Meta Muse : l’IA dépasse 10 millions d’utilisateurs

La fréquence d'utilisation donne un signal plus intéressant

Mark Zuckerberg affirme qu'environ 25 % des personnes ayant configuré Muse l'utilisent chaque jour. La précision est importante : le dénominateur, ce sont les personnes qui ont configuré l'application, pas l'ensemble des inscrits, ni ceux qui l'ont seulement téléchargée. Dit autrement, Meta essaie surtout de mesurer une activité récurrente, pas juste le volume de comptes créés.

Pour une équipe produit, c'est un point central. Une inscription, c'est un moment. Une habitude, c'est quelque chose qui se répète. Si l'assistant sert à faire une tâche régulière (préparer une journée, retrouver une info dans sa boîte mail, comparer un achat), il y a une raison de garder l'outil ouvert. À l'inverse, une expérience impressionnante mais ponctuelle peut générer beaucoup de curiosité sans créer de fidélité.

Le chiffre annoncé ne permet pas, à lui seul, de savoir si la rétention tient dans la durée : durée des sessions, proportion d'usages « utiles » vraiment réguliers, et répartition de l'activité entre les profils. Ces éléments, suivis sur plusieurs mois, aideront à distinguer une vraie adoption d'un pic lié au lancement.

Le « product-market fit » reste une affirmation de l'entreprise

Zuckerberg dit que Muse a atteint le « product-market fit », autrement dit une adéquation entre le produit et un besoin de marché. L'idée est forte, mais elle doit être lue avec le reste du discours : Meta explique aussi que l'étape suivante consiste à faire progresser l'agent, augmenter ses revenus et réduire ses coûts de calcul.

Dans la réalité, l'adéquation au marché n'est pas un verdict définitif. Elle se confirme quand un groupe de clients revient spontanément, comprend la valeur du produit et accepte un modèle économique viable. Pour Muse, la question n'est donc pas seulement « est-ce que l'appli sait faire des tâches ? », mais « est-ce qu'elle le fait assez bien et assez souvent pour devenir un réflexe ? ».

Le cap des 10 millions indique surtout un début d'intérêt et de distribution. La fréquence d'usage donne un indice d'engagement. Ni l'un ni l'autre ne prouve encore la rentabilité ni une satisfaction durable. Le vrai sujet est précisément ce qui vient après.

L'achat moyen annoncé dépasse 200 dollars pour un segment précis

Zuckerberg indique qu'au sein des utilisateurs engagés de Muse qui font des achats via l'agent, plus d'un quart ont un panier moyen supérieur à 200 dollars. Ce n'est pas la dépense moyenne de l'ensemble des utilisateurs de Muse, et ce n'est pas non plus la taille typique de chaque achat. Le chiffre concerne un sous-groupe défini par un niveau d'engagement et par l'usage du shopping.

La nuance reste importante, mais le signal est parlant. Des paniers plus élevés peuvent rendre l'offre plus attractive commercialement : si l'agent contribue à une transaction, la plateforme peut envisager une commission sur le commerce généré. Meta dit vouloir garder Muse gratuit pour la plupart des utilisateurs, tout en prenant une part sur les achats réalisés via la plateforme. Les utilisateurs les plus actifs pourraient, eux, payer pour accéder à des modèles plus avancés ou à davantage de « jetons ».

Pour que ce modèle tienne, l'agent doit apporter une valeur que l'on peut identifier, au client comme au vendeur : gagner du temps dans la recherche, aider à comparer, guider vers un bon produit. Mais si les recommandations favorisent surtout ce qui rapporte le plus à Meta, la qualité du conseil se dégrade. Le problème n'est pas uniquement la pertinence de la recommandation : c'est aussi la transparence sur les intérêts commerciaux qui orientent l'agent.

Zuckerberg a aussi évoqué le rôle de Plaid, un connecteur qui permet à Muse d'interagir avec des services financiers liés aux achats. Meta affirme que Plaid aurait constaté une activité « inhabituelle » sur ce connecteur par rapport à d'autres services. Cette observation ne donne pas de détails publics sur le volume, les catégories d'achats ou la façon dont les comparaisons sont faites. Elle illustre en tout cas l'ambition de Meta : passer d'une logique « rechercher des infos » à une logique « déclencher une action ».

La productivité personnelle suppose un niveau de confiance supérieur

Parmi les autres usages populaires, Meta cite des tâches de productivité, notamment la connexion de Muse aux courriels et aux calendriers. Là encore, l'idée est assez directe : retrouver une invitation, résumer un échange, organiser une journée. Mais la valeur dépend des permissions accordées et du niveau de contrôle que l'utilisateur garde.

Connecter un calendrier n'équivaut pas à donner accès à toutes les données personnelles. Pourtant, ça pose une question pratique : qu'est-ce que l'agent peut réellement lire, conserver, ou utiliser pour répondre ? Les entreprises qui déploient des outils similaires doivent se poser les mêmes questions, surtout quand il s'agit de comptes professionnels. Un assistant performant mais trop largement autorisé devient vite un risque - pas juste un gain.

Meta affirme que l'adoption de ces fonctions reflète la confiance accordée à son dispositif de sécurité. L'entreprise cite « Muse Secure VM », présenté comme une façon de protéger les données et la vie privée, et annonce une future « Muse Confidential VM » censée empêcher Meta de voir le contenu des utilisateurs. Ce sont des éléments décrits par la société : ils ne remplacent pas une documentation technique indépendante ni une évaluation complète du traitement des données.

