Meta double l’efficacité de son modèle IA publicitaire

Meta affirme avoir franchi un cap industriel dans l’entraînement de ses modèles d’intelligence artificielle destinés à la publicité. Dans une publication de son équipe Meta AI Engineering, intitulée “GEM Training: How Meta Doubled the Efficiency of Its LLM-Scale Ads Foundation Model”, le groupe indique avoir doublé l’efficacité de l’entraînement de GEM, un modèle de fondation utilisé pour les recommandations publicitaires sur Facebook et Instagram.

Le message est moins spectaculaire, à première vue, que le lancement d’un nouveau grand modèle de langage ou qu’une démonstration de chatbot. Il est pourtant central pour l’économie de l’IA à grande échelle. Meta explique avoir réduit les besoins de calcul nécessaires à l’entraînement de GEM tout en préservant les performances du modèle. Pour une entreprise dont les systèmes publicitaires opèrent à l’échelle de milliards d’interactions, la capacité à produire autant de qualité avec moins de ressources informatiques peut peser lourdement sur les coûts, les délais de développement et la vitesse de déploiement.

Cette annonce place aussi l’accent sur une dimension parfois moins visible de la concurrence entre laboratoires d’IA : l’efficacité opérationnelle. Les progrès ne reposent pas uniquement sur des modèles plus grands, davantage de données ou des grappes de processeurs toujours plus vastes. Ils dépendent également de la façon dont les modèles sont entraînés, des logiciels qui exploitent les accélérateurs, de l’organisation des calculs distribués et de la capacité à éviter les ressources inutilisées.

GEM, un modèle conçu pour le cœur publicitaire de Meta

GEM est présenté par Meta comme un modèle de fondation pour la publicité à l’échelle des grands modèles de langage. Il alimente des systèmes de recommandations publicitaires de Facebook et Instagram, les deux services historiques au centre de l’activité commerciale du groupe. Cette précision est essentielle : il ne s’agit pas d’un modèle généraliste exposé comme un assistant conversationnel au grand public, mais d’une brique d’infrastructure conçue pour améliorer des décisions de recommandation dans un environnement publicitaire complexe.

Dans la publicité numérique, une recommandation ne consiste pas seulement à sélectionner une annonce. Les systèmes doivent traiter une multitude de signaux et produire des prédictions servant notamment à évaluer la pertinence potentielle d’une publicité dans un contexte donné. Les plateformes mettent ensuite ces prédictions en relation avec les contraintes de diffusion, les objectifs des annonceurs et les mécanismes de mise aux enchères. Meta ne détaille pas, dans les éléments mis en avant par cette annonce, l’ensemble des usages précis couverts par GEM ni les paramètres commerciaux associés. Le groupe affirme toutefois que ce modèle est au service des recommandations publicitaires de Facebook et Instagram.

Cette orientation s’inscrit dans une longue histoire technologique chez Meta. Facebook, créé en 2004, a progressivement bâti une activité publicitaire fondée sur la personnalisation et la mesure. Instagram, acquis par Facebook en 2012, est devenu un autre pilier de cet écosystème. Le groupe a pris le nom de Meta en 2021, mais ses infrastructures de recommandation et de publicité demeurent déterminantes dans son modèle économique. Les fils d’actualité, les formats vidéo, les contenus recommandés et les annonces reposent depuis longtemps sur des systèmes de classement algorithmique.

La différence mise en avant avec GEM tient à l’échelle et à la logique de modèle de fondation. Dans le vocabulaire de l’IA, un modèle de fondation désigne généralement un modèle entraîné à grande échelle, susceptible d’être adapté à plusieurs tâches. Dans le cas de GEM, Meta insiste sur une approche « LLM-scale », c’est-à-dire une échelle comparable, dans l’ordre de grandeur de l’infrastructure et des méthodes d’entraînement, à celle mobilisée pour les grands modèles de langage. Cette comparaison ne signifie pas que GEM est un chatbot ni qu’il est destiné aux mêmes usages que les modèles conversationnels publiés par les acteurs de l’IA générative.

La publication de Meta AI Engineering permet plutôt de comprendre que le groupe applique une partie des enseignements tirés des grands entraînements de modèles à son activité publicitaire. C’est un déplacement important dans la manière de regarder l’IA de production. Les modèles les plus médiatisés sont souvent ceux qui génèrent du texte, des images, de l’audio ou du code. Mais, pour les grands groupes internet, les modèles de recommandation et de prédiction restent des systèmes directement intégrés à des produits utilisés chaque jour à très grande échelle.

