Les analystes s’interrogent sur la stratégie IA coûteuse et fragmentée de Meta

Meta a mis un nouveau produit d’IA en circulation, malgré les critiques croissantes selon lesquelles sa stratégie manque toujours d’un axe clair. La dernière couverture de Google News reflète ce conflit : Meta peut financer plus d’expériences que presque tous ses concurrents, mais les analystes peinent encore à identifier son produit d’IA emblématique.

Cette tension est importante, car l’expérimentation chez Meta s’accompagne désormais d’un coût extraordinaire. L’entreprise prévoit des dépenses d’investissement comprises entre 125 et 145 milliards de dollars en 2026. Elle réorganise également ses équipes, recrute des chercheurs coûteux, développe des modèles, améliore ses systèmes publicitaires et introduit des agents destinés aux consommateurs.

Le résultat peut davantage ressembler à plusieurs paris en concurrence pour obtenir la priorité qu’à une stratégie coordonnée. Google a Gemini et sa distribution via la recherche. Microsoft a Copilot et ses logiciels d’entreprise. OpenAI a ChatGPT. Meta dispose d’une portée sociale inégalée, mais n’a pas encore établi une raison tout aussi claire pour laquelle les utilisateurs choisiraient Meta AI.

Le titre de Google News reflète un problème plus large chez Meta

Qualifier l’approche de Meta de « spaghetti lancé contre un mur » est provocateur, mais l’inquiétude sous-jacente est précise : l’activité ne garantit pas automatiquement une orientation stratégique.

Meta poursuit des modèles fondamentaux, des assistants grand public, des systèmes de recommandation, l’automatisation publicitaire, des lunettes intelligentes, des outils pour créateurs, la messagerie professionnelle et des agents autonomes. Ces projets peuvent partager des infrastructures, mais pas nécessairement un même client ni une même voie vers les revenus.

L’expression a émergé alors que les nouvelles activités d’IA de Meta attiraient une attention renouvelée dans Google News. Elle décrit une entreprise qui teste de nombreuses interfaces possibles, en attendant que le comportement des utilisateurs révèle laquelle mérite davantage d’investissements.

Cette approche n’est pas irrationnelle. Les marchés de l’IA évoluent trop rapidement pour qu’une entreprise puisse prédire avec certitude l’interface finale. Les conversations textuelles, les assistants vocaux, les appareils portables, les agents sociaux et les logiciels accomplissant des tâches restent tous des points d’entrée plausibles.

Meta dispose également de flux de trésorerie suffisants pour mener plusieurs expériences simultanément. Son activité publicitaire établie peut soutenir de longs cycles de recherche qui submergeraient une entreprise plus petite.

Mais l’ampleur des dépenses relève le niveau de preuve exigé. Une expérience produit modeste peut être évaluée à l’aune de ce qu’elle enseigne. Un programme d’investissement chiffré en centaines de milliards exige des preuves que ces enseignements produiront une valeur économique durable.

Le portefeuille de produits de Meta n’a pas apporté de réponse simple. Son assistant d’IA apparaît dans WhatsApp, Instagram, Facebook, Messenger, une application autonome et sur le web. Cette présence crée de l’exposition, mais l’exposition ne se confond pas avec la préférence.

Un utilisateur qui rencontre un bouton d’IA au sein d’un service existant n’a pas nécessairement choisi Meta AI. La distinction compte lorsque la direction présente la distribution comme un avantage concurrentiel.

Le déploiement par Meta en juillet de nouvelles capacités de type agent illustre cette stratégie. L’entreprise a indiqué que ses fonctionnalités Muse et Spark permettraient à Meta AI d’exécuter des actions plutôt que de seulement renvoyer du texte. Selon l’entreprise, ces outils ont commencé à être déployés sur certains marchés via l’application Meta AI et meta.ai, d’après son déploiement des fonctionnalités d’agent.

Cette sortie donne à Meta une nouvelle occasion de transformer son graphe social en avantage pour l’IA. Elle introduit aussi une nouvelle interface qui doit avoir une finalité claire, des performances fiables et un usage répété.

L’interprétation sceptique est que Meta continue de lancer des interfaces parce qu’aucune expérience unique n’a établi sa position de leader. L’interprétation favorable est que l’entreprise teste la place de l’IA personnelle avant que le marché ne se stabilise.

Ces deux lectures ne peuvent rester plausibles que pendant un temps. À terme, l’usage et les revenus devront distinguer l’exploration de la dérive.

