Meta dépense 92 milliards de dollars en infrastructure pour l’IA, puis les distribue gratuitement.

Meta a dépensé91,8 milliards de dollars pour les dépenses de capitalAu cours des douze derniers mois, les dépenses ont atteint environ 9 milliards de dollars par trimestre. Ces dépenses ont été investies dans les clusters GPU et les centres de données, à un rythme comparable à celui d’Amazon ; seule Alphabet est en tête parmi les hyperscalers. Ces dépenses ont entraîné une diminution du flux de trésorerie libre de 23 % par an. Le bénéfice opérationnel est passé de 43 % au deuxième trimestre 2025 à 31 % l’année suivante. Les revenus ont augmenté de 28 %, mais 98 % de ces revenus proviennent encore de la publicité numérique.

Le cours de l’action a chuté de 24 % au cours des 12 derniers mois. Son cours se situe autour de 588 dollars, avec une capitalisation boursière de 1,5 trillion de dollars. Le ratio des revenus futurs est d’environ 21 fois le prix actuel de l’action. Ce ratio pourrait sembler généreux, à moins de considérer l’ampleur du développement qui s’est produit depuis lors.

C’est la question que le marché doit répondre : Meta dépense autant sur l’infrastructure de l’IA que n’importe quelle autre entreprise au monde.Donner les modèles gratuitementC’est une décision audacieuse en matière d’architecture. Mais il est possible que ce soit la mauvaise solution.

Le modèle de poids ouvert en tant que stratégie compétitive

Le 9 août, Meta Superintelligence LabsLe modèle Muse Glimmer, un modèle à 30 milliards de paramètres, a été déployé.Optimisé pour les workflows de agents locaux en continu. Il est open source, sous la licence permissive Apache 2.0. De plus, il est suffisamment petit pour fonctionner sur un casque Meta Quest. Il a été entraîné avec…Distillation logit— Une technique qui permet de compresser les connaissances d’un modèle plus grand en un modèle plus petit et plus rapide, destiné aux étudiants. Il s’agit du modèle Muse Spark de Meta, qui est bien plus grand que le modèle enseignant utilisé par Meta.

En termes simples, Muse Glimmer n’est pas l’outil de renseignement phare de Meta. C’est plutôt l’engin d’inférence sur le appareil de Meta. Il a pour but de rendre les fonctionnalités de Meta AI rapides, privées et toujours disponibles, plutôt que de mettre en avant des performances de test brutes.

C’est le cœur de la stratégie Open Weight. Meta dépense des milliards pour entraîner les modèles de pointe en mode fermé – via Muse Spark et ses prédécesseurs – puis elle rend la couche d’inférence open source, afin que développeurs, entreprises et fabricants de dispositifs puissent l’utiliser partout. L’idée est…Llama a fait cela pour les modèles ouverts.Ce que Android a accompli pour les systèmes d’exploitation mobiles : devenir la plateforme par défaut sur laquelle tout le reste est construit.

La logique est valide, à condition que le but final soit le maintien d’un écosystème stable grâce à l’adoption par les développeurs, et non à des revenus directs. Les modèles de poids ouvert diminuent les barrières pour que des tiers puissent utiliser l’architecture de Meta. Plus de développeurs utilisant Llama et ses successeurs signifie une plus grande demande pour les outils, les API et l’infrastructure de Meta – même si les modèles eux-mêmes sont gratuits.

Mais l’attachement au système écosystémique est un processus qui nécessite du temps. Meta n’a donc aucune source de revenus liée à l’IA pour démontrer les bénéfices qu’elle a obtenus au cours des quatre années d’investissements ouverts.

L’écart de monétisation

C’est là que l’architecture et les finances entrent en conflit.

Meta a enregistré des revenus de 60,8 milliards de dollars pour le deuxième trimestre 2026, soit une augmentation de 28 % par rapport à l’année précédente. Les revenus d’exploitation ont diminué de 8 %, soit 18,8 milliards de dollars. La réduction des marges provient presque entièrement des dépenses liées aux infrastructures d’IA. Le coût d’investissement annuel de Meta est maintenant supérieur à 100 milliards de dollars par an ; ce chiffre augmentera au fur et à mesure que l’entreprise développe les infrastructures physiques nécessaires pour soutenir l’inference d’IA à grande échelle.

L’entreprise a essayé de combler le fossé en matière de monétisation. En juin, MetaL’agent commercial Meta a été lancé.C’est une outil d’IA qui aide les entreprises à répondre aux questions des clients via WhatsApp, Messenger et Instagram. Cette solution est intégrée dans le service de abonnement Meta One. L’idée est de créer un flux de revenus régulier, sans dépendre des enchères publicitaires.WhatsApp met également en place des messages payants.Caractéristiques pour les entreprises.

