Meta lance les modèles Muse Wonder alors que son offensive payante dans l’IA se heurte à des prévisions de dépenses de 200 milliards de dollars

Deux nouveaux modèles mettent à l’épreuve les dépenses de Meta dans l’IA

Meta a lancé Muse Wonder et Muse Wonder Full le 12 octobre 2026, affirmant renouer avec le premier rang de l’intelligence artificielle tout en réservant ses nouvelles capacités les plus avancées aux abonnés payants. Cette sortie relie trois volets de sa stratégie : des assistants personnels plus performants, des revenus issus des abonnements et des développeurs, et une expansion des capacités informatiques qui pourrait coûter nettement plus cher.

L’entreprise prévoit des dépenses d’investissement comprises entre 130 et 145 milliards de dollars en 2026, remboursements du principal des contrats de location-financement compris. Le cabinet de services financiers Cantor Fitzgerald prévoit que ces dépenses pourraient atteindre 200 milliards de dollars en 2027. Ce montant supérieur est une prévision externe, et non un budget annoncé par Meta. Il représenterait une hausse d’environ 38 % par rapport à la limite haute des prévisions de cette année, ou d’environ 54 % par rapport à la limite basse.

Ces modèles arrivent après le lancement décevant de Llama 4 en 2025 et environ 14 mois consacrés à la refonte de l’activité de Meta dans l’IA. Ils visent la programmation avancée et des tâches portant sur des documents juridiques, des informations financières et des données de santé. Meta veut aussi les intégrer à des agents, des logiciels capables d’utiliser des outils et d’agir, plutôt que de se contenter de répondre à des questions.

Les signes d’une amélioration des performances sont là, mais les résultats ne sont pas uniformes. Selon les résultats publiés par Meta en matière de développement logiciel, les deux modèles devancent Claude Opus 5.5 d’Anthropic sur un test de référence. Un indice distinct d’Artificial Analysis place Muse Wonder Full derrière ce concurrent. Le premier enjeu commercial est de savoir si ces capacités convaincront les utilisateurs à continuer d’utiliser les produits de Meta et à payer pour y accéder.

Qu’est-ce qui est disponible maintenant, et qu’est-ce qui viendra plus tard ?

Muse Wonder est accessible aux développeurs via l’API Meta Model et l’assistant de programmation Muse Code. Muse Wonder Full, la version la plus performante, est réservé aux abonnés de Muse Code. Aucun des deux modèles n’est disponible en téléchargement public ni utilisable sur les propres serveurs des utilisateurs.

L’assistant personnel Muse est un produit distinct. Son application est gratuite, avec des formules payantes offrant un usage supplémentaire. Meta prévoit d’abord d’intégrer Wonder à cet assistant pour les abonnés, mais n’a annoncé ni date ferme de déploiement ni calendrier pour un accès plus large.

Cette séquence est importante, car le lancement d’un modèle ne signifie pas que la mise à niveau est immédiatement accessible à tous les consommateurs. Les principales étapes sont les suivantes :

• 2025 : Llama 4 ne répond pas aux attentes, ce qui conduit Meta à remanier son organisation dédiée à l’IA et ses recrutements.
• Septembre 2026 : Meta présente Muse Spark et l’agent personnel Muse. Spark est le premier modèle issu de la division Meta Superintelligence Labs, créée après la réorganisation.
• Fin septembre 2026 : Amazon empêche Muse d’effectuer des achats pour le compte des utilisateurs.
• 12 octobre 2026 : Muse Wonder et Muse Wonder Full sont mis à disposition via les produits pour développeurs annoncés.
• Prochaines étapes : Wonder doit être proposé aux abonnés de Muse, tandis que des modèles plus spécialisés et un rapport de sécurité plus complet sont prévus, sans date de publication.

Les nouveaux modèles reposent sur Muse Spark. La gamme en expansion de Meta comprend également Muse Image, mais le lancement de Wonder est axé sur les agents et la programmation, et non sur la génération d’images.