Les dépenses de Meta augmentent le coût de l’incertitude

La principale pression sur Meta ne provient pas d’un manque de ressources. Elle vient de l’écart grandissant entre ses investissements et la visibilité de leurs retours.

Meta a annoncé un chiffre d’affaires de 56,31 milliards de dollars au premier trimestre 2026, en hausse de 33 % sur un an. Le bénéfice net a atteint 26,77 milliards de dollars, selon ses résultats du premier trimestre. Ces chiffres montrent pourquoi l’entreprise peut financer un programme d’IA exceptionnellement offensif.

Le même rapport a relevé les dépenses d’investissement prévues pour 2026, les situant entre 125 et 145 milliards de dollars. Meta a principalement attribué cette hausse à l’augmentation du coût des composants, les dépenses supplémentaires pour les centres de données y contribuant également.

La borne supérieure est plus qu’une ligne budgétaire. Elle oblige la direction à expliquer quels produits nécessitent cette infrastructure et comment ils améliorent l’économie de Meta.

Certains retours sont déjà visibles dans l’activité publicitaire. L’apprentissage automatique peut améliorer les recommandations de contenu, le classement des publicités, la génération de créations et les performances des campagnes. De meilleures recommandations peuvent accroître le temps passé dans les applications de Meta, tandis qu’un meilleur ciblage peut augmenter la valeur d’une impression.

Ces améliorations ont une importance économique réelle. Elles compliquent également le débat, car elles mêlent de nouveaux investissements dans l’IA générative à des systèmes qui soutiennent l’activité de Meta depuis des années.

Un cluster d’infrastructure peut entraîner un nouveau modèle fondamental, faire fonctionner un assistant, améliorer un outil publicitaire ou soutenir les recommandations. Les investisseurs ne peuvent pas facilement distinguer les dépenses de maintenance de la capacité spéculative.

La proposition de valeur de Meta AI en tant qu’application autonome reste moins visible. L’analyste de Bloomberg Intelligence Mandeep Singh a observé que l’application n’avait pas généré un engagement comparable à celui de ses principaux concurrents, comme le résume une analyse des retours sur investissement dans l’IA.

Cette faiblesse compte, car l’application autonome constitue le test le plus clair de la demande volontaire. Les utilisateurs qui l’ouvrent délibérément apportent une preuve plus solide que ceux qui rencontrent un assistant dans Instagram ou WhatsApp.

Meta doit donc démontrer deux propositions distinctes. Premièrement, l’IA doit continuer d’améliorer ses produits publicitaires et sociaux existants. Deuxièmement, ses nouveaux services grand public doivent devenir suffisamment utiles pour soutenir une activité distincte ou une position stratégique.

La première proposition aide à défendre les revenus actuels. La seconde est censée justifier la place de Meta dans la prochaine plateforme informatique.

C’est pourquoi la discussion dans Google News va au-delà de la métaphore d’un analyste. Le marché se demande si Meta construit un système d’IA intégré ou finance plusieurs projets sans hiérarchie établie.

Les investisseurs ont déjà montré leur sensibilité à cette question. Les actions de Meta ont perdu plus de 6 % dans les échanges prolongés après ses résultats d’avril, malgré des revenus et bénéfices supérieurs aux attentes.

Une réaction boursière ne prouve pas que la stratégie est erronée. Elle montre que de solides bénéfices actuels ne suffisent plus à clore le débat sur les dépenses futures.

Meta réduit également ses effectifs tout en orientant davantage de ressources vers l’infrastructure et les talents spécialisés en IA. Cette combinaison intensifie la pression interne. Les équipes extérieures aux groupes de recherche les plus favorisés doivent se disputer les ressources de calcul, le personnel et l’attention des dirigeants.

Pour les employés, la réponse imposée est la priorisation. Pour les investisseurs, c’est un calendrier de retour sur investissement plus clair. Pour la direction, c’est un produit qui relie des dépenses d’infrastructure considérables à un comportement mesurable.

Le véritable adversaire de Meta est la cohérence stratégique

La compétition centrale n’oppose pas simplement Meta à Google ou OpenAI. Elle oppose la promesse de superintelligence personnelle de Meta à une réalité produit encore fragmentée.

Mark Zuckerberg a présenté l’objectif à long terme comme une superintelligence personnelle pour des milliards de personnes. Cette expression suggère un assistant qui comprend un individu, fonctionne dans divers contextes et accomplit des actions utiles.

