Meta renonce au "token maxxing" pour noter ses ingénieurs

Au printemps 2026, certains ingénieurs de Meta se sont retrouvés à « gamifier » l’IA plus que leur propre travail : l’enjeu n’était plus seulement de shipper du code, mais de faire grimper des compteurs de tokens pour rester bien classés. Quelques mois plus tard, la direction coupe net : les tableaux de bord d’usage d’IA et les labels internes « AI Native » disparaissent des grilles d’évaluation. Ce retrait partiel n’est pas un désaveu de l’IA, mais un ajustement brutal d’une expérimentation sociale à l’échelle de dizaines de milliers d’ingénieurs. L’histoire est importante pour tout le secteur : elle montre jusqu’où une grande plateforme est prête à aller pour pousser l’adoption de ses agents d’IA… et où elle est obligée de s’arrêter quand la culture et la qualité du code commencent à en pâtir.

De l’euphorie "AI Native" à la marche arrière de 2026

Meta a testé l’idée que « ce qui compte, c’est combien tu travailles avec l’IA » avant de réaffirmer que « ce qui compte, c’est ce que tu produis ».

Fin 2025 et début 2026, Meta met en place un système interne où les ingénieurs sont catégorisés selon leur usage des outils d’IA maison : des labels comme AI Native, AI First ou AI Enabled sont associés aux profils, avec l’idée de récompenser ceux qui intègrent l’IA partout dans leurs workflows. Les tableaux de bord internes remontent alors des métriques très fines : nombre de requêtes, volumes de tokens consommés, fréquence d’appel des agents sur les dépôts Git, etc.

Au fil du cycle d’évaluation 2025-2026, ces indicateurs commencent à compter dans les revues de performance. Des mémos internes évoquent explicitement des notions d’AI-driven impact comme « core expectation » pour les salariés techniques, même si la pondération exacte varie selon les équipes. Des témoignages d’employés décrivent une période de « token maxxing », où l’on juge négativement un ingénieur qui shippe du bon code mais consomme peu d’IA par rapport à ses pairs.

En septembre 2026, nouvelle consigne officielle adressée aux ingénieurs :

Les performances ne seront plus évaluées en fonction de la quantité d’IA utilisée.

Les tableaux de bord d’adoption d’IA et les volumes de tokens ne doivent plus servir à évaluer « l’impact » des individus. La direction demande aux managers de revenir à des critères classiques : qualité des livrables, vitesse d’exécution, complexité et ampleur des problèmes traités.

> 💡 À retenir : en moins d’un an, Meta est passée d’un discours où l’IA devait devenir un critère central de carrière à une ligne officielle où l’IA n’est plus qu’un moyen parmi d’autres d’atteindre de l’impact.

Pourquoi l’évaluation par l’IA a dérapé : trois effets pervers

Quand on paie les ingénieurs en réputation interne sur la base de leur usage d’IA, on optimise la métrique, pas forcément le produit.

1. Le "token maxxing" a créé de mauvais incitatifs

Pour pousser l’adoption, Meta a d’abord relié de manière explicite l’usage intensif d’IA à une image positive dans l’entreprise. Résultat : des comportements opportunistes apparaissent.

Des employés décrivent notamment :

• des requêtes fragmentées en plusieurs appels pour gonfler artificiellement les tokens,
• des usages d’IA sur des tâches triviales, juste pour « cocher la case »,
• une pression implicite à passer par les agents Meta même quand un script maison ou un outil open source serait plus adapté.

L’entreprise constate en parallèle que cette hyper-focalisation sur le volume d’IA ne se traduit pas par une hausse proportionnelle de la qualité des features en production. La promesse interne d’augmentation massive de productivité (jusqu’à x5 de « capacité modèle par ingénieur » sur certains projets d’IA) ne se retrouve pas dans tous les segments de code produit.

> 💡 À retenir : l’indicateur le plus facile à mesurer (les tokens) est devenu le plus visible, mais pas le plus corrélé à la valeur créée.

2. Des signaux de qualité de code difficiles à automatiser

Une autre limite tient à la nature même du travail d’ingénierie chez Meta : une grande partie de la valeur se joue sur des chantiers où l’output ne se résume pas à des lignes de code générées.

Les systèmes automatiques internes peuvent :

• mesurer combien de requêtes d’IA ont été faites sur un repo,
• analyser mécaniquement le style ou la complexité apparente d’un diff,
• vérifier le passage de tests unitaires et d’intégration.

Ils ont beaucoup plus de mal à évaluer, sans supervision humaine :

• la robustesse d’un design à long terme,
• l’alignement avec les contraintes produits et légales,
• la clarté d’une API pour d’autres équipes,
• la capacité à débloquer une squad entière par un refactor ciblé.

Des ingénieurs rapportent que certaines contributions structurantes, peu visibles dans les compteurs d’IA (mentorat, architecture, chasse aux incidents complexes) semblaient dévalorisées par rapport à de gros volumes de code assisté.