La mémoire et la persistance sont au cœur des promesses du produit

Meta met en avant deux capacités principales : Active Memory et Active Focus. Active Memory conserve les informations pertinentes issues d’échanges antérieurs et les récupère pour des tâches ultérieures. Le directeur de l’IA, Alexandr Wang, affirme que ces informations peuvent couvrir des jours, des semaines ou des mois, afin qu’un assistant puisse prendre en compte les préférences et les exigences au fil des conversations.

Active Focus intervient lorsqu’une tâche ne se déroule pas comme prévu. Meta affirme que ses modèles peuvent se remettre d’erreurs, changer de méthode lorsqu’un outil échoue, demander des précisions et solliciter une confirmation avant d’effectuer des actions importantes. Ces fonctions visent à réduire les cas où un agent abandonne ou répète une méthode qui ne fonctionne pas.

Wang, qui dirige les activités de Meta dans l’IA, a expliqué l’objectif de conception en évoquant les obstacles rencontrés dans les tâches du quotidien :

Dans les tâches du monde réel, on rencontre des obstacles, des imprévus ou divers revers », a déclaré Wang. « Nous avons précisément essayé d’entraîner le modèle à tester d’autres approches au lieu de rester bloqué, puis à revenir vers l’utilisateur pour faire le point à tout moment.

Meta cite les demandes d’indemnisation, l’interprétation de baux, les finances personnelles et la programmation avancée parmi les applications possibles. Muse est déjà destiné à des activités comme les courses alimentaires, les réservations de voyage et de restaurant. Ces exemples décrivent des usages visés, et ne prouvent pas que les modèles accomplissent chacune de ces tâches avec précision et en toute sécurité.

Les deux modèles accepteraient des images, des vidéos et des fichiers audio, et disposeraient d’une fenêtre de contexte d’un million de jetons. Les jetons sont les unités dans lesquelles un modèle découpe les informations pour les traiter. La fenêtre de contexte mesure la quantité d’informations qu’il peut prendre en compte à la fois ; la mémoire persistante est une capacité distincte qui lui permet de conserver certaines informations d’un échange à l’autre.

Les résultats aux tests sont compétitifs, mais pas décisifs

Sur SWE-Marathon, un test de référence portant sur des tâches importantes de développement logiciel, les résultats publiés par Meta donnent un score de 79 % à Muse Wonder Full, de 78,8 % à Muse Wonder et de 74,2 % à Claude Opus 5.5. Full devance ainsi le modèle d’Anthropic de 4,8 points de pourcentage et Wonder de 4,6 points.

L’écart entre les propres modèles de Meta sur ce test n’est que de 0,2 point de pourcentage. Cela suggère que les acheteurs devraient examiner les tâches qu’ils souhaitent réellement confier au modèle plutôt que de supposer que la version supérieure offre un net avantage dans tous les cas. Ces résultats sont les comparaisons publiées par Meta, et non une garantie de performance sur les projets logiciels d’une entreprise.

L’Artificial Analysis Intelligence Index donne une autre perspective. Muse Wonder Full obtient 56 points, contre 52 pour la version standard de Wonder. Claude Opus 5.5 devance ces modèles avec 58 points, tandis que GPT-6 Astra d’OpenAI en obtient 53. Selon les comptes rendus des classements, Full est ex æquo à la deuxième place et Wonder à la septième ; l’un d’eux indique que Claude Sonnet 5.5 partage le score de Full.

Un compte rendu appelle le grand modèle de Meta Muse Wonderful, mais les autres articles sur le lancement le désignent sous le nom de Muse Wonder Full et lui attribuent le même score de 56. Cette divergence de nom ne doit pas être interprétée comme la preuve de la sortie d’un troisième modèle.

Meta cite aussi des comparaisons avec Claude Fable 5.1 et GPT-6 Astra. Sa position par rapport à Gemini 4 Argon de Google est moins claire : selon un indice publié, Gemini obtient 53 points, tandis qu’un autre compte rendu estime que la comparaison globale reste incertaine. Les différents tests mesurent des capacités différentes : de bons résultats en programmation ne permettent donc pas d’établir une supériorité en analyse juridique, dans les tâches financières ou dans l’assistance personnelle.

