Meta
recommandation de fil et de video par IA (modeles a grande echelle / LLM)
Les modeles de recommandation IA de Meta ont ajoute +5% de temps passe sur Facebook et +6% sur Instagram au Q2 2025, puis +7% de vues de posts organiques feed et video au Q4 2025.
L'essentiel
- Rearchitecture des systemes de ranking et recommandation de fil et video par IA.
- Modeles de ranking a grande echelle proprietaires, avec approches type LLM.
- +5% de temps passe sur Facebook et +6% sur Instagram au Q2 2025.
- Preuve A, statut confirme, gains reconfirmes trimestre par trimestre.
Objectif
Augmenter le temps passe et l'engagement sur Facebook, Instagram et Threads en montrant a chaque utilisateur davantage de contenu pertinent, ce qui alimente directement l'inventaire publicitaire et le revenu.
Le déploiement
Meta a rearchitecture ses systemes de ranking et de recommandation avec des modeles de plus grande echelle, incluant des approches type LLM appliquees au classement du fil et de la video. L'objectif est de mieux predire ce que chaque utilisateur va trouver interessant. Les gains sont mesures en points de temps passe et de vues, et communiques trimestre par trimestre en resultats.
Résultats Preuve A
Chiffres enonces par Mark Zuckerberg lors de l'earnings call Q2 2025 (rapportes par la presse) et repris/complet dans une communication officielle Meta pour Q4 2025. Resultats d'une societe cotee, attribues explicitement aux ameliorations des systemes de recommandation.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Modeles de ranking proprietaires Meta Deep learning de recommandation a grande echelle qui classe les contenus candidats du fil et des Reels ; ML proprietaire de Meta, non commercialise.
- llm Architectures type LLM appliquees au ranking Approches de type LLM utilisees pour le classement du fil et de la video selon Meta ; le modele exact n'est pas nomme publiquement.
- infra Infrastructure ML interne Meta Serving du scoring en temps reel a chaque chargement de fil et entrainement sur les logs d'interactions.
Comment ça tourne, concrètement
Pour les équipes ops-
1Collecte des interactions site_app / equipe data
Vues, temps passe, likes, partages, commentaires sont journalises par utilisateur et par contenu.
-
2Ranking du fil IA
Les modeles a grande echelle classent les contenus candidats pour maximiser la pertinence predite.
-
3Rendu personnalise site_app
Chaque utilisateur voit un fil et des Reels ordonnes pour lui sur Facebook, Instagram ou Threads.
-
4Mesure et iteration equipe data
Les gains de temps passe et de vues sont mesures et rapportes ; les modeles sont iteres au trimestre.
Le temps passe et les interactions par utilisateur, qui servent d'objectif d'optimisation et de mesure. Sans ce signal en continu, les modeles de ranking ne peuvent ni s'entrainer ni prouver leur gain.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- logs d'interactions par utilisateur a grande echelle
- catalogue de contenus indexe
- signaux d'engagement explicites et implicites
Prérequis orga
- equipe ML de ranking
- infra de serving temps reel massive
- capacite d'experimentation trimestrielle
Stack possible
- custom/in-house
- modeles de recommandation a grande echelle
- architectures type LLM pour le ranking
Le plan, étape par étape
- Étape 1Etablir une mesure fiable du temps passe et des vues par utilisateur, et poser un cadre d'A/B testing sur le fil.Livrable : Tableau de bord d'engagement et protocole d'experimentation valides.
- Étape 2Construire le pipeline de logs d'interactions et une baseline de ranking mesuree en production.Livrable : Baseline documentee avec ses metriques de reference.
- Étape 3Entrainer des modeles de recommandation plus lourds sur les interactions et les evaluer hors ligne contre la baseline.Livrable : Modele candidat battant la baseline en evaluation offline.
- Étape 4Lancer l'A/B en production sur une fraction du trafic et mesurer temps passe et vues.Livrable : Readout d'experience avec gain significatif ou decision d'arret.
- Étape 5Generaliser le modele gagnant et installer des iterations trimestrielles.Livrable : Gains de temps passe et de vues suivis et rapportes par trimestre.
Première étape : Etablir une mesure fiable du temps passe et un cadre d'A/B testing avant d'investir dans des modeles de ranking plus lourds.
Le même pattern, prouvé dans d'autres industries
Boots
scoring par machine learning de la propension a utiliser une offre, applique au courrier et a l'app
Michaels
personnalisation genAI du message marketing (copy) a l'echelle, calee sur la voix de marque
Nike
offres et acces exclusifs personnalises selon l'engagement et l'historique membre
Sources
- S1 Zuckerberg: AI increased the time spent on Facebook and Instagram in Q2 (TechCrunch, earnings Q2 2025) Presse établie archive à générer
- S2 2026: AI Drives Performance (About Meta) Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.