La publicité constitue un terrain particulièrement exigeant. Un système doit fonctionner de façon continue, absorber des volumes massifs de données et faire des prédictions dans des délais compatibles avec la diffusion d’annonces. Il doit également être entraîné et mis à jour au fil de l’évolution des contenus, des comportements, des campagnes et des formats. La performance d’un modèle est donc indissociable de son coût d’entraînement et de son coût d’exploitation. Un gain d’efficacité ne relève pas simplement de l’optimisation technique : il peut modifier la capacité d’une entreprise à itérer plus rapidement sur ses systèmes.

Le titre même de la publication est révélateur de cette priorité. Meta ne présente pas GEM comme un modèle entièrement nouveau ni comme une refonte des formats publicitaires de Facebook ou Instagram. L’annonce porte sur l’entraînement : “How Meta Doubled the Efficiency”. Le sujet est l’efficacité de production du modèle, à un moment où l’expansion de l’IA se heurte à la disponibilité des accélérateurs, à la consommation électrique des centres de données et au coût croissant des infrastructures de calcul.

Meta revendique une efficacité d’entraînement multipliée par deux

Le fait principal communiqué par Meta est clair : l’entreprise affirme avoir doublé l’efficacité de l’entraînement de GEM. Autrement dit, selon le groupe, l’entraînement de ce modèle de fondation publicitaire peut atteindre le même niveau de résultat avec une quantité de calcul réduite, tout en maintenant les performances du modèle. Meta présente cette amélioration comme un progrès réalisé à l’échelle d’un système comparable, par ses contraintes d’entraînement, aux grands modèles de langage.

Le mot « efficacité » mérite d’être lu avec précision. Dans le contexte de l’annonce, il ne désigne pas nécessairement une réduction uniforme de tous les coûts associés à un système publicitaire. Meta parle d’efficacité d’entraînement et de besoins de calcul. La publication ne doit donc pas être interprétée, sans données supplémentaires, comme l’annonce d’une baisse exactement équivalente de toutes les dépenses de diffusion publicitaire, de stockage, de réseau ou d’inférence. Le périmètre revendiqué concerne l’étape de formation du modèle.

La distinction est importante parce que l’entraînement et l’inférence sont deux réalités industrielles différentes. L’entraînement consiste à ajuster les paramètres d’un modèle à partir de données et nécessite généralement des calculs intensifs sur des infrastructures spécialisées. L’inférence correspond au moment où le modèle est utilisé pour produire une prédiction ou une recommandation. Les deux postes sont essentiels, mais ils n’obéissent pas nécessairement aux mêmes contraintes techniques. L’annonce de Meta porte explicitement sur le premier.

Le groupe affirme simultanément que ce gain ne s’est pas fait au prix d’une baisse des performances. C’est un point décisif. Réduire les besoins informatiques peut être obtenu en diminuant la taille d’un modèle, en raccourcissant un entraînement ou en limitant les données traitées, mais ces choix peuvent aussi détériorer la qualité des résultats. Le message de Meta est précisément que les optimisations apportées à GEM permettent d’éviter ce compromis, du moins au regard des évaluations internes auxquelles l’entreprise fait référence.

La publication source ne fournit pas, dans le brief associé à cette annonce, de montant financier, de nombre de processeurs, de durée d’entraînement, de volume de données ou de métrique détaillée de qualité. Il serait donc hasardeux d’en déduire une économie en euros, une réduction chiffrée des émissions ou une accélération exprimée en jours. La donnée confirmée est le doublement de l’efficacité d’entraînement revendiqué par Meta, ainsi que le maintien des performances du modèle selon l’entreprise.

Cette prudence n’enlève rien à la portée potentielle du résultat. À l’échelle d’un modèle utilisé dans les recommandations publicitaires de services comme Facebook et Instagram, une division par deux des ressources nécessaires à l’entraînement peut rendre plus accessible l’expérimentation de nouvelles configurations. Elle peut aussi réduire la pression sur des capacités de calcul rares. Dans l’IA moderne, les coûts ne sont pas seulement liés à l’achat de matériel : ils comprennent l’utilisation effective des accélérateurs, les transferts entre machines, la synchronisation des calculs et l’exploitation globale du centre de données.

Meta inscrit ainsi GEM dans une logique de rendement industriel. Lorsque les modèles atteignent une certaine taille, il ne suffit plus de disposer de matériel performant. Il faut que ce matériel soit employé de manière efficace pendant tout le cycle d’entraînement. Des processeurs graphiques ou des accélérateurs laissés en attente, des opérations mal réparties entre machines ou des goulots d’étranglement dans les échanges de données peuvent réduire fortement l’efficacité réelle d’une infrastructure, même très puissante sur le papier.