Abonnements et frais d’API sont deux coûts distincts

Les abonnements grand public à Muse coûtent 20 ou 100 dollars par mois. Les abonnements à Muse Code coûtent 50 ou 200 dollars par mois et donnent accès à Wonder Full. Ces tarifs d’abonnement sont à distinguer des prix de l’API Wonder, qui facturent les développeurs en fonction du volume d’informations traité.

Le tarif d’API annoncé est de 4 dollars par million de jetons en entrée et de 20 dollars par million de jetons en sortie. Les données d’entrée sont les informations transmises au modèle ; les données de sortie sont celles qu’il génère. À ces tarifs, un traitement comprenant un million de jetons en entrée et un million en sortie coûterait 24 dollars, avant toute remise ou autre frais éventuels. Il s’agit d’un calcul fondé sur les tarifs publiés, et non du prix d’un abonnement.

Les données d’entrée mises en cache peuvent bénéficier de tarifs réduits, sans qu’un tarif précis soit indiqué. La mise en cache permet de réutiliser des éléments déjà traités au lieu de les traiter comme de nouvelles données. Pour un agent qui consulte régulièrement de longs documents, cette distinction peut influer sur les coûts.

Wang affirme que les tarifs de l’API de Meta seront nettement inférieurs à ceux des principaux modèles d’OpenAI et d’Anthropic. La comparaison tarifaire publiée est plus limitée : les prix de Wonder seraient identiques à ceux de Claude Opus 5.5 et représenteraient environ 40 % de ceux de GPT-6 Astra. Cela étaye l’affirmation d’un tarif inférieur à celui du modèle d’OpenAI, mais pas à celui du modèle d’Anthropic aux prix indiqués.

Les informations divergent également sur la disponibilité. Certains articles indiquent que l’accès à l’API est prévu, tandis que les comptes rendus les plus détaillés du lancement précisent que Wonder standard est déjà accessible via l’API. Aucun accès à l’API n’a été annoncé pour Wonder Full. Bien que la version la plus performante ait été présentée comme destinée aux ventes directes aux entreprises, son canal de lancement concret est Muse Code.

Un modèle plus performant a toujours besoin d’accéder aux sites web

Selon des données de Sensor Tower, Muse aurait enregistré près de neuf millions de téléchargements dans le monde après son lancement en septembre. Les téléchargements mesurent toutefois l’intérêt initial, et non l’engagement dans la durée. Leur croissance a ralenti et le taux de rétention de Muse après 14 jours serait inférieur à celui de ChatGPT. Aucun pourcentage précis de rétention n’a été communiqué.

Certains obstacles échappent au contrôle du modèle de Meta. Brent Thill, analyste chez Jefferies, a déclaré que les sites web qui bloquent les agents nuisaient à l’expérience utilisateur. La décision d’Amazon d’empêcher Muse d’effectuer des achats à la fin du mois de septembre illustre le problème : un assistant peut comprendre une demande d’achat sans pouvoir la mener à bien.

Active Focus peut aider lorsqu’un outil échoue ou que des informations manquent. Cela ne signifie pas qu’un agent est autorisé à contourner les restrictions d’un site web. Pour qu’un assistant personnel fonctionne, les services externes doivent coopérer, en plus des capacités de raisonnement, de mémoire et de persistance du modèle.

Le prix complique également l’argument en faveur de l’utilisation des modèles les plus puissants pour toutes les tâches. Les données de la plateforme OpenRouter indiquent que les dix principaux modèles qualifiés de haute qualité représentaient 14 % de l’utilisation au troisième trimestre 2026, contre 55 % au premier trimestre 2025. Il s’agit d’un recul de 41 points de pourcentage sur cette plateforme, et non d’une mesure de l’ensemble du marché de l’IA.

Cette tendance suggère que les modèles moins chers prennent une place croissante dans les tâches courantes. Meta développe des versions spécialisées qui devraient conserver une grande partie des capacités de Wonder tout en fonctionnant plus efficacement. Cela pourrait lui permettre de servir un public plus large sans faire appel à son modèle le plus puissant pour chaque demande.