Les actifs de Meta correspondent à cette ambition. Facebook, Instagram, Messenger et WhatsApp regroupent des liens sociaux, des conversations, des centres d’intérêt, des communautés, des entreprises et des créateurs. Les lunettes intelligentes ajoutent une interface physique qui peut voir et entendre depuis la perspective de l’utilisateur.

Peu d’entreprises peuvent associer une telle distribution à un contexte grand public. Meta a indiqué que 3,56 milliards de personnes utilisaient quotidiennement au moins une de ses applications en mars 2026.

La distribution peut résoudre le problème de la découverte, mais pas celui de la confiance ou de la qualité du produit. Un agent personnel doit comprendre les demandes de manière fiable, préserver le contexte, gérer les autorisations et agir sans provoquer de conséquences indésirables.

L’entreprise doit aussi décider comment ses composants s’articulent. L’application autonome est-elle la destination principale ? WhatsApp est-il l’interface conversationnelle ? Les lunettes Ray-Ban Meta constituent-elles la future couche matérielle ? Les agents d’Instagram sont-ils principalement des outils pour créateurs ? Les agents professionnels prolongent-ils la messagerie ?

Chaque réponse peut soutenir la mission globale. Les présenter toutes simultanément rend toutefois cette mission plus difficile à évaluer.

La trajectoire de Google est plus facile à décrire. Gemini se connecte à la recherche, Android, Workspace, les services cloud et les systèmes de connaissances existants de Google. Microsoft relie Copilot aux logiciels de travail et à Azure. OpenAI a créé une demande directe auprès des consommateurs avec ChatGPT avant de s’étendre vers les agents et les outils d’entreprise.

Les produits établis de Meta n’ont pas été conçus autour d’un assistant. L’entreprise doit intégrer l’IA dans des services qui possèdent déjà des identités et des modes d’interaction forts.

Cela crée un risque d’abondance de fonctionnalités sans changement comportemental. Les utilisateurs pourraient générer une image dans une conversation ou poser une question rapide sans adopter Meta AI comme assistant par défaut.

L’application autonome était destinée à rendre ce choix plus explicite. Elle est toutefois arrivée sur un marché encombré, où les utilisateurs associaient déjà l’assistance généraliste à ChatGPT, Gemini, Claude ou Perplexity.

La réponse de Meta a consisté à mettre l’accent sur son avantage social. Un assistant personnalisé pourrait s’appuyer sur des centres d’intérêt et des relations auxquels les chatbots conventionnels ne peuvent pas accéder. Les agents sociaux pourraient également interagir avec les créateurs, les groupes et les entreprises.

Cette idée soulève d’importantes questions de confidentialité et de sécurité. Le contexte qui améliore la personnalisation est souvent le même que les utilisateurs considèrent comme sensible.

Meta doit établir des limites d’autorisation que le grand public peut comprendre. Elle doit également empêcher un agent de traiter des préférences déduites comme des instructions confirmées.

La nécessité d’un contexte fiable rend la gestion des connaissances personnelles pertinente au-delà des propres applications de Meta. Les utilisateurs ont de plus en plus besoin d’un moyen de conserver des informations utiles tout en contrôlant ce qu’un assistant peut récupérer. Une base de connaissances personnelle fournit un modèle de cette séparation.

Meta n’a pas encore démontré que son contexte social produit un assistant systématiquement meilleur. Tant qu’elle ne le fera pas, son avantage de distribution restera une opportunité plutôt qu’un avantage défensif éprouvé.

Ce conflit entre promesse et réalité est la principale raison pour laquelle les lancements dispersés attirent les critiques. Chaque nouvelle fonctionnalité élargit le périmètre de la promesse. Peu ont encore réduit l’incertitude sur le produit final.

L’expérimentation peut fonctionner, mais Meta a besoin d’un mécanisme de sélection

Essayer de nombreux produits n’est défendable que si Meta peut identifier les gagnants, abandonner les projets faibles et déplacer les ressources sans désorienter les utilisateurs.

Les entreprises technologiques utilisent régulièrement des expérimentations parallèles pour découvrir de nouveaux comportements. L’histoire de Meta elle-même confirme cette méthode. Sa transition vers le mobile, ses investissements dans la vidéo courte et le développement de systèmes de recommandation ont exigé des années d’itération.

L’IA apporte encore davantage d’incertitudes. Les capacités des modèles peuvent évoluer en quelques mois, les infrastructures sont commandées des années à l’avance et les attentes des consommateurs changent après chaque sortie majeure.