Le choix de publier ce travail via Meta AI Engineering est également significatif. Les blogs d’ingénierie des grandes plateformes ont souvent une double fonction : ils détaillent des avancées techniques et signalent aux marchés, aux chercheurs et aux candidats que l’entreprise maîtrise les infrastructures nécessaires aux modèles modernes. Meta communique depuis plusieurs années sur ses travaux en IA, qu’il s’agisse de recherche fondamentale, de modèles ouverts ou d’infrastructures internes. Avec GEM, le groupe relie explicitement cet effort à son système publicitaire.

Pour les annonceurs, cette annonce ne modifie pas à elle seule les interfaces, les prix ou les outils auxquels ils ont accès. Meta ne présente pas ici un nouveau produit publicitaire commercialisé. L’enjeu est plus profond mais moins directement visible : rendre la couche algorithmique qui soutient les recommandations plus efficace à entraîner. C’est précisément le type d’évolution qui peut avoir des conséquences majeures sur une plateforme sans s’accompagner d’un bouton nouveau dans Ads Manager ou d’un changement immédiatement perceptible dans les applications.

La bataille des modèles se joue aussi dans les centres de données

L’essor récent de l’IA générative a popularisé l’idée que la performance dépend avant tout de modèles toujours plus grands. Cette lecture est partiellement juste : les grands modèles ont exigé des volumes considérables de calcul et ont poussé les entreprises à investir dans des infrastructures massives. Mais elle est incomplète. À mesure que les déploiements se généralisent, l’efficacité devient un facteur de différenciation tout aussi important que la taille brute d’un modèle.

Meta n’est pas le seul acteur à faire de l’optimisation une priorité. Les entreprises qui développent de grands modèles, notamment OpenAI, Google, Microsoft, Anthropic ou Amazon, communiquent régulièrement sur les performances de leurs systèmes et sur leurs capacités d’infrastructure. Toutefois, les annonces publiques prennent des formes différentes. Certaines mettent en avant de nouveaux modèles et leurs capacités sur des tâches de raisonnement, de programmation ou de génération multimodale. D’autres portent sur les puces, les plateformes cloud ou les outils de déploiement.

Le cas de GEM se distingue par son ancrage direct dans un usage historique de Meta : la recommandation publicitaire. Le groupe ne présente pas seulement une amélioration de laboratoire ou une avancée pour un assistant IA. Il décrit une optimisation liée à un modèle qui soutient les décisions de diffusion sur Facebook et Instagram. Cette proximité avec le cœur économique de l’entreprise donne une valeur particulière au gain revendiqué.

Dans ce secteur, l’efficacité des infrastructures est devenue une question de compétitivité. L’accès aux accélérateurs de calcul est limité par les capacités de production et par une demande mondiale soutenue. Les investissements nécessaires à la construction et à l’exploitation de centres de données sont considérables. Dans ces conditions, un acteur capable d’obtenir davantage de résultats avec la même enveloppe de calcul peut libérer des ressources pour d’autres projets, réduire les délais de ses expérimentations ou améliorer la prévisibilité de ses déploiements.

Il faut cependant éviter de transformer un gain annoncé sur GEM en hiérarchie générale entre les entreprises d’IA. Les modèles, les données, les objectifs et les infrastructures diffèrent fortement d’un acteur à l’autre. Un système publicitaire n’est pas évalué comme un modèle conversationnel. Les métriques de qualité utilisées dans la recommandation ne sont pas celles employées pour mesurer la capacité d’un assistant à rédiger, répondre à des questions ou produire du code. La comparaison pertinente porte plutôt sur la direction stratégique : tous les grands acteurs ont intérêt à extraire plus de valeur de chaque unité de calcul.

La communication de Meta met aussi en lumière une tension récurrente dans l’industrie. Les entreprises veulent démontrer leur capacité à déployer des modèles de plus en plus sophistiqués, mais elles doivent simultanément justifier l’augmentation de leurs dépenses d’infrastructure. La rentabilité des usages d’IA dépendra largement de cette équation. Un modèle très performant mais trop coûteux à entraîner ou à exploiter peut rester difficile à généraliser. À l’inverse, une amélioration d’efficacité peut transformer un système coûteux en technologie utilisable plus largement.

Dans ce contexte, le vocabulaire de l’« efficacité » ne renvoie pas seulement à une optimisation marginale. Il désigne une discipline complète, qui va de la conception du modèle à l’orchestration des tâches de calcul. La recherche sur les architectures, les méthodes d’entraînement et les logiciels système a un effet économique direct. Les progrès de ce type sont souvent moins visibles que la sortie d’un produit, mais ils peuvent être plus durables parce qu’ils se répercutent sur des générations successives de modèles.