3. Un coût politique et culturel croissant

Meta sort à peine de plusieurs cycles de restructurations et de gels d’embauche. Dans ce contexte, transformer l’IA en critère de survie de carrière crée une anxiété supplémentaire.

Des membres du personnel expriment deux craintes récurrentes :

• une forme de surveillance technique renforcée, via les dashboards d’usage d’IA,
• la peur que ceux qui ne se convertissent pas assez vite au « tout-IA » soient repérés comme non alignés.

Pour une entreprise en concurrence frontale avec d’autres géants de la tech sur le marché des talents, le risque de détériorer encore la confiance interne devient difficile à justifier par rapport aux gains incertains de l’évaluation automatisée.

Comment la nouvelle grille d’évaluation rebat les cartes… sans abandonner l’IA

Meta n’abandonne pas l’IA au travail, elle change simplement ce qu’elle récompense officiellement.

La nouvelle doctrine communiquée en 2026 aux managers techniques repose sur une idée simple :

Regardez ce qui est produit, pas comment c’est produit.

Concrètement, les attentes managériales sont reformulées autour de quatre axes :

• qualité du résultat : stabilité, absence de régressions, performance,
• vitesse d’exécution : temps de cycle entre spécification et mise en production,
• complexité des problèmes traités : niveau de difficulté technique ou produit,
• ampleur de l’impact : portée des changements sur les utilisateurs et les équipes.

La mention de l’IA reste présente mais sous une forme assouplie : le travail « peut être soutenu par l’IA ou d’autres moyens ». Autrement dit : un ingénieur qui livre un excellent résultat en écrivant tout à la main n’est pas pénalisé par rapport à un pair qui s’appuie massivement sur les outils internes, tant que l’impact est comparable.

L’"AI Performance Assistant" comme outil, pas comme juge

Pour le cycle d’évaluation couvrant 2025, Meta déploie un AI Performance Assistant interne.

Son rôle :

• aider les salariés à rassembler leurs accomplissements de l’année,
• suggérer des formulations pour les self-reviews,
• proposer une structuration des objectifs atteints et des métriques associées.

Meta autorise également l’usage de son assistant interne Metamate et de modèles externes comme Google Gemini pour préparer les documents de performance. Mais, selon les consignes communiquées aux équipes, l’usage ou non de ces assistants ne doit pas peser sur la note finale.

> 💡 À retenir : l’IA devient un copilote pour documenter et illustrer sa performance, mais pas un arbitre automatique qui attribue une note.

Meta, Google, Microsoft : trois philosophies d’IA dans les revues de performance

Les grands acteurs expérimentent des approches différentes pour intégrer l’IA dans les évaluations d’ingénieurs. Ce tableau résume les grandes lignes publiques observables fin 2026.

Ce tableau ne s’appuie que sur des éléments publics, rapports de presse et communications d’entreprise. Les mécanismes internes détaillés restent largement opaques, mais une tendance se dessine :

• l’encouragement fort à adopter l’IA dans le travail quotidien,
• une réticence croissante à faire des compteurs d’usage un critère direct de performance individuelle,
• un recentrage sur des notions d’impact et de résultats visibles.

Ce que ces choix révèlent de la stratégie IA de Meta

Le recul sur l’évaluation par l’IA ne signifie pas que Meta se retire de la course, au contraire. Il s’agit plutôt d’un recalibrage pour protéger à la fois la qualité du travail et la crédibilité interne des produits d’IA.

Garder les ingénieurs comme clients crédibles des agents maison

Meta teste en interne des agents capables de :

• naviguer sur le web,
• manipuler d’autres applications,
• intervenir dans les pipelines de développement.

Pour ces produits, les ingénieurs sont à la fois :

• des utilisateurs intensifs,
• des beta testeurs capables de repérer les limites de robustesse,
• des prescripteurs auprès des autres métiers.

S’ils ont le sentiment que l’entreprise leur impose ces outils via la revue de performance, leur feedback devient suspect : difficile de distinguer ce qui est réellement utile de ce qui est fait pour rentrer dans la norme. En réaffirmant que l’usage d’IA ne sera pas compté comme KPI individuel, Meta se donne une chance de retrouver un feedback plus honnête sur ses agents.

Limiter le risque d’optimisation contre-productive des modèles

La période de « token maxxing » a montré un autre effet pervers :

• les flux d’usage internes ne reflètent plus seulement les besoins réels,
• ils sont biaisés par les incitations de carrière,
• les équipes IA risquent alors d’optimiser leurs modèles pour des patterns d’usage artificiels.

Pour un groupe qui vise des benchmarks ambitieux sur ses modèles maison (avec des gains annoncés de plusieurs fois la productivité par ingénieur sur certains chantiers de training), ce biais est dangereux : il fausse les signaux de product-market fit internes.

