En mai de cette année, Meta a tracé une ligne rouge pour ses propres ingénieurs.
Les personnes du département d'ingénierie IA appliquée ne peuvent plus utiliser librement Claude Code et Codex.
Selon les directives internes obtenues par The Information, un mémo demande même de suspendre certaines tâches utilisant ces deux modèles. Les termes du document sont forts, évoquant que cela pourrait déclencher une « escalade sérieuse avec les partenaires ».
Cependant, ce qui est anormal, c'est justement là.
Meta est l'un des plus grands clients mondiaux de Claude Code. Sa facture annuelle d'utilisation interne de l'IA s'élève à plusieurs milliards de dollars.
Des outils dont on dépend quotidiennement, achetés à grands frais par l'entreprise, sont maintenant limités en interne. Et la raison de cette restriction, vous ne la devineriez probablement pas.
Ce n'est pas qu'ils ne sont pas efficaces. Au contraire, c'est qu'ils sont trop efficaces.
Cette ligne rouge est toujours en vigueur
Selon The Information, ces restrictions ont été établies en mai et sont toujours en vigueur.
Pourquoi Meta est-il si nerveux ? Il faut pour cela remonter à un projet interne d'assistant de programmation IA.
Cette année, l'entreprise a formé une équipe d'ingénierie IA appliquée, axée sur son assistant de programmation IA autodéveloppé, MetaCode (anciennement DevMate).
L'objectif est de ne plus laisser Meta dépenser des sommes faramineuses pour continuer à utiliser les modèles de programmation IA d'autrui, et d'en entraîner un elle-même.
Interface officielle de Claude Code. Avec Codex d'OpenAI, ils sont devenus la norme de facto pour les développeurs professionnels en matière de programmation d'agents intelligents.
Mais entraîner un modèle qui sait coder n'est pas si simple.
Il faut lui fournir des masses de données de haute qualité, et aussi produire suffisamment de problèmes de programmation, complexes et variés, pour le faire s'entraîner et l'évaluer. Cet ensemble de questions et d'évaluations détermine presque la puissance finale d'un modèle de programmation.
Le problème se situe justement là.
Le défi auquel Meta est confronté est d'empêcher ses employés de trop dépendre de ces outils externes pour créer des alternatives internes.
Ce qu'elle craint, c'est que les sorties de ces modèles externes ne s'infiltrent dans les données d'entraînement, faisant que son propre modèle apprenne subrepticement les compétences de ses concurrents.
Pour comprendre cette inquiétude, il faut savoir comment un modèle « apprend » : vous le nourrissez de certaines données, et il se développe en conséquence.
MetaCode veut devenir fort, et cela repose sur l'ensemble de données d'entraînement et de problèmes de programmation accumulés par les ingénieurs.
Mais si ces problèmes, réponses, et même critères d'évaluation proviennent de Claude ou Codex, MetaCode n'apprendra plus les « compétences issues de l'entraînement par des ingénieurs humains », mais plutôt « les compétences de Claude ».
Il recopie les réponses de l'examen de son concurrent, et devient de plus en plus similaire à lui.
Plus insidieux encore, c'est le volet de l'évaluation.
Chaque fois que le modèle répond à une question, quelque chose doit lui dire si la réponse est bonne ou non, pour qu'il sache comment s'améliorer.
Si la création des questions et la notation sont confiées à Codex, alors MetaCode évolue vers ce que « Codex considère comme correct », ce qui revient à graver petit à petit les critères de jugement du concurrent dans son propre « cerveau ».
C'est pourquoi le guide de Meta interdit à l'IA d'être l'auteur des questions ou le correcteur, et réglemente même si « les matériaux générés par l'IA peuvent entrer dans l'environnement accessible par le modèle testé ».
Dès qu'une sortie du concurrent s'infiltre, même légèrement, dans la chaîne d'entraînement ou d'évaluation, la ligne entre « qui a enseigné à qui » devient floue.
En fin de compte, Meta suspend certaines tâches pour isoler les données d'entraînement.
Elle craint que l'IA n'écrive trop bien, rendant impossible de distinguer quelles compétences sont issues de son propre entraînement et lesquelles ont été apprises de Claude et Codex.
Et cette dernière capacité est louée, elle n'est pas sienne.
Des restrictions détaillées à un point inattendu
Il faut d'abord préciser que dans les documents internes de Meta, il n'y a aucun enregistrement d'employés ayant réellement enfreint les règles.
Un porte-parole de Meta a également répondu que l'entreprise avait une « politique claire » sur l'utilisation des outils d'IA. Ce document ressemble donc davantage à une alarme préventive lancée en interne.
Quels travaux ne doivent pas être confiés à l'IA ? Principalement les trois catégories suivantes :
Premièrement, il est interdit d'utiliser les sorties de Claude ou Codex pour créer des questions de test pour le propre modèle de l'entreprise. Les termes exacts du guide sont : cela « relève clairement du domaine où l'ingénieur n'est pas aux commandes », « nous ne voulons pas de tâches issues des modèles ».
Deuxièmement, l'IA ne doit pas chercher de bogues dans le code source, ni vous aider à réfléchir à « ce qui doit être testé » en se basant sur une analyse du code.
Troisièmement, rien de généré par l'IA ne doit être placé dans un endroit accessible par le modèle testé.
En clair, dès que l'IA participe au jugement de « ce qui doit être testé et si la réponse est correcte », les compétences du concurrent peuvent s'infiltrer. Les trois règles visent à bloquer cette porte.
Quels travaux peuvent encore être confiés à l'IA ?