Meta possède un avantage structurel dans ce domaine : l’entreprise exploite ses propres services à grande échelle et peut intégrer des avancées internes dans des systèmes déjà largement utilisés. Cela ne signifie pas que toute optimisation se traduira automatiquement par une amélioration mesurable pour les utilisateurs ou les annonceurs. Mais cela signifie que l’entreprise dispose d’un terrain opérationnel où les travaux sur l’entraînement peuvent avoir une application immédiate.

La notion de modèle de fondation renforce encore cet intérêt. Lorsqu’une base est réutilisable sur plusieurs tâches ou évolutions de produits, le coût de son entraînement initial prend une dimension stratégique. Réduire ce coût, ou le rendre plus efficient, peut accroître la capacité d’une entreprise à actualiser le modèle, à expérimenter des déclinaisons et à faire progresser les systèmes dépendants de cette base. Meta ne détaille pas toutes les applications de GEM, mais le positionnement de modèle de fondation suggère précisément une ambition de mutualisation.

Des conséquences indirectes pour les annonceurs et le marché francophone

Pour les marques, agences et entreprises françaises qui utilisent Facebook et Instagram pour communiquer, l’annonce ne s’accompagne pas d’une promesse chiffrée sur les résultats des campagnes. Meta ne dit pas qu’un doublement de l’efficacité d’entraînement de GEM entraînera mécaniquement un doublement des performances publicitaires, une baisse des coûts d’acquisition ou une hausse donnée des conversions. Ces raccourcis seraient infondés.

Le signal adressé au marché est néanmoins important. Les recommandations publicitaires reposent de plus en plus sur des systèmes d’IA complexes, et les plateformes cherchent à améliorer ces systèmes sans multiplier sans limite les dépenses de calcul. Si Meta peut entraîner plus efficacement les modèles utilisés dans son écosystème, l’entreprise peut potentiellement itérer plus vite sur les technologies qui soutiennent la diffusion publicitaire. Il s’agit d’une conséquence logique du gain d’efficacité revendiqué, non d’un effet commercial précisément quantifié par Meta.

Pour les acteurs francophones, cette évolution rappelle que la publicité numérique est aussi un sujet d’infrastructure. Les annonceurs voient principalement des tableaux de bord, des objectifs de campagne, des audiences ou des créations. En arrière-plan, les plateformes opèrent des modèles qui apprennent à partir de vastes ensembles de signaux et qui doivent être régulièrement entraînés. Les choix d’architecture et d’optimisation réalisés par les grandes entreprises technologiques influencent donc indirectement l’environnement dans lequel les campagnes sont diffusées.

En France comme dans le reste de l’Union européenne, cette infrastructure évolue dans un cadre réglementaire exigeant. Le règlement général sur la protection des données, ou RGPD, s’applique depuis 2018. Le Digital Markets Act, entré progressivement en application pour les très grandes plateformes concernées, encadre également certaines pratiques numériques. Ces textes ne portent pas directement sur le rendement d’entraînement de GEM, mais ils comptent dans l’environnement où les systèmes de recommandation et de publicité sont conçus et déployés.

Un entraînement plus efficient ne répond pas, à lui seul, aux questions de transparence, de protection des données, de contrôle utilisateur ou de concurrence. L’optimisation informatique et la conformité réglementaire sont deux dimensions distinctes. Une plateforme peut améliorer l’utilisation de ses ressources de calcul tout en restant soumise aux mêmes obligations sur les traitements de données et la présentation de ses services. Pour les régulateurs européens, l’enjeu demeure d’apprécier les pratiques concrètes des plateformes, pas seulement leurs performances techniques.

La dimension énergétique mérite aussi d’être replacée dans ses limites. Réduire les besoins de calcul associés à l’entraînement d’un modèle peut, en principe, réduire les ressources nécessaires pour une même opération d’entraînement. Mais l’annonce de Meta ne fournit pas de bilan environnemental chiffré concernant GEM. Il n’est donc pas possible de convertir le gain d’efficacité annoncé en consommation électrique évitée, en émissions évitées ou en impact net sur les centres de données. L’effet global dépendrait de nombreux facteurs, notamment du nombre d’entraînements effectivement réalisés et de l’évolution du périmètre des modèles.