Ce sont des produits réels, sur des horloges réelles. Mais il s’agit aussi de erreurs de calcul réelles, dans le contexte d’une base de revenus annuels de 240 milliards de dollars. Les abonnements à Meta One et les messages payants via WhatsApp sont en phase de croissance initiale, mais n’ont pas encore atteint une taille significative. L’entreprise a essayé de diversifier ses activités depuis dix ans : matériel, paiement, réalité virtuelle… Mais elle n’a pas réussi à y parvenir à grande échelle. Les agents IA représentent la dernière tentative de diversification.

Le chemin de monetisation indirect est plus crédible. Les meilleures technologies de l’IA permettent d’améliorer la ciblage des publicités, la création de contenus créatifs et les recommandations concernant les formats publicitaires. Cela permet de augmenter les prix des publicités et le taux d’engagement des utilisateurs. Ce mécanisme fonctionne déjà.Les impressions ont augmenté de 14 %.En glissement annuel, tandis que le prix moyen de l’annonce a augmenté de 12 % au deuxième trimestre 2026, etLes publicités pilotées par l’IA continuent d’augmenter leur part de marché.La question est de savoir si cet effet d’amélioration justifie des dépenses de construction annuelles de 100 milliards de dollars.

Dans quelle position se trouve Meta dans la transition de l’infrastructure de l’IA

Le marché de l’IA se divise en deux phases distinctes. L’entraînement des modèles – qui nécessite des ressources importantes pour créer des modèles innovants – nécessite encore des clusters massifs de GPU Nvidia les plus récentes et du silicone personnalisé. C’est là que Meta, Google, Microsoft et Amazon rivalisent pour obtenir ces capacités. Quant à l’inférence, c’est-à-dire l’utilisation de ces modèles pour servir les utilisateurs, c’est là que les économies deviennent intéressantes. En effet, l’inférence est moins coûteuse par unité, elle peut être exécutée avec des modèles plus petits, et elle se fait de plus en plus au niveau du “edge” plutôt que dans des centres de données centralisés.

La stratégie de poids ouvert de Meta la place sur le côté de l’inférence dans cette transition. Le modèle Muse Glimmer, avec 30 milliards de paramètres, est conçu pour fonctionner sur du matériel de consommation et des serveurs de bord, et non dans un cluster haute capacité. Si la demande en inférence se dirige vers des modèles plus petits, utilisés directement sur le appareil — et si les modèles de poids ouvert de Meta deviennent la solution de référence pour ce niveau d’activité — alors l’entreprise se trouve sur le bon côté du goulot d’étranglement structurel. C’est une position plus avantageuse que celle où elle doit s’engager dans une infrastructure de formation coûteuse, sans aucune possibilité de différenciation dans l’étape de l’inférence.

Cette distinction est à la fois positive et négative. Être du côté de l’inférence et du côté sur le dispositif signifie que Meta n’a pas besoin d’acheter autant de GPU par unité d’inference que les concurrents basés sur le cloud. Mais cela signifie aussi que l’entreprise ne peut pas générer des revenus grâce à l’utilisation des GPU en ligne, comme Amazon ou Microsoft le font. Le modèle de revenus pour l’inférence ouverte consiste en des revenus publicitaires et en des revenus liés à l’écosystème, plutôt que dans l’utilisation de GPU en ligne.

C’est un chemin plus difficile pour atteindre la scalabilité, mais c’est le seul chemin qui fonctionne avec une stratégie de poids ouvert. Meta ne peut pas vendre ce qu’elle a donné gratuitement.

Le problème de les dépenses d’investissement

La demande en inférence d’IA est réelle et en augmentation. Le secteur publicitaire de Meta continue de se développer, et la part de Meta dans les dépenses publicitaires numériques reste constante. La stack de modèles ouvertes est techniquement compétitive : les modèles Llama se situent constamment à proximité des concurrents avec des modèles fermés, selon les critères publics. La méthode de distillation utilisée par Muse Glimmer représente également un véritable progrès technique.

Le problème est l’efficacité du capital.

Les dépenses de capital de Meta, qui s’élevaient à près de 92 milliards de dollars au cours des douze derniers mois, représentent une dépense énorme pour une entreprise dont les revenus proviennent à 98 % de la publicité. Le flux de trésorerie libre, qui était de 50 milliards de dollars il y a un an, est désormais tombé à 38,5 milliards de dollars. La réduction du taux de marge opérationnelle, passant de 43 % à 31 %, n’est pas une situation temporaire – elle reflète les coûts structurels liés au fonctionnement d’une infrastructure IA qui ne génère encore aucun revenu direct.

Comparaison avec Microsoft : cette dernière investit beaucoup dans l’infrastructure de l’IA, mais réalise des profits grâce à la location de services informatiques via Azure et aux abonnements à Copilot. Les dépenses de construction de Microsoft sont partiellement compensées par la demande de services cloud liés à l’IA. Google présente une dynamique similaire pour son activité cloud et sa monétisation via les recherches. Les dépenses en IA de Meta soutiennent indirectement son activité publicitaire – c’est un modèle économique réel, mais non prouvé à cette échelle.

