Les dépenses de Meta auprès de Microsoft dans l’IA révèlent une dépendance inattendue à Azure

Meta dépenserait chaque année des centaines de millions de dollars sur Microsoft Azure, bien qu’elle construise l’une des plus grandes infrastructures d’intelligence artificielle du secteur technologique. Selon une personne proche de l’activité, la relation entre Meta et Microsoft porte désormais sur des milliers de milliards de jetons d’IA chaque semaine.

Un jeton est une petite unité de texte traitée par un modèle d’IA. Le volume de jetons reflète l’intensité de la charge de travail, sans toutefois révéler le nombre d’utilisateurs ou de tâches concernés. Les dépenses Azure rapportées par Bloomberg feraient de Meta l’un des plus grands clients IA de Microsoft, selon cette source anonyme.

Ces dépenses ne constituent pas un simple contrat cloud de plus. Meta développe Llama, exploite ses propres centres de données, achète d’énormes quantités de matériel informatique et concurrence Microsoft et OpenAI auprès des mêmes utilisateurs d’IA. Pourtant, elle utiliserait des modèles OpenAI via le cloud de Microsoft pour évaluer les résultats de ses propres systèmes.

C’est là que se trouve le renversement central. L’un des constructeurs les plus agressifs au monde d’infrastructures d’IA indépendantes paie une plateforme concurrente pour accéder à des modèles et à de la capacité de calcul. Microsoft, de son côté, tire des revenus de consommation d’une entreprise qui concurrence ses propres produits d’IA.

Aucune des deux entreprises n’a confirmé les dépenses ni le volume de jetons rapportés. Microsoft et Meta ont refusé de commenter auprès de Bloomberg, laissant sans réponse d’importantes questions sur les charges de travail, la durée des contrats et le choix des modèles.

Cette information offre néanmoins un aperçu rare de l’économie qui sous-tend les grands systèmes d’IA. La demande de cloud se concentre de plus en plus chez des entreprises technologiques qui disposent déjà d’infrastructures substantielles. Elles construisent en interne tout en achetant de la capacité externe lorsque la rapidité, la disponibilité ou la qualité des modèles le justifient.

Ce que Meta achèterait à Microsoft

L’utilisation d’Azure par Meta semble associer capacité de calcul externe, accès à des modèles tiers et moyen plus rapide de tester ses propres systèmes d’IA.

Selon Bloomberg, Meta consomme chaque semaine des milliers de milliards de jetons via le cloud de Microsoft. Ses développeurs accéderaient à des modèles d’OpenAI et d’autres fournisseurs par Microsoft Foundry, la plateforme de l’entreprise dédiée au déploiement et à l’évaluation de modèles d’IA.

Le rapport indique que Meta sélectionne l’accès aux modèles sur plusieurs plateformes en fonction du coût et de la disponibilité. Cette description évoque une stratégie d’approvisionnement multicloud plutôt qu’un partenariat exclusif. Meta peut acheminer chaque tâche vers le fournisseur offrant, à cet instant, la capacité ou le modèle requis.

Une charge de travail rapportée est particulièrement révélatrice. Des développeurs de Meta auraient utilisé une technologie d’OpenAI disponible via Foundry afin d’évaluer les résultats produits par les propres modèles d’IA de Meta.

L’évaluation des modèles mesure des qualités telles que l’exactitude, la pertinence, la sécurité et le respect des instructions. Les développeurs peuvent comparer une réponse à des documents de référence ou demander à un autre modèle de l’évaluer. La documentation d’évaluation de Microsoft décrit des flux de travail qui utilisent des modèles déployés pour évaluer des résultats existants et mener à bien des conversations.

Utiliser le modèle d’un concurrent comme évaluateur ne signifie pas que Meta dépend d’OpenAI pour chaque jugement. Les systèmes d’évaluation combinent habituellement notation automatisée, examen humain, tests et multiples vérifications fondées sur des modèles. Le rapport de Bloomberg ne révèle pas la répartition entre ces méthodes.

L’arrangement peut néanmoins accélérer le développement. Une équipe qui teste de nombreuses versions de modèles doit produire des résultats, les noter, examiner les échecs et répéter le processus. L’accès à des modèles externes permet à cette équipe d’ajouter un évaluateur supplémentaire sans attendre davantage d’infrastructure interne.