Cette réserve est particulièrement utile alors que les débats européens sur l’IA intègrent de plus en plus les questions de ressources. Les modèles de grande taille sont associés à des besoins substantiels en calcul. Dans ce contexte, les gains d’efficacité sont susceptibles de devenir un indicateur suivi par les entreprises et les autorités, mais ils devront être accompagnés de méthodologies transparentes pour permettre des comparaisons solides. La publication de Meta met en avant un résultat de performance interne ; elle ne constitue pas, en l’état, un reporting environnemental complet.

Pour les entreprises françaises qui développent leurs propres systèmes d’IA, l’annonce illustre aussi un écart de moyens. Peu d’acteurs peuvent entraîner des modèles à l’échelle revendiquée par Meta pour GEM. Pourtant, la leçon n’est pas réservée aux géants américains : l’efficacité des pipelines, la qualité de l’exploitation matérielle et la réduction des calculs inutiles comptent à toutes les échelles. Dans un environnement où les ressources de calcul demeurent coûteuses, l’optimisation peut constituer un levier plus accessible que la course à la taille.

Les fournisseurs de cloud et les entreprises européennes d’IA sont également concernés. La demande pour des infrastructures adaptées aux modèles d’IA ne se limite pas aux entraînements de très grande taille. Elle concerne aussi l’inférence, les données, les outils de développement et la gouvernance. L’annonce de Meta confirme que l’avantage technologique ne dépend pas exclusivement de l’accès à du matériel : il dépend de la capacité à faire fonctionner ensemble matériel, logiciels et modèles dans des conditions industrielles.

Vers une IA publicitaire plus industrialisée, sans fin de la course au calcul

La perspective ouverte par GEM est celle d’une IA de plus en plus industrialisée. Meta met en avant une optimisation de l’entraînement, mais son message dépasse le seul cas de ce modèle : lorsque l’IA devient une infrastructure centrale pour des produits mondiaux, l’efficacité doit être pensée dès la conception. Les entreprises ne peuvent pas compter indéfiniment sur l’ajout de capacité brute pour résoudre tous les problèmes de performance.

Cette évolution ne signifie pas que la course au calcul va s’arrêter. Les grands acteurs continuent d’investir dans les centres de données, les accélérateurs et les modèles de plus grande ampleur. Les progrès d’efficacité peuvent même permettre de réallouer des ressources vers de nouveaux entraînements, de nouvelles fonctionnalités ou des modèles plus ambitieux. Il existe un effet de rebond possible : faire mieux avec moins de calcul par entraînement ne garantit pas que le calcul total utilisé par une entreprise diminuera si le nombre de projets et la taille des systèmes augmentent simultanément.

La portée exacte de l’annonce dépendra donc de la manière dont Meta exploitera ce gain dans la durée. Le groupe affirme préserver les performances de GEM malgré la baisse des besoins de calcul, ce qui établit une base technique. Reste à voir si l’approche sera étendue à d’autres modèles internes, si elle facilitera des cycles d’amélioration plus fréquents ou si elle influencera les futurs systèmes de recommandation de Facebook et Instagram. La publication ne permet pas d’affirmer ces développements, mais elle rend ces questions particulièrement pertinentes.

Pour le secteur publicitaire, le changement le plus important pourrait rester peu visible. Les annonceurs ne jugeront pas GEM sur son efficacité d’entraînement en tant que telle, mais sur la stabilité des outils, la pertinence des recommandations, la lisibilité des contrôles et les résultats obtenus dans leurs propres campagnes. Les utilisateurs, de leur côté, continueront de s’interroger sur la personnalisation des contenus et des annonces, indépendamment du degré d’optimisation des centres de données qui entraînent les modèles.

Meta devra ainsi faire coexister plusieurs impératifs : améliorer l’efficience industrielle de ses modèles, maintenir la qualité de ses recommandations, respecter les règles applicables sur ses marchés et répondre aux attentes de transparence. Le doublement de l’efficacité annoncé pour GEM ne résout pas ces équilibres, mais il montre où se situe une part croissante de la compétition : dans la capacité à faire fonctionner l’IA à très grande échelle de manière économiquement soutenable.

Dans les prochaines années, les annonces les plus déterminantes ne seront peut-être pas toujours celles qui présentent le modèle le plus imposant ou la démonstration la plus virale. Elles pourront aussi venir d’améliorations d’infrastructure comme celle revendiquée par Meta AI Engineering pour GEM. À mesure que l’IA s’intègre aux services numériques et aux mécanismes de recommandation, la différence entre une innovation de recherche et un avantage industriel dépendra de plus en plus de cette question simple, mais décisive : combien de calcul faut-il réellement pour obtenir le même niveau de performance ?