En France et, plus largement, dans l'Union européenne, un assistant connecté à des données personnelles doit aussi être examiné au regard du RGPD : finalité, minimisation des données, durée de conservation, information de l'utilisateur, sécurité. Le cadre européen ne transforme pas automatiquement un produit en service conforme ; la conformité dépend de la façon dont la fonctionnalité est conçue et utilisée. La confiance ne se décrète pas avec des arguments marketing : elle se construit avec des garanties vérifiables et des contrôles compréhensibles.

Trois leviers de revenus, avec des arbitrages différents

Le modèle évoqué par Meta repose sur plusieurs sources de revenus possibles :

• Les commissions sur les transactions, si l'agent facilite un achat.
• Les abonnements ou des options payantes, pour les utilisateurs qui veulent des modèles plus avancés ou plus de jetons.
• La valeur de l'écosystème, si Muse augmente l'usage des applications et des appareils de Meta.

Rien n'est simple. Une commission peut pousser vers le « meilleur pour la plateforme » plutôt que vers le meilleur choix pour l'utilisateur. Un abonnement peut limiter l'accès aux fonctions les plus performantes et rendre la proposition moins claire. Enfin, intégrer Muse à un écosystème peut améliorer la distribution, mais rendre l'évaluation de la rentabilité propre de l'application plus difficile.

Zuckerberg a aussi dit que Muse pourrait, à terme, générer plus de revenus par utilisateur que la « famille d'applications » de Meta (Facebook, Instagram, WhatsApp, Messenger). Il a évoqué des revenus annuels de plusieurs centaines de dollars par utilisateur pour comparer. Mais il faut traiter ce chiffre comme une position de la direction : ce n'est pas un revenu déjà constaté par Muse. Pour comparer correctement, il manque encore la période, le périmètre exact et la méthode de calcul.

La baisse des coûts est une condition, pas un détail technique

Meta prévoit d'améliorer de plus de dix fois l'efficacité des coûts de calcul de Muse au cours de l'année suivante. L'entreprise estime que cette baisse rendra l'agent rentable une fois que les revenus auront atteint une échelle suffisante. Comme toujours, ce sont des projections : leur réalisation dépendra des progrès techniques, du volume d'usage et du coût des infrastructures.

La logique est claire, mais l'exécution est plus délicate. Réduire les coûts peut passer par des modèles plus efficaces, une meilleure répartition du travail entre modèles, du matériel optimisé, ou une limitation du calcul pour les demandes simples. Chaque option a ses compromis : moins coûter peut aussi vouloir dire moins performant sur certains cas ; une réponse plus rapide ne sert à rien si elle est fausse ; une architecture très optimisée demande aussi de la maintenir dans le temps.

Meta dit construire une capacité pour servir plus d'un milliard de personnes dans les prochaines années. L'ambition rappelle une évidence : l'infrastructure fait partie du produit, pas un poste secondaire. Pour un acteur français ou européen, la leçon n'est pas de « copier » les investissements de Meta. Elle est plutôt de mesurer le coût par tâche utile et d'éviter de déployer un agent trop cher quand l'automatisation ne crée pas un gain vérifiable.

Des lunettes utiles seulement si l'assistant répond à un besoin réel

Les lunettes peuvent donner à un assistant un accès plus direct au contexte : une question posée à voix haute, une info consultée sans sortir le téléphone, des interactions mains libres. Mais ajouter un modèle d'IA à un appareil ne suffit pas à créer une raison de l'utiliser. Il faut un problème concret, une fiabilité réelle, et une expérience acceptable dans l'espace public.

Dès qu'on touche à l'image, à la voix, ou à ce qui se passe autour du porteur, les enjeux de vie privée deviennent plus sensibles. En Europe, les attentes réglementaires et sociales sont élevées. La conception doit donc jouer autant sur les limites (capture, réglages, indicateurs) que sur la qualité de l'assistant. Une démo impressionnante ne dit pas encore si l'expérience est adaptée au café, au bureau ou dans les transports.

Le « réseau Muse » déplace la question vers les interactions entre agents

Zuckerberg a aussi parlé d'un « réseau Muse » : l'idée serait de faire passer l'agent d'un usage individuel à des interactions entre assistants, par exemple entre amis ou au sein d'une famille. Il a donné l'exemple d'un achat où l'utilisateur ne se contenterait pas d'aller sur le site d'un commerçant : il discuterait avec l'agent de ce commerçant.

Cette vision ouvre une étape supplémentaire. Si deux agents négocient ou échangent des informations, il faut clarifier qui les contrôle, quelles données ils partagent, comment l'utilisateur valide une action et qui porte la responsabilité en cas d'erreur. L'agent d'un commerçant sert les objectifs du commerçant ; l'assistant personnel est censé aider l'utilisateur. Les intérêts ne coïncident pas toujours.

Pour les entreprises françaises, cette évolution pourrait, à terme, changer la façon dont les clients découvrent les produits. Être bien référencé dans un moteur de recherche ne suffira peut-être pas : il faudra aussi des catalogues de données fiables et exploitables par des agents. Mais investir dans cette hypothèse avant que les usages et les standards ne se stabilisent peut être trop tôt. Une approche pragmatique consiste à commencer par des données produit propres, des politiques de prix claires et un parcours d'achat compréhensible pour un humain - et pour un outil automatisé.