Meta convertit systématiquement ses opérations internes en ce qui revient à un environnement d'entraînement étendu pour les modèles d'intelligence artificielle.
Ce que signifie réellement le post-entraînement et pourquoi cela compte
La construction d'un modèle d'IA se déroule en deux phases majeures. L'entraînement préliminaire consiste à fournir au modèle d'énormes quantités de données afin qu'il apprenne des motifs, le langage et le raisonnement. L'entraînement postérieur correspond à ce qui suit : le raffinage, l'alignement, les boucles de rétroaction qui transforment un modèle intelligent mais brut en quelque chose de véritablement utile.
Meta traite l'ensemble de son appareil corporatif comme un laboratoire vivant pour cette deuxième phase. Des programmes internes comme « AI Week » sont conçus pour encourager les employés de l'ensemble de l'entreprise à s'engager activement avec les outils et projets d'IA, en générant des retours concrets.
Lorsque des milliers d'employés interagissent avec des systèmes d'IA pendant leur travail réel, que ce soit pour le ciblage d'annonces, la modération de contenu, la conception de produits ou les communications internes, chaque interaction devient un point de données. Chaque correction devient un signal d'entraînement. Chaque processus devient un point de référence.
L'infrastructure derrière la stratégie
De nouveaux postes, comme « scientifique en recherche sur l’IA, post-entraînement », sont créés au sein des Superintelligence Labs de Meta. Ces postes existent spécifiquement pour concevoir, gérer et optimiser les boucles de rétroaction entre les employés de Meta et ses modèles d’IA.
Meta a investi 14,3 milliards de dollars pour acquérir une participation de 49 % chez Scale AI, l'entreprise spécialisée dans l'étiquetage et l'évaluation des données. Scale AI se concentre sur l'évaluation humaine de haute qualité qui rend le post-entraînement efficace. En combinant cette capacité externe avec une stratégie interne consistant à utiliser la main-d'œuvre comme banc d'essai, Meta adopte une approche à deux volets.
Pourquoi cela est lié à la publicité, aux revenus et à tout le reste
Mark Zuckerberg a mis en avant le rôle de l'IA dans l'amélioration de l'efficacité de la publicité sur les plateformes de Meta. Lorsque les modèles d'IA deviennent meilleurs pour comprendre l'intention des utilisateurs, prédire l'engagement et générer des actifs créatifs, les revenus publicitaires augmentent.
Un employé du département publicitaire de Meta utilise un outil d’IA pour optimiser le ciblage des campagnes. L’outil fait une suggestion. L’employé l’accepte, la modifie ou la rejette. Chacune de ces actions constitue un signal d’entraînement qui revient vers le modèle. Multipliez cela par des milliers d’employés et des millions de décisions, et les opérations internes de Meta deviennent une ressource post-entraînement.
Ce que cela signifie pour les investisseurs et le paysage de l'IA dans son ensemble
L'investissement de 14,3 milliards de dollars dans Scale AI apporte une rigueur externe au processus interne. Le étiquetage et l'évaluation professionnels des données, combinés aux retours organiques des employés, créent une chaîne post-entraînement à la fois large et approfondie.
Le risque est l'exécution. Transformer une grande corporation en un environnement cohérent d'entraînement d'IA exige une coordination qui ne vient pas naturellement aux organisations de la taille de Meta. Les initiatives internes d'IA peuvent devenir purement symboliques, les employés se contentant de suivre les rituels de la « Semaine de l'IA » sans produire de retours authentiques et à fort signal qui améliorent réellement les modèles.
Meta entretient des liens historiques avec des projets de stablecoins et des infrastructures de paiements numériques. Une couche d'IA plus performante sur les plateformes de Meta pourrait éventuellement influencer la manière dont les actifs numériques sont intégrés dans les messages, le commerce et la publicité.