Chaque fois que tu ouvres Instagram ou Facebook, un modèle ML — un système mathématique entraîné sur des montagnes de données — décide quelles pubs tu vois et combien les annonceurs paient. Cette machine invisible rapporte à Meta environ 160 milliards de dollars par an. Derrière, une armée d'ingénieurs ajuste en permanence les modèles de ranking : lancer des expériences, tester des idées, débugger des crashs, recommencer. Fastidieux. Cher. Lent.

Le problème ? Chaque modèle nécessite environ deux ingénieurs dédiés juste pour continuer à l'améliorer. Multiplie ça par des dizaines de modèles, et tu brûles des effectifs sur du travail répétitif qui suit le même schéma à chaque fois.

Le 17 mars 2026, le blog d'ingénierie de Meta a discrètement publié les détails de REA — le Ranking Engineer Agent. Pas un chatbot. Pas un autocomplete de code. Un agent IA autonome qui exécute l'intégralité du cycle de machine learning — tout le processus de l'hypothèse au modèle entraîné — pour le ranking publicitaire. Il génère des idées, lance des jobs d'entraînement, débugge les échecs quand ça plante, et itère sur les résultats. Pendant des jours. Des semaines. Sans qu'un humain touche le clavier.

REA tourne sur Confucius, le framework d'agents interne de Meta (pense à un système d'exploitation qui maintient l'agent en vie et organisé). L'astuce clé est ce que Meta appelle un ' mécanisme d'hibernation et de réveil '. Quand un job d'entraînement démarre et prend des heures ou des jours, REA s'éteint. Quand le job se termine, il se réveille, lit les résultats et décide quoi faire ensuite. Ce n'est pas un chatbot qui fait semblant de se souvenir de la conversation d'hier. C'est un agent avec une vraie persistance — la capacité de survivre aux redémarrages, aux crashs et aux workflows de plusieurs semaines.

Le cerveau fonctionne sur deux pistes simultanément. D'abord, une base de données d'insights historiques — chaque expérience passée, ce qui a fait bouger les métriques, ce qui a foiré. Ensuite, un agent de recherche qui parcourt les papiers ML de pointe et fait remonter des configurations qu'aucun ingénieur humain n'aurait l'idée d'essayer par expérience seule. REA fusionne les deux en propositions d'expériences, puis exécute en trois phases : Validation (tester les idées individuelles en parallèle), Combinaison (fusionner les gagnantes, chercher les synergies inattendues), et Exploitation (miser à fond sur les meilleurs candidats). L'agent estime les coûts en GPU — le prix des calculs sur du matériel spécialisé — avant chaque phase et s'arrête quand le budget est épuisé. Pas de factures cloud qui explosent.

Les ingénieurs humains existent toujours dans la boucle, mais leur job a changé. Ils définissent la direction stratégique, approuvent les budgets et examinent les propositions de REA aux points de contrôle.

Les chiffres du premier déploiement en production sur six modèles : REA a doublé la précision moyenne des modèles par rapport à la baseline. Trois ingénieurs utilisant REA ont livré des propositions d'amélioration pour huit modèles — un travail qui nécessitait auparavant seize ingénieurs. Chaque ingénieur est passé d'une proposition d'amélioration à cinq dans le même laps de temps. Ce n'est pas ' l'IA t'aide à coder plus vite '. C'est ' l'IA fait l'ingénierie pendant que tu regardes '.

Mais parlons des compromis. Meta a construit un agent IA qui améliore le système IA qui génère la quasi-totalité du chiffre d'affaires de Meta. La récursion — l'IA qui optimise l'IA qui fait l'argent — est bien réelle et un brin flippante. Et ça met en lumière le gouffre entre les démos d'agents et les agents en production. La plupart des frameworks d'agents — l'échafaudage que les développeurs utilisent pour construire des agents IA — s'écroulent après une seule session. REA tourne pendant des semaines. La plupart des agents hallucinent quand ils rencontrent des erreurs. REA débugge les échecs d'entraînement et réessaie. Le pattern d'hibernation-réveil est l'innovation ennuyeuse mais critique : un agent qui ne survit pas à un redémarrage serveur, c'est un jouet.

Si tu construis des agents IA ou que tu les évalues pour ton équipe, la leçon ne porte pas sur l'intelligence. Le vrai problème n'a jamais été ' rendre l'IA intelligente '. C'était ' faire en sorte que l'IA bosse du mardi au vendredi sans que quelqu'un la surveille '. REA résout ça avec une hibernation délibérée et un réveil structuré — pas en gardant un processus vivant éternellement.

Meta vient de prouver que des agents autonomes peuvent faire de l'ingénierie soutenue, sur plusieurs semaines, sur le système qui finance l'ensemble de l'entreprise. Pas dans une démo. Pas sur un benchmark. En production, sur la machine publicitaire à 160 milliards de dollars. L'IA fait l'ingénierie de l'IA maintenant. Et les ingénieurs qui faisaient ce travail avant ? Ils ont été promus superviseurs — qu'ils l'aient demandé ou non.