Meta réorganise son IA autour de quatre pôles sous la direction d’Alexandr Wang

Le chantier est autant organisationnel que technologique. Meta veut accélérer dans l’intelligence artificielle en réunissant, sous une même architecture, les chercheurs qui imaginent les prochaines percées, les équipes qui entraînent les grands modèles, celles qui les transforment en produits et celles qui fournissent la puissance de calcul nécessaire. Le mémo adressé aux salariés par Alexandr Wang, le responsable des Meta Superintelligence Labs, détaille cette nouvelle feuille de route.

Publié dans un contexte de concurrence particulièrement vive entre les grands groupes technologiques, ce document fixe une ambition explicite : faire progresser Meta vers la « superintelligence ». Derrière ce terme, qui ne possède pas de définition scientifique consensuelle, se trouve l’idée de systèmes d’IA capables de dépasser très largement les performances humaines dans un grand nombre de tâches intellectuelles. Le mémo ne promet ni calendrier ni résultat précis. Il montre surtout comment Meta entend structurer ses moyens pour participer à cette course.

Qu’annonce le mémo d’Alexandr Wang ?

La principale décision est une répartition des travaux d’IA de Meta en quatre domaines complémentaires : la recherche, l’entraînement des modèles, les produits et l’infrastructure. Cette séparation peut sembler administrative, mais elle répond à un problème très concret dans l’IA de pointe : une découverte de laboratoire n’a d’effet réel que si elle peut être intégrée dans un modèle, entraînée à grande échelle, déployée dans un produit et soutenue par des centres de données fiables.

La nouvelle organisation relève des Meta Superintelligence Labs, souvent désignés par l’acronyme MSL. La plupart des responsables de division doivent rapporter directement à Alexandr Wang, âgé de 28 ans. Cette chaîne de décision raccourcie vise à rapprocher les choix scientifiques, techniques et commerciaux.

Cette architecture traduit une volonté de coordination. Les modèles d’IA les plus puissants ne résultent pas seulement d’une bonne idée ou d’un algorithme. Ils exigent d’immenses jeux de données, des milliers de processeurs spécialisés, des logiciels capables de répartir les calculs et des équipes qui savent transformer des résultats de recherche en services utilisables.

Pourquoi Meta concentre-t-elle ses équipes sur la superintelligence ?

Le terme de superintelligence est devenu un marqueur des ambitions les plus élevées du secteur. Il va au-delà de l’IA générative déjà utilisée pour rédiger un texte, produire une image ou répondre à une question. L’objectif théorique est de concevoir des systèmes capables de raisonner, d’apprendre et de résoudre des problèmes complexes à un niveau supérieur à celui des humains dans de très nombreux domaines.

Il faut toutefois distinguer une orientation stratégique d’une réalité atteinte. En août 2025, aucun acteur ne dispose d’une superintelligence démontrée. Les modèles actuels peuvent accomplir des tâches impressionnantes, mais ils commettent aussi des erreurs, peuvent produire des informations inventées et restent dépendants de leur entraînement, de leurs outils et de la manière dont les utilisateurs formulent leurs demandes.

Pour Meta, afficher cette ambition sert plusieurs objectifs. L’entreprise veut attirer les meilleurs chercheurs, rendre ses investissements en puissance de calcul plus cohérents et conserver une place centrale dans la compétition avec les laboratoires et groupes technologiques qui développent les modèles les plus avancés. Le mémo d’Alexandr Wang insiste donc moins sur une promesse immédiate que sur la nécessité de créer une structure capable de travailler vite et de manière coordonnée.

Cette méthode tranche avec une organisation où les équipes de recherche, les équipes produit et les équipes d’infrastructure avanceraient séparément. Dans l’IA, cette séparation peut ralentir le passage d’une idée à un système réellement déployé. À l’inverse, une centralisation très forte peut créer d’autres difficultés : priorités qui changent rapidement, concurrence interne entre équipes et inquiétudes pour les salariés déplacés d’un pôle à l’autre.

Shengjia Zhao, FAIR et TBD Lab : qui fait quoi ?

Le volet recherche est confié à Shengjia Zhao, présenté dans le mémo comme l’un des co-créateurs de ChatGPT. Son arrivée à la tête du laboratoire de recherche de MSL doit permettre de consolider le travail scientifique autour des futurs modèles de Meta.

La recherche ne se confond pas avec l’entraînement d’un modèle. Les chercheurs peuvent, par exemple, étudier de nouvelles architectures, des méthodes d’apprentissage plus efficaces, des techniques de raisonnement ou des moyens de rendre un système plus fiable. L’entraînement consiste ensuite à mettre certaines de ces idées à l’épreuve sur une vaste échelle, avec des données et une capacité de calcul considérables.

C’est là qu’intervient le TBD Lab, une petite équipe chargée de l’entraînement des modèles d’IA. Le mémo indique qu’elle doit également explorer de nouvelles voies, dont un modèle qualifié d’« omni ». Les détails restent flous. Dans le vocabulaire de l’IA, l’idée d’un système « omni » renvoie généralement à une ambition multimodale, c’est-à-dire à la capacité de traiter plusieurs types d’informations, comme du texte, des images, du son ou de la vidéo. Le document ne permet toutefois pas de connaître les capacités exactes visées ni le stade d’avancement d’un tel projet.

Le laboratoire FAIR, pour Facebook AI Research, doit quant à lui jouer un rôle plus directement connecté à cette phase d’entraînement. Historiquement reconnu pour ses travaux de recherche, FAIR doit devenir, selon le mémo, un moteur d’innovation pour les efforts de formation des modèles de MSL. L’enjeu est d’intégrer plus rapidement des projets et des résultats de recherche dans les cycles d’entraînement de TBD.

