L’été dernier, Meta annonçait avec éclat un investissement de 14,3 milliards de dollars dans Scale AI, une start-up spécialisée dans l’étiquetage et l’annotation de données. L’accord devait incarner un tournant majeur pour Meta en intelligence artificielle et donner un souffle nouveau à son laboratoire Meta Superintelligence Labs (MSL). Quelques mois plus tard, le tableau est moins idyllique : les premiers signes de fragilité apparaissent.
Départs et tensions dans la supply chain
Ruben Mayer, ancien vice-président de Scale AI, n’a passé que deux mois chez Meta avant de repartir. Officiellement, il s’agit de raisons personnelles, mais ce départ interroge sur le rôle réel de Scale AI dans le dispositif. Mayer était censé renforcer l’organisation des équipes de données, pierre angulaire de tout projet d’intelligence artificielle.
En interne, l’arrivée de nombreux talents issus d’OpenAI, d’Anthropic ou de Scale AI dans TBD Labs – l’unité chargée de développer la future superintelligence – ne se fait pas sans heurts. La rigidité des processus d’une multinationale comme Meta contraste avec la culture plus agile de ces start-up.
Qualité des données IA : un enjeu stratégique
La question de la donnée reste au centre du débat. Pour entraîner des modèles IA performants, la qualité des annotations est déterminante. Or, malgré un investissement colossal, plusieurs chercheurs de TBD Labs auraient exprimé des doutes sur la pertinence des données fournies par Scale AI.
Meta a donc ouvert ses collaborations à d’autres prestataires, notamment Surge et Mercor. Ces sociétés misent dès le départ sur des experts qualifiés – médecins, ingénieurs, scientifiques – capables de traiter des données complexes. Scale AI, de son côté, a longtemps fonctionné sur un modèle de crowdsourcing à faible coût, adapté pour la quantité mais moins pour les besoins pointus de l’industrie.
Recomposition de la supply chain des données IA
L’évolution est claire : la supply chain de l’intelligence artificielle ne peut plus se contenter de volumes massifs de données. Les secteurs de la santé, de l’énergie ou de la finance réclament désormais des jeux de données contextualisés et validés par des spécialistes. Ceux qui réussissent à répondre à cette exigence prennent une longueur d’avance.
Scale AI tente de s’adapter via sa plateforme Outlier. Mais la perte de clients majeurs comme OpenAI et Google, suivie de licenciements, souligne l’ampleur du défi. Pendant ce temps, Meta poursuit ses investissements massifs, comme le projet Hyperion en Louisiane, un centre de données estimé à 50 milliards de dollars.
Quelles conséquences pour l’industrie ?
Pour les entreprises industrielles, cette histoire illustre un constat simple : l’intelligence artificielle ne repose pas seulement sur la puissance des algorithmes mais sur la fiabilité des données. La supply chain se transforme et pousse les organisations à s’entourer de partenaires capables de garantir robustesse et expertise.
Meta cherche à rattraper son retard sur Google et OpenAI. Mais les tensions avec Scale AI montrent que même les géants doivent composer avec une supply chain de données en pleine mutation, où la qualité compte désormais plus que la quantité.