La mise en place de flux de travail, l'organisation du code et des fichiers, la construction de structures de test pour les outils internes, ces tâches quotidiennes et annexes sont autorisées. Le guide qualifie ce type de travail de « test scaffolding » (échafaudage de test) et de « solution calibration » (calibration de solution), en somme, un travail d'assistance et de construction de cadre.
Même pour ces travaux, il y a une règle d'or : chaque ligne produite par l'IA doit d'abord être vérifiée par un humain.
Pour Meta, dès qu'on laisse les modèles concurrents créer les questions et noter les copies, il devient impossible de dire qui a réellement passé l'examen.
Ce qu'elle veut vraiment préserver, c'est cette ligne entre « qui a enseigné à qui ».
Le piège inévitable de la « distillation »
Ce que Meta craint a un terme spécialisé dans l'industrie : la distillation (distillation).
Le sens est facile à comprendre : on prend un modèle plus fort, on le fait répondre continuellement à des questions, puis on utilise ces réponses pour entraîner un modèle plus faible.
C'est un peu comme si on demandait à un premier de classe de refaire entièrement un examen, puis qu'un élève en difficulté recopie, rattrapant ainsi en quelques mois plusieurs années d'efforts de l'autre.
Les investissements faramineux des autres en données, puissance de calcul et recherche, vous les récupérez presque gratuitement.
Entraîner un modèle de pointe à partir de zéro coûte une fortune et un temps considérable. La distillation, elle, peut ne nécessiter qu'un lot de sorties de l'adversaire, réduisant les coûts et les délais à une fraction.
La distillation en elle-même est une pratique courante dans l'industrie, et les grandes entreprises utilisent souvent leurs grands modèles pour en distiller des versions plus petites et moins chères pour leurs utilisateurs.
Le problème survient uniquement lorsque : si vous copiez le modèle d'un autre, les capacités que vous avez entraînées, sont-elles vraiment les vôtres, ou empruntées ? C'est difficile à dire.
Certains appellent cela le « piège de la distillation » : plus vous vous appuyez sur le modèle le plus fort pour construire vos propres fondations, plus il est difficile de prouver d'où vient votre intelligence.
Aux États-Unis, la loi n'interdit pas explicitement la distillation, et le contenu généré par l'IA n'est pas protégé par le droit d'auteur. Utiliser les sorties d'un autre pour entraîner votre propre modèle passe largement le filtre légal.
Le seul obstacle est contractuel.
Les conditions d'utilisation d'OpenAI et d'Anthropic contiennent des restrictions similaires : il est interdit d'utiliser les sorties des modèles pour créer quelque chose qui leur fait concurrence.
De plus, le pouvoir de faire respecter cette règle est entièrement entre les mains des concurrents.
L'année dernière, Anthropic a directement coupé l'accès de l'API de Claude à OpenAI, même si OpenAI affirmait qu'elle ne l'utilisait que pour évaluer les capacités et la sécurité, une pratique « standard de l'industrie ».
Même Elon Musk a été contraint d'admettre lors d'un procès en avril de cette année que son xAI avait « partiellement » distillé des modèles d'OpenAI.
Le 30 avril 2026, à la barre des témoins d'un tribunal fédéral de Californie, Musk a été interrogé sur le fait que xAI ait utilisé la distillation sur des modèles OpenAI pour entraîner Grok. Il a d'abord affirmé que c'était une pratique courante des entreprises d'IA.
Poussé à préciser si cela signifiait « oui », il a répondu « partiellement ».
Les règles sont floues, le « pouvoir d'exécution » est entre les mains des concurrents. Qui oserait risquer des milliards d'investissements sur la base que le concurrent ne réagira pas ?
Sous cet angle, la nervosité de Meta n'a rien d'excessif.
Il y a aussi, ici, une considération d'économies.
Selon le mémo interne, Meta va dépenser à elle seule plusieurs milliards de dollars cette année rien que pour l'utilisation interne de l'IA. Elle a même commencé à fixer des plafonds d'utilisation de tokens pour ses employés. Même une entreprise aussi riche que Meta commence à trouver l'IA trop chère et à vouloir serrer les budgets.
Si elle peut transférer les travaux de développement des outils externes coûteux vers son propre MetaCode, elle économise de l'argent et évite le piège de la distillation, ce qui serait une situation gagnant-gagnant.
Une carte pour marcher sur un fil
À propos de ces documents internes de Meta, le spécialiste du droit des technologies et conseiller juridique Mark Leiser a une phrase très imagée : c'est « presque une carte pour marcher sur un fil ».
D'un côté, il faut bénéficier des avantages des modèles externes, de l'autre, il faut empêcher leurs compétences de s'infiltrer dans le propre système.
Bien sûr, Meta n'est pas la seule entreprise à marcher ainsi sur un fil, cela touche à un point sensible de toute l'industrie.
Lorsque vous utilisez une IA suffisamment intelligente pour en créer une autre tout aussi intelligente, à la fin, il peut être difficile de dire : cette intelligence, est-ce vraiment la vôtre, ou celle que vous avez secrètement apprise de l'IA d'un autre ?
Et cela n'est pas si loin des gens ordinaires non plus.
Le code que vous écrivez avec l'IA, les plans que vous modifiez, les documents que vous compilez, une fois réinjectés, deviennent la nourriture de la prochaine génération de modèles.
Dans ce cycle, qui se tient sur les épaules de qui, cette ligne devient de plus en plus floue.
Lorsque l'IA commence à nous aider à créer de l'IA, pouvons-nous encore distinguer à qui appartiennent les compétences ?
Références :
https://x.com/kimmonismus/status/2071591755351224344
https://www.theinformation.com/articles/internal-docs-show-meta-putting-limits-claude-codex-fearing-distillation
Cet article provient du compte WeChat officiel «新智元» (New Zhi Yuan), auteur : ASI Apocalypse