Azure offre également une couche de contrôle établie autour de ces charges de travail. Les ingénieurs peuvent gérer déploiements, autorisations, supervision, jeux de données et capacité régionale depuis une seule plateforme. Ces fonctions opérationnelles peuvent compter autant que l’accès à un modèle précis.

Le volume rapporté pour Meta suggère que les charges de travail dépassent le cadre d’expériences ponctuelles. Des milliers de milliards de jetons hebdomadaires représenteraient un usage industriel soutenu, même si le rapport ne fournit pas de total précis.

Les décomptes de jetons exigent également une interprétation prudente. Une invite plus longue consomme davantage de jetons d’entrée, tandis que les systèmes de raisonnement peuvent générer un volume important de texte interne et de sortie. Les évaluations répétées multiplient l’usage, car plusieurs modèles peuvent traiter le même échantillon.

Les dépenses annuelles rapportées couvrent elles aussi un ensemble inconnu. Elles pourraient inclure l’inférence de modèles, l’évaluation, le stockage, le réseau, la capacité réservée ou des services Azure connexes. Aucune des deux entreprises n’a publié de ventilation.

Cette incertitude empêche toute comparaison directe avec les coûts de calcul internes de Meta. Les factures cloud comprennent l’infrastructure et les services gérés, tandis que les calculs de coûts internes répartissent dans le temps le matériel, l’énergie, les installations, le réseau et l’ingénierie.

Le changement évident est stratégique plutôt que comptable. Meta est disposée à acheter d’importantes charges de travail externes tout en finançant sa propre expansion massive dans l’IA. Azure devient ainsi un complément pratique à l’infrastructure de Meta, et non un simple canal de distribution pour Llama.

Pourquoi la relation entre Meta et Microsoft compte aujourd’hui

Les dépenses de Meta auprès de Microsoft rapportées donnent à Azure ce que les investisseurs réclamaient : la preuve que des entreprises technologiques indépendantes paieront une consommation d’IA à grande échelle.

Microsoft a indiqué que son activité IA avait dépassé un rythme annualisé de 37 milliards de dollars de revenus au cours de son troisième trimestre fiscal. L’entreprise a également rapporté que les revenus d’Azure et des autres services cloud avaient progressé de 40 % par rapport à l’année précédente.

Ces chiffres couvrent un large portefeuille et n’identifient pas la contribution de Meta. Ils établissent néanmoins le contexte du rapport. Microsoft accroît ses revenus liés à l’IA alors que la demande des clients continue de dépasser la capacité de calcul disponible.

Lors de sa conférence téléphonique sur les résultats trimestriels, l’entreprise a décrit une demande Azure supérieure à l’offre disponible pour l’ensemble des charges de travail, segments de clientèle et régions. Microsoft s’attend à ce que ces contraintes de capacité perdurent jusqu’en 2026.

Cela rend Meta précieuse au-delà de ses dépenses rapportées. Sa charge de travail fournit un exemple visible de consommation très intensive par un acheteur averti disposant d’alternatives.

Les entreprises technologiques comprennent mieux que la plupart des clients l’économie des modèles, les performances des infrastructures et les tarifs du cloud. Elles peuvent déplacer les charges de travail, négocier de grands engagements et créer des substituts internes. Lorsqu’un tel acheteur continue d’acquérir de la capacité externe, cela renforce l’argument de Microsoft selon lequel Azure apporte une valeur opérationnelle rare.

Selon Bloomberg, Microsoft a identifié ByteDance, Adobe, Perplexity et Sierra, une entreprise d’IA destinée aux entreprises, parmi ses autres clients IA importants. Cette liste suggère que la demande reste fortement concentrée dans les entreprises technologiques.

Cette concentration présente à la fois une validation et un risque. Un petit groupe de grands clients peut générer très rapidement d’énormes volumes de jetons. Ces clients peuvent aussi réduire leurs dépenses lorsque les architectures de modèles, la capacité interne ou l’économie des fournisseurs évoluent.

Les engagements d’infrastructure de Microsoft rendent cette distinction importante. L’entreprise a rapporté 31,9 milliards de dollars de dépenses d’investissement au troisième trimestre. Environ deux tiers ont soutenu des actifs à durée de vie plus courte, principalement des processeurs graphiques et des unités centrales de traitement.