Cette coopération est déterminante. Un laboratoire de recherche peut publier ou prototyper une méthode prometteuse sans qu’elle soit immédiatement exploitable dans un modèle à très grande échelle. Il faut encore vérifier qu’elle fonctionne avec des volumes de données importants, qu’elle ne ralentit pas excessivement l’entraînement et qu’elle améliore réellement les performances. Le rapprochement entre FAIR et TBD cherche précisément à réduire cet écart.

Nat Friedman doit rapprocher l’IA des produits de Meta

Le troisième pilier concerne les produits. Nat Friedman, ancien dirigeant de GitHub, est chargé des efforts d’intégration de l’IA dans les produits de Meta. Sa mission est stratégique : une avancée technique ne suffit pas à créer de la valeur si elle n’améliore pas de manière claire l’expérience des utilisateurs ou les outils proposés aux entreprises et aux créateurs.

Meta a déjà investi dans des appareils et services destinés à faire évoluer les usages numériques, notamment les lunettes de réalité augmentée et le casque de réalité virtuelle Quest. Selon le contexte décrit dans le mémo, ces initiatives n’ont pas jusqu’ici généré de revenus significatifs. L’IA pourrait devenir un moyen de rendre certains produits plus utiles, plus personnalisés ou plus simples à utiliser. Mais cette promesse devra se traduire par des fonctionnalités compréhensibles, fiables et suffisamment attractives pour être adoptées.

La responsabilité confiée à Nat Friedman souligne une réalité souvent oubliée dans les annonces sur les modèles : le produit impose ses propres contraintes. Une fonction d’IA intégrée à une application doit répondre rapidement, fonctionner pour des centaines de millions ou des milliards d’utilisateurs potentiels, protéger les données personnelles et limiter les erreurs les plus graves. Le travail produit est donc indissociable de la recherche, mais aussi de l’infrastructure.

L’infrastructure, la condition matérielle de l’ambition de Meta

Le quatrième pôle est dirigé par Aparna Ramani. Son équipe doit construire des environnements optimisés pour soutenir la recherche et le développement de produits. Cette formule recouvre un ensemble de ressources indispensables : serveurs, processeurs spécialisés, réseaux, systèmes de stockage, logiciels de gestion des calculs et outils permettant aux équipes d’expérimenter sans perdre de temps.

Entraîner un grand modèle demande d’effectuer un nombre considérable d’opérations mathématiques. Ce travail est généralement réparti sur un grand nombre de puces afin de réduire la durée des entraînements. Une infrastructure mal dimensionnée peut freiner les chercheurs, limiter le nombre d’expériences réalisables ou empêcher de déployer un modèle dans des conditions satisfaisantes.

L’infrastructure n’est donc pas un simple service de soutien. Dans la compétition de l’IA, elle conditionne directement la vitesse à laquelle une entreprise peut tester de nouvelles idées. En donnant à ce sujet une équipe identifiée et un responsable dédié, Meta reconnaît que le calcul, l’organisation des données et l’efficacité opérationnelle sont aussi importants que la conception d’un modèle.

La dissolution d’AGI Foundations révèle une organisation encore mouvante

La réorganisation comporte aussi une suppression : l’équipe AGI Foundations, créée peu auparavant, est dissoute. Ses membres doivent être réaffectés vers les équipes produits, infrastructure et FAIR. Cette décision suggère que Meta préfère concentrer les compétences dans les quatre pôles établis plutôt que de maintenir une unité distincte consacrée aux fondations de l’intelligence artificielle générale.

Une telle décision peut avoir une logique opérationnelle. En intégrant les spécialistes dans des équipes qui entraînent des modèles, construisent des plateformes techniques ou préparent des fonctionnalités, l’entreprise peut espérer accélérer la circulation des compétences. Mais elle souligne aussi l’instabilité inhérente à une phase de réorganisation. Les missions changent, les responsables redéfinissent leurs périmètres et les salariés doivent trouver leur place dans une structure nouvelle.

Le mémo intervient alors que des tensions sont déjà évoquées parmi les membres de l’équipe. Les nouvelles recrues, attirées par des offres financières importantes, côtoient des chercheurs déjà présents chez Meta, dont certains envisageraient de partir. Aucun chiffre n’est donné sur ces départs potentiels. Cet élément rappelle néanmoins qu’une stratégie d’IA ne repose pas uniquement sur les organigrammes : elle dépend aussi de la capacité à retenir les équipes, à clarifier les responsabilités et à créer des conditions de travail propices à la coopération.

Ce qu’il faut surveiller dans les prochains mois

La première question concerne l’exécution. Meta devra montrer si la séparation entre recherche, entraînement, produits et infrastructure accélère réellement la création de modèles et de fonctionnalités. La relation annoncée entre FAIR et TBD sera particulièrement observée : c’est elle qui doit transformer les avancées scientifiques en systèmes entraînés à grande échelle.

La deuxième concerne le mystérieux modèle « omni ». Le terme attire l’attention parce qu’il peut évoquer des capacités multimodales plus étendues. Mais, en l’absence de précisions sur ses données, ses performances, ses usages ou son calendrier, il serait prématuré d’y voir un produit imminent.

Enfin, la réorganisation sera jugée à l’aune de sa stabilité. Meta a choisi de centraliser la plupart des responsables de MSL autour d’Alexandr Wang et de redistribuer les membres d’AGI Foundations. Cette structure peut accélérer les arbitrages. Elle devra aussi convaincre les chercheurs et ingénieurs que les changements d’équipes servent une trajectoire durable, plutôt qu’une nouvelle étape transitoire dans une course technologique où chaque acteur cherche encore la bonne formule.