La confidentialité dépend des autorisations et des paramètres du produit

Les agents qui interviennent dans les messages, les calendriers et les documents ont besoin d’accéder à des informations sensibles. Meta affirme que Wonder est entraîné à ne pas partager de données privées sans autorisation et à refuser d’aider à commettre des actes nuisibles. Selon plusieurs comptes rendus, les modèles demandent aussi une confirmation avant d’effectuer des actions lourdes de conséquences.

Certains utilisateurs se sont plaints sur les réseaux sociaux, affirmant que Muse avait accédé à leurs messages privés sans autorisation. Meta conteste ces accusations. Wang déclare que l’entreprise surveille les incidents liés aux agents et explique aux utilisateurs le fonctionnement des autorisations, notamment dans les cas où une personne a pu autoriser l’accès à ses communications plus tôt dans une conversation avant de l’oublier.

Ces désaccords ne permettent pas de trancher les plaintes précises dans les informations publiées. La mémoire persistante et la capacité d’agir sur plusieurs services rendent les contrôles d’autorisation particulièrement importants : se souvenir d’une information ne signifie pas être autorisé à l’utiliser ou à la partager.

Le traitement des données varie aussi selon le mode d’accès. Par défaut, les abonnements à Muse Code seraient réglés sur le mode Contributor, qui autorise l’utilisation des contenus soumis pour améliorer les futurs modèles. Les abonnés peuvent désactiver ce paramètre. Selon les informations publiées, l’API Model standard n’utilise pas les contenus soumis pour l’entraînement. Il s’agit de conditions d’utilisation rapportées, qui ne doivent pas être considérées comme des dispositifs de confidentialité identiques.

Pour les entreprises, cette question est distincte des performances aux tests de référence. Un assistant de programmation peut être performant, mais il faut tout de même vérifier si le code propriétaire, les documents clients ou les données personnelles peuvent être transmis avec les paramètres choisis.

Les promesses en matière de sécurité attendent une évaluation plus complète

Meta affirme que Wonder est doté à ce jour de ses protections les plus solides contre les usages malveillants en cybersécurité. Ces protections sont actuellement associées au modèle payant et ne sont pas présentées comme disponibles dans toutes les expériences Muse gratuites. Cette déclaration ne signifie pas que les produits gratuits sont dépourvus de protections ; elle distingue les garanties revendiquées pour le nouveau modèle.

L’entreprise affirme que le développement suit son Meta Superintelligence Scaling Framework et qu’un rapport d’évaluation de sécurité plus complet sera publié ultérieurement. Aucune date n’a été annoncée. En l’absence de ce rapport, l’évaluation détaillée à l’origine des nouvelles affirmations en matière de sécurité reste incomplète pour le public.

Le directeur général Mark Zuckerberg estime que l’IA peut être maîtrisée grâce à des mesures de protection et à un développement responsable. Il a rejeté les appels à un ralentissement des recherches dans l’ensemble du secteur, tout en reconnaissant que Meta a freiné certains développements internes afin de travailler sur la sécurité de ses produits.

Zuckerberg a exposé sa position sur le contrôle et l’autonomie :

« À mon avis, l’IA est bien davantage une technologie que l’on peut maîtriser grâce à des mesures de protection et développer de manière responsable qu’une technologie qui développerait un sentiment de soi et agirait de son propre chef », a-t-il déclaré.

Il n’a pas estimé la probabilité d’un risque catastrophique. Sa position consiste à confier aux laboratoires la responsabilité de gérer les risques tout en poursuivant le développement. L’évaluation à venir constitue donc un élément manquant important, en particulier pour des modèles conçus pour agir plutôt que simplement répondre.

L’expansion des capacités informatiques dépasse le cadre de Meta

Les modèles Wonder ont été entraînés dans le centre de données Prometheus de Meta. Leur lancement fait suite à des investissements dans les infrastructures, au recrutement de nouveaux talents et à une réorganisation menée sous la direction de Wang. Dans ce cadre, Meta a investi environ 14 milliards de dollars dans Scale AI et a intégré Wang à sa direction.

Selon un compte rendu, Wonder, nom de code interne Watermelon, utilise environ dix fois plus de ressources informatiques que Muse Spark. Il s’agit d’une comparaison rapportée, et non d’un décompte publié des coûts d’entraînement ou des besoins matériels. Cela correspond à l’argument de Meta selon lequel il a fallu nettement accroître les capacités informatiques pour atteindre le premier rang.