Microsoft a également prévu environ 190 milliards de dollars de dépenses d’investissement pour l’année civile 2026. Ce total incluait un effet estimé à 25 milliards de dollars lié à la hausse du coût des composants.

Ces investissements exigent davantage qu’un intérêt expérimental. Microsoft a besoin de clients dont les charges de travail restent actives après la fin des projets pilotes. Les services facturés à la consommation transforment chaque requête, évaluation ou tâche d’agent en usage cloud mesuré.

Meta fournit le type de charge de travail susceptible d’absorber continuellement de la capacité. Le développement de modèles exige un soutien répété pour l’entraînement, l’inférence, l’évaluation, l’assistance au codage et les tests de sécurité. Chaque cycle d’amélioration peut générer un nouveau lot massif de jetons.

C’est pourquoi ce rapport compte davantage qu’une nouvelle annonce de client entreprise. Meta n’adopte pas l’IA pour la première fois. Elle exploite déjà des produits grand public à l’échelle mondiale et emploie des chercheurs de premier plan en IA.

Ses achats Azure rapportés représentent donc un débordement de capacité, une spécialisation ou un accès stratégique à des modèles. Chaque explication renforce une composante différente de l’argument de Microsoft en faveur de sa plateforme.

L’usage de débordement montre que même les plus grands constructeurs internes rencontrent des limites de capacité. L’usage spécialisé montre que les outils cloud gérés peuvent rester précieux à côté d’une infrastructure privée. L’accès stratégique montre que la diversité des modèles peut influencer le lieu d’exécution des charges de travail.

Microsoft bénéficie de ces trois explications. L’entreprise peut vendre de l’infrastructure sans exiger que les clients abandonnent leurs modèles, leurs clouds ou leurs systèmes internes.

Le résultat met également sous pression Amazon Web Services et Google Cloud. Tous deux se disputent les mêmes charges de travail flexibles, en particulier auprès d’entreprises d’IA peu disposées à dépendre d’un seul fournisseur. La disponibilité et le choix des modèles peuvent déplacer les dépenses avant même que ne se développe une fidélité durable à une plateforme.

Azure tire profit du besoin d’un rival en matière de choix des modèles

Le renversement essentiel est que Microsoft peut tirer profit des ambitions de Meta dans l’IA, même lorsque les produits de Meta concurrencent directement Microsoft et OpenAI.

Meta et Microsoft ont déjà collaboré. En 2023, Microsoft est devenu le partenaire privilégié de Meta pour Llama 2, tandis qu’Azure ajoutait le modèle à son catalogue destiné aux développeurs.

Ce partenariat autour de Llama positionnait Microsoft comme distributeur de la famille de modèles librement accessible de Meta. Il donnait également aux clients Azure accès aux outils cloud de Microsoft pour le filtrage de contenu et le déploiement.

Le dernier rapport décrit un trafic allant dans l’autre sens. Meta achèterait un accès à des modèles via Azure, y compris à une technologie d’OpenAI utilisée lors des évaluations.

Cette relation à double sens montre pourquoi les plateformes cloud évitent de parier sur un seul fournisseur de modèles. Un client peut proposer son propre modèle via une place de marché tout en achetant un autre modèle pour une tâche distincte.

Microsoft Foundry est conçu autour de cette flexibilité. Il réunit dans un environnement commun des modèles, des agents, des outils d’évaluation, des contrôles de sécurité et la gestion des déploiements. Les clients peuvent choisir entre des systèmes propriétaires et tiers sans reconstruire chaque couche opérationnelle.

Cette position indépendante des modèles donne à Microsoft un levier qui dépasse son alliance avec OpenAI. Si un laboratoire perd son avance technique, Azure peut continuer à vendre l’accès à d’autres modèles. Si les clients construisent leurs propres systèmes, Microsoft peut vendre l’infrastructure et la couche de gestion.

Le comportement rapporté de Meta étaye ce mécanisme. L’entreprise n’a pas besoin de déclarer qu’un modèle est universellement supérieur. Elle peut sélectionner un modèle pour le codage, un autre pour l’évaluation et ses propres modèles pour les produits grand public.

Cette approche reflète la manière dont les équipes d’IA avancées travaillent réellement. La qualité des modèles varie selon la tâche, la langue, l’objectif de latence, l’exigence de sécurité et la longueur du contexte. Le meilleur choix pour générer du code n’est pas forcément le meilleur évaluateur de ce code.