En débranchant les tokens de la carrière des ingénieurs, Meta espère rapprocher les métriques d’usage des comportements naturels, plus proches de ce que feront à terme les clients externes de ces agents.

Comment les ingénieurs réagissent et ce que ça change concrètement

Pour un ingénieur Meta, le changement le plus concret tient en une phrase :

Il n’est plus nécessaire de prouver qu’on est « AI Native » par des chiffres d’usage pour obtenir une bonne évaluation.

Moins de pression sur la forme, plus de pression sur l’impact

Dans les faits, cela se traduit par :

• moins de temps passé à se demander s’il faut « passer par l’agent » pour chaque tâche,
• plus d’attention portée à la qualité des MR, à la stabilité en production, aux indicateurs business,
• une possibilité assumée d’utiliser l’IA de manière opportuniste et ciblée, sans devoir remplir des quotas implicites.

Les managers, eux, récupèrent une marge de manœuvre :

• ils ne sont plus sommés d’interpréter des dashboards d’usage d’IA comme preuve d’engagement,
• ils peuvent à nouveau défendre des profils seniors dont l’apport principal est moins visible dans les compteurs (architecture, coaching, incidents critiques).

L’IA reste dans la boucle, mais au service de la narration de son travail

L’AI Performance Assistant et les assistants type Metamate sont intégrés dans le cycle d’évaluation comme des accélérateurs :

• préparation du self-review avec suggestion de formulations,
• agrégation automatique de tâches livrées, de tickets résolus, de MRs fusionnées,
• mise en forme de métriques clés (temps moyen de résolution, taux d’incident post-déploiement, etc.).

L’ingénieur reste responsable du fond :

• vérifier que la sélection d’exemples est pertinente,
• corriger les hallucinations ou erreurs factuelles de l’assistant,
• contextualiser l’impact pour son équipe et le produit.

> 💡 À retenir : Meta garde l’IA dans le processus d’évaluation, mais la place côté « productivité narrative » plutôt que côté jugement automatique.

Ce que les autres entreprises peuvent apprendre du cas Meta

L’expérience de Meta fournit un laboratoire à grande échelle pour toutes les équipes qui réfléchissent à « brancher de l’IA » sur la gestion de la performance.

Quelques enseignements se dégagent :

• Mesurer l’usage ≠ mesurer la valeur. Les tokens consommés captent l’intensité d’usage, pas l’impact produit.
• Les incitations créent les comportements. Faire de l’usage d’IA un KPI de carrière encourage les comportements d’optimisation de métrique.
• L’IA excelle comme outil de préparation, pas encore comme juge unique. Les assistants peuvent aider à collecter des preuves, à structurer des revues, mais peinent à appréhender la dimension humaine et stratégique du travail d’ingénierie.
• La confiance interne est un actif critique. Un système de notation ressenti comme injuste ou opaque autour de l’IA peut coûter plus cher en engagement qu’il ne rapporte en adoption technologique.

Pour des startups ou des scale-ups tentées d’imiter l’expérience de Meta en version plus petite, deux approches apparaissent plus robustes :

• utiliser l’IA pour soulager la charge administrative des revues (collecte de données, rédaction des synthèses) tout en gardant l’évaluation humaine au centre,
• suivre l’usage d’IA à des fins de formation et d’amélioration produit, pas comme score individuel officiel.

Notre avis : qui devrait copier Meta, et qui doit s’en inspirer à distance ?

La marche arrière de Meta sur l’évaluation des ingénieurs par l’IA ressemble à un avertissement adressé au secteur. Oui, il est tentant de tout quantifier — y compris à quel point vos développeurs « embrassent l’IA ». Mais transformer cette quantification en levier direct de carrière peut rapidement se retourner contre vous.

Pour les grandes organisations tech qui disposent déjà d’un socle solide de métriques d’ingénierie (temps de cycle, taux d’incidents, adoption fonctionnelle, etc.), la trajectoire la plus raisonnable ressemble aujourd’hui à celle esquissée par Meta :

• garder l’IA dans la boucle comme outil d’analyse et de documentation,
• renoncer à l’usage pur comme KPI individuel et revenir à des critères d’impact business et produit,
• assumer un pilotage managérial de la performance, appuyé par l’IA mais pas remplacé par elle.

Les plus petites structures, elles, ont intérêt à s’inspirer des erreurs plutôt que du modèle :

• partir d’abord de ce qu’est un « bon travail » dans leur contexte,
• introduire l’IA comme une aide pour atteindre ce standard,
• résister à la tentation d’en faire une métrique de conformité.

La question qui reste ouverte pour les six à douze prochains mois :

À quel moment verrons-nous émerger des systèmes hybrides où l’IA ne note plus les ingénieurs, mais aide les ingénieurs à challenger, en temps réel, la manière dont ils sont évalués ?

C’est peut-être là que se jouera la prochaine vraie rupture : non pas dans l’IA qui juge les humains, mais dans l’IA qui redonne aux humains plus de prise sur leur propre évaluation.