Un plan rigide créerait son propre risque. Meta pourrait choisir trop tôt une interface et passer à côté de la forme que les utilisateurs finiront par préférer.

La question cruciale est le mécanisme de sélection. Une stratégie expérimentale a besoin de critères mesurables pour décider ce qui mérite d’être étendu.

Pour un assistant grand public, ces critères devraient aller au-delà des inscriptions ou de l’exposition forcée. Parmi les mesures utiles figurent l’utilisation volontaire chaque semaine, la répétition des tâches accomplies, les actions réussies, la rétention après la curiosité initiale et la migration entre les différentes surfaces de Meta.

Les produits agentiques exigent une évaluation plus stricte. Un chatbot peut produire une réponse imparfaite que l’utilisateur ignore. Un agent qui envoie un message, modifie une réservation ou interagit avec une entreprise peut avoir des conséquences réelles.

Meta doit suivre l’accomplissement des tâches en parallèle des corrections, des annulations et des échecs d’autorisation. Un fort engagement ne signifierait pas grand-chose si les utilisateurs doivent fréquemment réparer le travail de l’agent.

L’intégration des produits nécessite également un modèle cohérent. Les utilisateurs devraient comprendre si Meta AI conserve une même identité sur WhatsApp, Instagram, les lunettes et l’application autonome. Ils devraient savoir quelles informations circulent entre ces services.

Sans cette clarté, chaque surface supplémentaire augmente la charge cognitive. La même fonctionnalité peut se comporter différemment selon l’endroit où un utilisateur la rencontre.

La structure organisationnelle compte autant que l’interface. Meta a créé Meta Superintelligence Labs après que son programme d’IA a suscité des doutes sur les progrès des modèles et le leadership. L’entreprise a également réalisé un investissement majeur dans Scale AI et recruté son fondateur, Alexandr Wang.

La transaction Scale AI a été valorisée à 14,3 milliards de dollars en 2025. Elle a donné à Meta une participation importante dans une entreprise connue pour ses services de données et son infrastructure d’évaluation, tout en intégrant Wang à la direction de l’IA.

Cette décision a signalé un sentiment d’urgence. Elle a aussi soulevé des questions sur la manière dont la nouvelle organisation coexisterait avec les équipes de recherche et produit déjà établies.

Un portefeuille interne peut fonctionner lorsque chaque groupe possède une couche distincte. Une équipe peut construire des modèles de pointe, une autre développer des systèmes d’évaluation, et les groupes produit adapter ces capacités à des publics spécifiques.

Les problèmes commencent lorsque les groupes poursuivent des modèles qui se chevauchent, se disputent la même puissance de calcul ou reçoivent des priorités changeantes. La réorganisation devient alors un substitut à la sélection de produits.

Meta a déjà connu des turbulences visibles. Des reportages ont décrit des remaniements d’équipes, des départs, des licenciements et des conflits sur l’allocation des ressources. Certaines perturbations sont attendues après une réinitialisation stratégique majeure, mais des changements répétés peuvent ralentir le travail qu’ils sont censés accélérer.

L’historique de l’entreprise en matière de modèles ouverts ajoute un autre choix non résolu. Llama a donné à Meta de l’influence auprès des développeurs, car les organisations pouvaient télécharger et adapter ses modèles sous la licence de Meta.

Une stratégie propriétaire plus affirmée pourrait améliorer le contrôle et soutenir la différenciation auprès des consommateurs. Elle pourrait également réduire le soutien des développeurs externes qui a contribué à la pertinence de Llama.

Meta n’a pas besoin de traiter les modèles ouverts et fermés comme des opposés absolus. Elle doit toutefois expliquer quelles capacités elle publiera, lesquelles elle réservera et comment chaque décision soutient une même stratégie produit.

L’alternative est une collection de choix individuellement raisonnables qui pointent dans des directions différentes. C’est la situation que les critiques décrivent comme le fait de jeter des spaghettis contre le mur.

Les lecteurs de Google News devraient donc distinguer la métaphore de la question opérationnelle. Le problème n’est pas l’expérimentation elle-même. Le problème est l’expérimentation sans règles visibles de convergence.

Ce que la critique des « spaghettis » ne prouve pas

La présentation désordonnée de Meta ne démontre pas que ses investissements en IA échouent, mais l’entreprise n’a pas fourni suffisamment d’éléments pour écarter cette inquiétude.