La même logique s’applique à la capacité. Une entreprise peut posséder suffisamment d’infrastructure pour répondre à une demande de production prévisible, tout en ayant besoin de ressources cloud lors de pics de tests. Construire chaque serveur pour la demande de pointe laisse ensuite du matériel coûteux sous-utilisé.

La capacité externe réduit ce délai. Une équipe de développement peut exécuter une vaste campagne d’évaluation sans attendre un nouveau centre de données ou un cluster d’accélérateurs. Des tests plus rapides peuvent raccourcir le délai entre une modification de modèle et la sortie d’un produit.

Meta a de solides raisons de valoriser cette vitesse. Son assistant IA concurrence ChatGPT, Microsoft Copilot, Google Gemini et d’autres produits grand public. Les améliorations de modèles perdent de leur valeur lorsque les concurrents les déploient en premier.

Microsoft fait face à l’incitation inverse. L’entreprise veut monétiser autant d’activité IA que possible, y compris celle qui renforce un concurrent. Les revenus d’Azure n’exigent pas que l’assistant de Microsoft remporte chaque interaction utilisateur.

Cet arrangement rappelle une concurrence antérieure dans le cloud. Netflix est devenu un client important d’AWS tout en concurrençant l’activité vidéo d’Amazon. Les fournisseurs cloud ont appris que les revenus d’infrastructure pouvaient coexister avec une rivalité au niveau des produits.

L’IA augmente les enjeux parce que les couches d’infrastructure et d’application sont plus étroitement liées. Les fournisseurs de modèles influencent les performances, la sécurité et l’économie. Les places de marché cloud déterminent aussi quels modèles les clients peuvent rapidement utiliser.

Microsoft doit donc convaincre les clients qu’il soutiendra le choix des modèles sans favoriser injustement ses propres applications. Les grands acheteurs de technologies surveilleront l’allocation de capacité, les conditions contractuelles, les contrôles de données et l’accès aux modèles concurrents.

La participation de Meta confère de la crédibilité à Azure, mais elle ne garantit pas sa fidélité. Selon le rapport, Meta achète sur plusieurs plateformes en fonction du coût et de la disponibilité. Microsoft devient ainsi un fournisseur parmi d’autres sur un marché des achats actif.

Ce renversement reste commercialement attractif pour Microsoft. Chaque charge de travail de Meta exécutée via Azure monétise une demande que l’infrastructure propre de Meta ne pouvait pas servir, ou ne servait pas de manière suffisamment efficace.

Ce que le volume de tokens rapporté ne prouve pas

Des milliers de milliards de tokens hebdomadaires démontrent une activité, mais ne prouvent ni qu’Azure est devenu indispensable à Meta ni que chaque charge de travail génère un profit durable.

La première limite concerne les sources. Bloomberg attribue les affirmations centrales à une personne au fait du dossier. Meta et Microsoft ont refusé de commenter, et aucune des deux entreprises n’a divulgué cet arrangement dans un dépôt réglementaire.

Les lecteurs doivent donc considérer les dépenses, les volumes et le classement des clients comme des informations rapportées. L’orientation générale correspond aux déclarations publiques des deux entreprises, mais les chiffres exacts restent non confirmés.

La deuxième limite concerne les tokens. Le volume de tokens n’est pas une mesure standardisée de la valeur économique d’un modèle à l’autre. Les systèmes utilisent des méthodes de tokenisation, des longueurs de prompts, des processus de raisonnement, des approches de mise en cache et des schémas de sortie différents.

Un millier de milliards de tokens d’entrée à faible coût ne génère pas les mêmes revenus qu’un millier de milliards de tokens de sortie d’un modèle plus vaste. Les entrées mises en cache peuvent également obéir à une économie différente des traitements non mis en cache.

Les charges de travail d’évaluation peuvent être particulièrement intensives en tokens. Un même échantillon peut être généré par un modèle, noté par un autre, puis examiné selon plusieurs critères. Répéter ce processus sur de nombreuses versions de modèles accroît le volume sans ajouter d’utilisateurs finaux.

Cela ne rend pas l’activité négligeable. L’évaluation est une partie nécessaire du développement des modèles. Cela signifie toutefois que les totaux de tokens ne peuvent pas révéler l’adoption, les revenus ou la valeur commerciale sans contexte supplémentaire.