À un moment donné, le marché commencera à se demander si 100 milliards de dollars de dépenses d’investissement annuelles sont justifiées uniquement par l’augmentation des revenus publicitaires. Cette question n’a pas besoin d’être résolue aujourd’hui, mais elle sera posée bientôt. Le retard dans les résultats du deuxième trimestre : un EPS de 6,18 dollars contre une estimation moyenne de 7,19 dollars – ne signifie pas un manque de revenus. C’est plutôt un manque de marge et de flux de trésorerie, causé par les investissements en infrastructure. L’action a chuté.7 % sur le rapportParce que le marché commence à évaluer cette différence de prix.

Qu’est-ce qui devrait changer ?

Pour que la thèse ouverte de Meta justifie les capitaux investis, il doit se produire l’une ou l’autre des deux choses, ou les deux.

D’abord, la monétisation indirecte via les performances publicitaires doit continuer à se développer. Si la ciblage basé sur l’IA, les outils créatifs et les nouveaux formats publicitaires permettent une augmentation des revenus publicitiques qui dépasse constamment celle de l’industrie, alors les dépenses en infrastructure sont justifiées – même sans revenus directs provenant de l’IA. Le taux de croissance des revenus de Meta de 28 % au deuxième trimestre 2026, due à à la fois les impressions et les prix, indique que ce mécanisme fonctionne bien. Mais il doit continuer à fonctionner, tant que les dépenses d’investissement restent à un niveau de plusieurs dizaines de milliards.

Deuxièmement, les projets de monétisation directe – abonnements à Meta One, messageries payantes via WhatsApp, le service Business Agent – doivent se développer au-delà des limites d’une erreur de calcul. Ces services ne doivent pas remplacer les publicités. Ils doivent prouver que Meta peut créer une source de revenus non liée aux publicités, en s’appuyant sur son infrastructure d’IA, et que ce revenu peut atteindre une taille significative. C’est un projet à long terme, et non à courte durée.

Du point de vue de l’architecture, si Muse Glimmer et ses successeurs deviennent le modèle de prédiction par défaut pour l’IA sur appareil – c’est-à-dire l’« Android » des flux de travail d’agents – Meta obtient une sorte de barrière concurrentielle différente. Ce n’est pas une barrière liée aux revenus, mais plutôt une barrière liée à la plateforme. Les développeurs qui créent des flux de travail d’agents en utilisant les modèles ouverts de Meta génèrent des coûts de transition qui finissent par contribuer au écosystème de Meta, même si cette connexion est indirecte.

Où va le capital

Avec un ratio P/E de près de 21, Meta n’est plus l’entreprise d’infrastructure IA à valeur profonde qu’elle était il y a deux ans, aux prix de 300 dollars. Le capitalisation boursière de 1,5 trillion de dollars reflète déjà une entreprise qui maintiendra une croissance significative dans le domaine publicitaire, tout en développant progressivement des sources de revenus non liées à la publicité. La action est cotée en fonction de son potentiel de performance, et non en raison d’un miracle.

Je pense que la stratégie ouverte de Meta est solide sur le plan architectural. L’entreprise se trouve sur la bonne voie pour la transition entre l’entraînement et l’inférence. Le système d’écosystème qui existe autour des modèles Llama et Muse est une décision à long terme qui se révèle rentable sur cinq ans, et non sur cinq trimestres. La compression des marges et l’augmentation des investissements en capital sont les coûts associés à cette décision, mais ce n’est pas une preuve que cette décision soit incorrecte.

Mais le coût de cette mise en jeu est réel. Avec une diminution du flux de trésorerie gratuit, des marges d’exploitation sous pression, et le cours de l’action qui a déjà chuté de 24 % au cours de l’année écoulée, le profil risque/rendement a changé. La question n’est pas de savoir si la stratégie de Meta sera efficace dans le contexte du cycle de l’IA. Il s’agit plutôt de savoir si les fonds investis pour mettre cette stratégie en œuvre rapportent bien leurs investissements, par rapport aux autres options disponibles.

Pour les détenteurs existants avec une période de temps pluriannuelle, la thèse reste valable. Mais elle est pondérée par des facteurs externes ; l’épreuve difficile à surmonter en 2026 et 2027 est probablement la partie la plus difficile de la courbe. Des fonds nouveaux à ce niveau doivent être prêts à accepter que l’entreprise dépense plus d’argent en infrastructures que ce qu’elle peut gagner grâce au flux de trésorerie libre. Il s’agit donc d’une affirmation de confiance, et non d’une évaluation de la valeur de l’entreprise.

Le point de rupture est simple : si la croissance des revenus publicitaires drivés par l’IA ralentit en dessous de la douzaine et demie, tandis que les dépenses d’investissement restent supérieures à 80 milliards de dollars par an, alors les économies ne fonctionneront pas. Si la croissance des revenus publicitaires reste à leur niveau actuel, et si les revenus non liés aux publicités atteignent même 3-5 % du total d’ici 2028, alors les dépenses d’infrastructure sembleront raisonnables. Les prochaines états financiers nous diront quel chemin nous suivons.