La version la plus sévère de cette critique suppose que chaque produit doit déjà générer des revenus directs. Cette norme ignore le temps nécessaire à la maturation des investissements dans l’infrastructure et la recherche.

La capacité d’entraînement commandée aujourd’hui peut soutenir des modèles et des produits lancés beaucoup plus tard. Les équipes de recherche génèrent aussi des améliorations qui se diffusent dans les recommandations, les systèmes d’intégrité, la publicité et les outils de contenu.

Les performances actuelles de Meta apportent des éléments montrant que ses investissements plus larges dans le machine learning créent de la valeur. Le chiffre d’affaires a progressé de 33 % sur un an au premier trimestre 2026, tandis que les bénéfices ont dépassé les attentes des analystes.

Ces résultats n’isolent pas l’effet de Meta Superintelligence Labs. Ils montrent toutefois que l’entreprise ne finance pas l’IA à partir d’une base en déclin.

Les partisans de Meta soulignent également sa distribution. L’entreprise peut placer une nouvelle fonctionnalité devant des milliards de personnes sans payer une autre plateforme pour y accéder.

Cet avantage devient plus important si les assistants évoluent vers des outils de communication du quotidien. Meta exploite déjà les espaces où se déroulent de nombreuses conversations sociales et commerciales.

Les lunettes intelligentes constituent une autre voie crédible. Un assistant capable de répondre à ce qu’une personne voit offre une expérience différente d’un chatbot ouvert sur un ordinateur portable.

Ces atouts rendent prématurée l’affirmation selon laquelle la stratégie de Meta est vaincue. L’entreprise peut se permettre d’itérer, possède des interfaces importantes et dispose d’une activité rentable qui bénéficie de l’IA indépendamment de tout assistant autonome.

Cependant, ces avantages peuvent encourager une discipline insuffisante. Une distribution peu coûteuse peut donner l’impression qu’un produit est adopté alors que les utilisateurs ne font que le croiser. Des flux de trésorerie importants peuvent maintenir un programme flou plus longtemps qu’une petite entreprise ne le pourrait.

L’activité publicitaire peut également masquer l’économie de la recherche de pointe. Si les gains de recommandation compensent une partie des dépenses, la direction peut revendiquer des progrès sans démontrer que ses modèles les plus récents sont compétitifs.

Les critiques se souviennent de Reality Labs pour cette raison. Meta a maintenu un engagement long et coûteux envers la réalité virtuelle et augmentée malgré une adoption limitée par les consommateurs. Sa patience a produit du matériel et des recherches utiles, mais elle a aussi généré d’énormes pertes d’exploitation.

L’IA diffère du métavers parce qu’elle améliore déjà les produits essentiels de Meta. Elle bénéficie aussi d’une demande à plus court terme plus claire sur le marché au sens large.

Néanmoins, la comparaison historique affecte la confiance des investisseurs. La direction doit démontrer que l’IA dispose de boucles de rétroaction plus fortes, d’un apprentissage produit plus rapide et d’une allocation des ressources plus disciplinée.

L’accusation des « spaghettis » risque aussi de réduire des projets distincts à une seule catégorie. Les algorithmes de recommandation, la publicité générative, les modèles fondamentaux, les objets portables et les agents répondent à des objectifs différents.

L’échec d’une fonctionnalité autonome n’effacerait pas les gains dans la publicité. Un outil publicitaire réussi ne prouverait pas que Meta a construit un assistant personnel de premier plan.

La bonne évaluation maintient ces résultats séparés. Meta devrait recevoir du crédit là où des résultats commerciaux mesurés existent et faire l’objet d’un examen attentif là où le cas produit reste non vérifié.

Les analystes de Morningstar ont décrit l’activité principale comme saine tout en avertissant que la hausse des dépenses d’investissement et les rendements incertains de l’IA générative pèsent sur le dossier d’investissement. Leur analyse a présenté cette inquiétude comme le retour de souvenirs liés aux précédentes dépenses expérimentales de Meta, selon l’analyse des dépenses d’investissement du cabinet.

JPMorgan a également abaissé sa recommandation sur Meta en 2026, citant une visibilité limitée sur le pipeline de produits IA. Cette formulation est importante. L’objection n’est pas que Meta ne dispose d’aucune technologie. C’est que les observateurs externes ne peuvent pas relier ce pipeline à un rendement suffisamment clair.