La troisième limite est la concentration des clients. Les plus grands clients IA de Microsoft incluraient d’autres entreprises technologiques disposant d’un pouvoir de négociation considérable. Leur demande peut croître rapidement, mais elle peut aussi se déplacer rapidement.

Meta peut réduire son utilisation d’Azure à mesure que sa propre infrastructure se développe. L’entreprise peut déplacer des charges de travail vers AWS, Google Cloud, Oracle ou un autre fournisseur. Elle peut aussi remplacer des modèles d’évaluation externes coûteux par des systèmes internes plus petits.

Les pénuries de capacité cloud renforcent aujourd’hui la position de Microsoft. Une offre plus abondante pourrait ensuite l’affaiblir en intensifiant la concurrence sur les prix. De nouveaux accélérateurs et des modèles plus efficaces pourraient encore réduire les ressources informatiques nécessaires à chaque tâche.

De récents articles sur la hausse des dépenses liées à l’IA montrent clairement cette tension. Microsoft et Meta engagent d’immenses ressources avant que le secteur n’ait établi des rendements stables à long terme pour chaque charge de travail.

Microsoft affirme que les modèles basés sur la consommation alignent les revenus sur la valeur client. Cette thèse dépend de la capacité des clients à continuer de constater des bénéfices mesurables issus des agents, des outils de codage, des évaluations et d’autres services IA.

Meta fait face à un problème connexe. L’accès à des modèles externes peut accélérer le développement, mais il peut aussi exposer l’entreprise à l’évolution des coûts fournisseurs et de l’allocation de capacité. La dépendance devient risquée lorsqu’un flux de travail critique ne dispose pas d’alternative pratique.

Les éléments disponibles n’établissent pas ce niveau de dépendance. Les achats multicloud rapportés de Meta suggèrent une diversification délibérée. Son immense investissement interne lui procure une autre source de pouvoir de négociation.

Rien n’indique non plus que Microsoft obtienne accès aux sorties propriétaires des modèles de Meta au-delà du traitement requis par les services contractuels. Les contrats cloud d’entreprise comprennent normalement des conditions précises sur les données et la sécurité, mais aucune des deux entreprises n’en a révélé les détails ici.

La confidentialité, la propriété intellectuelle et la sensibilité concurrentielle restent des questions centrales. Les évaluations de modèles peuvent contenir des capacités non publiées, des cas d’échec et des plans de produits. Les acheteurs avertis ont besoin de contrôles solides sur les journaux, la conservation, l’usage pour l’entraînement et l’accès des employés.

Microsoft publie des recommandations sur l’IA responsable et la sécurité pour Foundry. La documentation publique ne peut toutefois pas révéler les protections exactes négociées par Meta.

La conclusion prudente est plus nuancée que le titre. Meta semble être un important consommateur d’Azure AI, mais la durée et la profondeur stratégique de cette relation restent inconnues.

Trois signaux qui mettront à l’épreuve la thèse Meta-Microsoft

Les prochains éléments devraient montrer si l’utilisation d’Azure par Meta constitue un achat temporaire de capacité ou une composante durable de son système de développement IA.

Le premier signal sera la prochaine communication de Microsoft sur la consommation et la capacité d’Azure AI. Les investisseurs devront surveiller si la croissance d’Azure continue d’accélérer à mesure que de nouvelles ressources informatiques deviennent disponibles.

Microsoft a indiqué que la demande dépassait la capacité disponible au cours de son troisième trimestre fiscal. L’entreprise prévoyait aussi une accélération modeste d’Azure au second semestre de l’année civile 2026, malgré la persistance des contraintes d’approvisionnement.

Si la croissance d’Azure augmente tandis que la capacité s’étend, le rapport Meta-Microsoft paraîtra faire partie d’une tendance plus large de consommation durable. Une croissance plus lente après l’amélioration de l’offre affaiblirait cette interprétation.

La concentration des clients mérite une attention égale. Microsoft pourrait identifier davantage de grands clients IA externes ou décrire plus en détail l’adoption de Foundry. Une base de clients plus large réduirait la dépendance envers quelques entreprises technologiques.