Zuckerberg affirme que la prochaine étape du développement des modèles est déjà en cours et que le rythme va s’accélérer. Meta travaille à la fois sur des modèles plus grands et sur des versions spécialisées plus efficaces, cherchant simultanément à améliorer les capacités et à réduire les coûts d’exploitation.

Les perspectives de dépenses pourraient profiter aux fabricants de serveurs associés à la chaîne d’approvisionnement de Meta dans l’IA, notamment Hon Hai, aussi connu sous le nom de Foxconn, Quanta, Wistron, Wiwynn et Inventec. Cette perspective repose sur la poursuite des achats d’infrastructures. Aucun nouveau montant de contrat, aucune répartition entre fournisseurs ni aucun calendrier de livraison n’ont été annoncés à l’occasion du lancement de Wonder.

Les dépenses d’investissement ne correspondent pas non plus au seul budget d’entraînement d’un modèle. Les prévisions de Meta pour 2026, comprises entre 130 et 145 milliards de dollars, incluent les remboursements du principal des contrats de location-financement, tandis que la prévision de 200 milliards de dollars de Cantor Fitzgerald porte sur l’année suivante. Aucun de ces montants ne doit être interprété comme le coût du seul développement de Muse Wonder.

Les investisseurs réagissent avant que les revenus soient établis

L’action Meta a clôturé la séance du lancement à 742,96 dollars, en hausse de 3,38 %. D’autres comptes rendus arrondissent cette progression à 3,4 % ou à environ 3 %. Le titre avait déjà commencé à progresser avant l’annonce de Zuckerberg dans l’après-midi : la hausse de la journée ne peut donc pas être attribuée entièrement au lancement du modèle.

Les chiffres plus larges concernant l’action couvrent différentes périodes : selon un compte rendu, le titre a progressé de 13 % depuis le début de l’année et de 31 % depuis début septembre, tandis qu’un autre fait état d’une hausse de près de 10 % depuis le lancement de Muse, plus tard dans le mois. Ces chiffres ne sont pas directement comparables sans harmoniser leurs dates de départ.

Justin Post, analyste chez Bank of America Securities, a estimé que les investissements dans Meta Superintelligence Labs se traduisaient par de meilleures performances des modèles et par des innovations dans les produits. La nouvelle sortie apporte des éléments supplémentaires en faveur de cette thèse, mais ne permet pas encore d’établir les revenus que généreront les modèles.

Les questions commerciales sont concrètes. Meta n’a pas indiqué combien d’utilisateurs de Muse paieront pour Wonder, combien de développeurs choisiront son API, ni comment les revenus se compareront au coût de mise à disposition d’agents à mémoire persistante. La mise à disposition plus large auprès du public, l’accès à l’API pour Full et le rapport de sécurité n’ont pas non plus de dates annoncées. Le lancement renforce la position concurrentielle de Meta, mais laisse en suspens ces décisions commerciales et de déploiement.

À retenir

• Meta a lancé Muse Wonder et Muse Wonder Full le 12 octobre 2026, d’abord accessibles aux développeurs ; leur déploiement auprès des utilisateurs de Muse reste à venir.
• Un test de référence en programmation favorise les modèles de Meta, tandis qu’Artificial Analysis classe Wonder Full derrière Claude Opus 5.5.
• L’API Wonder coûte 4 dollars par million de jetons en entrée et 20 dollars par million de jetons en sortie. Full nécessite un abonnement à Muse Code.
• Aucun des deux modèles n’est disponible en téléchargement public ni utilisable sur les propres serveurs des utilisateurs.
• La mémoire, les autorisations, les restrictions des sites web et les paramètres d’entraînement rapportés restent des enjeux pratiques pour le déploiement des agents.
• Les prévisions de dépenses de Meta pour 2026 s’élèvent à 130 à 145 milliards de dollars. Le montant de 200 milliards pour 2027 est une prévision de Cantor Fitzgerald.
• Aucune date n’a été annoncée pour une évaluation de sécurité plus complète ni pour un accès élargi.