendre des significations variées. « Sur un malentendu, ça peut marcher » est ainsi bien plus qu’une succession de mots pour une personne qui en reconnaît la référence et l’intention humoristique. Sans contexte culturel, une IA peut en proposer une lecture trop littérale ou manquer la plaisanterie.

Le phénomène dépasse largement les frontières françaises. Les utilisateurs de Paris et de Cracovie n’écrivent pas seulement dans des langues différentes. Leurs codes d’humour, les degrés de politesse, les formules usuelles et les sujets de conversation peuvent eux aussi varier. C’est ce type de diversité que Meta dit vouloir mieux refléter dans ses produits.

Cette promesse d’une IA plus « européenne » soulève par conséquent deux attentes qui peuvent entrer en tension. D’un côté, les utilisateurs peuvent espérer des réponses plus pertinentes dans leur langue. De l’autre, ils doivent disposer d’informations claires sur les contenus mobilisés pour atteindre cet objectif et sur les moyens de refuser cet usage.

Quelles données sont exclues du programme ?

Meta assure que les messages privés échangés avec les amis et la famille ne serviront pas à entraîner ses modèles. C’est une précision importante, car ces conversations constituent souvent l’espace où les internautes emploient le plus spontanément leurs surnoms, leurs expressions régionales ou leurs discussions personnelles.

Il existe toutefois une nuance à connaître. Lorsqu’une personne utilise une fonctionnalité d’IA et choisit de lui transmettre un message ou une information afin d’obtenir une réponse, cette interaction entre dans le périmètre des échanges avec l’IA. Autrement dit, la frontière pertinente n’est pas seulement celle entre « privé » et « public » : elle dépend aussi du fait qu’un utilisateur décide ou non de faire intervenir l’assistant de Meta dans la conversation.

Le groupe précise également que les contenus publics des personnes de moins de 18 ans ne sont pas concernés par le nouvel entraînement annoncé en Europe. Cette exclusion répond à un sujet particulièrement sensible, alors que les jeunes publient souvent des contenus sans mesurer tous les effets possibles de leur diffusion ou de leur réutilisation.

Les utilisateurs doivent donc distinguer trois situations : ce qu’ils publient publiquement, ce qu’ils échangent dans un cadre privé classique et ce qu’ils soumettent directement à une fonction d’intelligence artificielle. Ces catégories n’impliquent pas les mêmes usages des données.

Un droit d’opposition plutôt qu’un accord à donner

Pour informer les personnes concernées, Meta indique envoyer des notifications dans ses applications et par courrier électronique. Ces messages doivent inclure un lien vers un formulaire permettant d’exercer un droit d’opposition à l’utilisation des données pour l’entraînement de l’IA.

Ce vocabulaire a son importance. Dans le cadre européen, le droit d’opposition permet à une personne de demander qu’un traitement de données ne s’applique pas à elle dans certaines circonstances. Meta présente ce mécanisme comme une voie simple pour refuser l’usage de ses informations dans ce programme.

Le groupe doit aussi expliquer suffisamment clairement le traitement envisagé. Pour qu’un choix soit réellement éclairé, il ne suffit pas d’indiquer qu’une IA sera « améliorée ». Les personnes doivent comprendre quels types de contenus sont visés, quels produits pourraient bénéficier de l’entraînement et quelle démarche accomplir pour s’y opposer.

Cette transparence est d’autant plus nécessaire que les contenus accessibles publiquement peuvent contenir des éléments personnels : opinions, centres d’intérêt, habitudes de publication, photographies ou informations relatives à l’entourage. Le fait qu’une donnée soit publique ne fait pas disparaître les obligations liées à sa protection.

Pourquoi Meta avait suspendu son projet en 2024

Le projet n’arrive pas sans précédent. En juin 2024, Meta avait mis en pause ses projets d’entraînement de grands modèles de langage à partir de contenus publics d’adultes en Europe. Cette suspension était intervenue après une demande de la Commission irlandaise de protection des données, l’autorité compétente pour Meta en raison de son implantation européenne en Irlande.

La chronologie montre que le sujet ne porte pas seulement sur la qualité technique d’un assistant conversationnel. Il touche directement à l’application du Règlement général sur la protection des données, le RGPD, et à la capacité des plateformes à justifier l’usage de données déjà publiées par leurs membres.

Meta indique s’appuyer sur l’intérêt légitime pour ce traitement, un fondement prévu par le RGPD dans certaines situations. Ce choix n’exonère pas l’entreprise d’une analyse rigoureuse. Elle doit notamment démontrer que son intérêt à développer l’IA ne porte pas une atteinte disproportionnée aux droits et libertés des personnes, et permettre l’exercice effectif du droit d’opposition.

La reprise annoncée en avril 2025 ne vaut donc pas blanc-seing général. Les autorités de protection des données conservent leur rôle de contrôle, tandis que les associations et les utilisateurs peuvent demander des comptes sur la portée réelle du dispositif. La date de juin 2024 renvoie à la suspension du projet, et non à une mise en service complète de l’entraînement.

Une IA plus locale, mais pas une IA qui connaît tout

Meta met en avant une ambition compréhensible : mieux servir les Européens avec des outils qui ne répondent pas comme s’ils s’adressaient à un public uniforme. Une IA capable de comprendre qu’un même aliment porte plusieurs noms, qu’une formule est ironique ou qu’une tournure appartient à une région donnée peut rendre les échanges plus naturels.

Cette amélioration potentielle ne doit cependant pas être confondue avec une compréhension humaine. Un modèle de langage ne possède ni souvenirs vécus ni connaissance directe d’un territoire. Il établit des rapprochements statistiques à partir des données qui lui ont été fournies. Il peut donc reproduire des stéréotypes présents dans ces données, donner trop de poids à des usages majoritaires ou échouer face à une expression rare.

La diversité des exemples utilisés compte aussi. Une plateforme très fréquentée ne reflète pas mécaniquement l’ensemble d’une société. Les personnes qui publient le plus, les langues les plus utilisées et les formats qui suscitent le plus d’engagement peuvent occuper une place disproportionnée dans les données disponibles. Entraîner une IA avec des contenus européens ne garantit pas, à lui seul, que toutes les voix européennes seront représentées avec la même précision.

Ce qu’il faut surveiller

Dans les semaines qui suivent l’annonce, plusieurs points méritent une attention particulière. Le premier est la clarté des notifications adressées aux utilisateurs : elles doivent permettre de comprendre rapidement le dispositif et d’accéder sans difficulté au formulaire d’opposition. Le deuxième concerne la mise en œuvre concrète de l’exclusion des messages privés et des contenus publics des mineurs.

Il faudra également observer la capacité de Meta à expliquer les bénéfices réels de cette collecte. Une promesse générale d’IA plus pertinente est insuffisante si les utilisateurs ne peuvent pas constater ce qui progresse, dans quelles langues et pour quels usages. La qualité des réponses de Meta AI sur les références locales, les formulations familières et les nuances culturelles sera un premier test visible.

Enfin, cette affaire dépasse le cas de Meta. À mesure que les entreprises d’IA cherchent des données de meilleure qualité et plus proches des usages locaux, la question de la réutilisation des contenus publiés en ligne va se poser avec une intensité croissante. Le débat entre innovation, diversité linguistique et maîtrise des données personnelles ne se résume pas à choisir entre pain au chocolat et chocolatine. Il porte sur le droit de chacun à savoir comment ses traces numériques contribuent, ou non, à entraîner les machines.