Le deuxième signal concerne les prévisions d’infrastructure de Meta et le calendrier de sortie de ses modèles. Meta prévoit actuellement des investissements exceptionnels dans les centres de données, les processeurs, les réseaux et la recherche en IA.

Une capacité interne plus élevée ne réduit pas automatiquement les dépenses cloud. Un développement de produits plus rapide peut accroître suffisamment la demande totale pour que les infrastructures internes et externes continuent toutes deux de progresser.

La question importante est de savoir où Meta affecte les charges de travail marginales. La poursuite d’évaluations de modèles externes après la mise en ligne de nouvelles capacités de Meta indiquerait qu’Azure fournit davantage qu’un simple débordement temporaire.

Une forte baisse de l’accès acheté à des modèles suggérerait une stratégie de transition. Meta pourrait louer de la capacité jusqu’à ce que ses propres clusters, modèles ou outils d’évaluation deviennent suffisants.

Les lancements de modèles offriront des indices indirects. Des cycles de sortie plus rapides, des systèmes de codage améliorés ou de nouvelles affirmations concernant les évaluations pourraient montrer comment Meta utilise des ressources externes. L’entreprise devrait néanmoins divulguer une méthodologie suffisamment détaillée pour que des observateurs puissent relier ces changements à Azure.

Le troisième signal sera l’évolution parmi les fournisseurs cloud et de modèles concurrents. AWS et Google Cloud peuvent répondre par des engagements de capacité, des places de marché de modèles, des services d’évaluation ou des contrats ciblant les grands développeurs IA.

Les changements de prix compteront, mais les tarifs bruts ne détermineront pas chaque charge de travail. La disponibilité, la latence, la sécurité, la qualité des modèles et la vitesse de déploiement influencent les décisions d’achat. Une plateforme disposant d’une capacité immédiate peut l’emporter même lorsqu’une autre option paraît moins chère sur le papier.

La relation d’OpenAI avec Microsoft reste également pertinente. Meta utiliserait la technologie d’OpenAI via Azure, tandis que Microsoft promeut de plus en plus une sélection élargie de modèles. Des changements dans cette alliance pourraient affecter l’accès, l’économie ou la confiance des clients.

Un Foundry multifornisseur plus robuste renforcerait le rôle de Microsoft en tant que fournisseur de services publics pour l’IA. Une dépendance plus étroite envers un seul laboratoire de modèles exposerait davantage Azure aux performances et à la stratégie de ce fournisseur.

Pour les développeurs et les acheteurs en entreprise, la leçon pratique n’est pas de reproduire les dépenses de Meta. Elle consiste à dissocier le choix du modèle de la fidélité à une infrastructure.

Une équipe peut conserver des systèmes internes tout en utilisant des modèles externes pour l’évaluation. Elle peut aussi répartir les charges de travail entre fournisseurs lorsque la capacité ou les performances évoluent. Cette flexibilité exige des jeux de données portables, des tests reproductibles et des contrôles de sécurité clairs.

Les acheteurs devraient mesurer la valeur produite par chaque charge de travail, et non seulement son volume de tokens. L’assistance au codage doit améliorer les délais de livraison ou les taux de défauts. Les évaluations doivent détecter les défaillances qui affectent les utilisateurs. Les agents doivent réduire les coûts des tâches ou augmenter une production mesurable.

Ils doivent aussi préserver une voie de sortie. Un évaluateur fondé sur un modèle peut s’intégrer aux décisions de publication, ce qui rend son remplacement difficile. Les équipes ont besoin d’ensembles de référence et de processus d’examen humain qui résistent à un changement de fournisseur.

La relation rapportée révèle en définitive un marché dans lequel les concurrents sont aussi des clients, des distributeurs et des fournisseurs d’infrastructure. Meta peut défier les applications de Microsoft tout en soutenant les revenus d’Azure. Microsoft peut distribuer Llama tout en vendant à Meta l’accès aux modèles d’OpenAI.

Cet arrangement ne perdurera que tant que chaque partie recevra plus de valeur qu’elle n’en cède. Les preuves les plus claires viendront de la consommation future, des divulgations d’infrastructure et du mouvement des charges de travail entre les clouds.

Surveillez ces signaux plutôt que de considérer des milliers de milliards de tokens comme un verdict définitif. Ils montreront s’il s’agit d’un arbitrage de capacité à court terme ou d’une couche durable de la pile de développement IA de Meta.