Meta peut répondre à cette critique par des preuves, et non par un nouveau slogan. Elle doit fournir des résultats comparatifs de modèles, une rétention produit durable, une fiabilité des agents et une présentation plus claire des retours sur infrastructure.

Jusqu’à ce que ces éléments arrivent, l’optimisme comme le scepticisme restent en partie spéculatifs.

Trois signaux montreront si la stratégie IA de Meta converge

La prochaine étape de l’histoire de l’IA de Meta dépend de la rétention produit, de la communication financière et de preuves que ses agents peuvent accomplir utilement leur travail en toute sécurité.

Le premier signal est l’utilisation répétée de Meta AI après que les dernières fonctionnalités agentiques auront atteint davantage de marchés. Les téléchargements initiaux ou les impressions de fonctionnalités révéleront peu de choses, car Meta peut générer les deux par la promotion et le placement.

Le signal le plus solide est la rétention volontaire. Les utilisateurs devraient revenir pour accomplir des tâches significatives plutôt que poser occasionnellement des questions par curiosité.

Meta devrait aussi indiquer si les utilisateurs passent d’une de ses surfaces IA à une autre. Un système cohérent permettrait à quelqu’un de commencer via des lunettes, de poursuivre dans WhatsApp et de consulter le résultat dans l’application autonome sans confusion.

Si ce comportement se développe, il renforcerait l’affirmation de Meta selon laquelle son portefeuille forme un seul assistant personnel. Si chaque surface produit une utilisation isolée et superficielle, la critique de la stratégie dispersée gagne en force.

Le deuxième signal est la prochaine explication financière de l’entreprise sur les dépenses d’investissement. Les investisseurs ont besoin de plus qu’un nouveau total pour les centres de données, les serveurs et les composants.

Ils ont besoin d’éléments montrant que la direction peut relier la capacité aux résultats. Cela pourrait inclure l’efficacité publicitaire, les améliorations des recommandations, la demande d’inférence, l’utilisation de la messagerie d’entreprise ou l’adoption des agents grand public.

Meta n’a pas besoin de révéler des détails sensibles sur le plan concurrentiel. Elle doit toutefois distinguer l’infrastructure qui soutient les produits actuels de la capacité réservée à des modèles futurs incertains.

Une distinction plus claire rendrait la fourchette de 125 à 145 milliards de dollars plus facile à évaluer. Des hausses continues sans meilleure communication renforceraient l’inquiétude que les dépenses progressent plus vite que la stratégie.

Le troisième signal est la réalisation fiable d’actions par Muse, Spark et les agents ultérieurs. Ces systèmes sont importants parce qu’ils mettent à l’épreuve le passage de Meta des réponses générées à des logiciels qui agissent.

Un agent utile devrait accomplir une tâche définie, demander une autorisation au bon moment et conserver un historique que l’utilisateur peut examiner. Il devrait aussi se rétablir proprement lorsqu’un service échoue ou qu’une demande est ambiguë.

Des incidents de sécurité, des comportements incohérents ou de faibles taux d’achèvement affaibliraient l’argument en faveur d’une expansion rapide. Une utilisation fiable dans la messagerie, le travail des créateurs ou les conversations d’entreprise donnerait à Meta un centre de produit concret.

Les développeurs devraient surveiller si Meta publie des méthodes d’évaluation et des interfaces stables. Les acheteurs d’entreprise devraient examiner les contrôles d’autorisation, l’auditabilité et les frontières des données. Les travailleurs du savoir devraient se demander si le système préserve un contexte utile sans rendre chaque interaction privée accessible par défaut.

Ces tests sont plus significatifs que le nombre de modèles ou de fonctionnalités annoncés par Meta. Ils révèlent si l’organisation apprend au fil de ses expérimentations.

Le titre de Google News fonctionne parce qu’il condense une inquiétude complexe en une image familière. Meta semble tester de nombreuses idées tout en dépensant à une échelle qui rend l’attente exceptionnellement coûteuse.

Pourtant, l’expérimentation n’est pas le verdict. Le verdict dépend de la capacité de Meta à cesser de traiter chaque surface comme une candidate et à choisir les expériences que les utilisateurs apprécient de façon répétée.

Au cours des prochains mois, ignorez le volume d’annonces et observez le processus de sélection. Quel agent incite les utilisateurs à revenir ? Quel produit obtient davantage de ressources ? Quelle initiative est arrêtée ?

Ces décisions montreront si Meta continue de jeter des idées contre le mur ou a enfin trouvé le produit IA autour duquel elle entend se construire.