L'agent Muse de Meta mélange les conversations d'autres comptes et affiche aux employés des soldes bancaires
L'agent Muse de Meta, lancé en septembre, mélange les conversations de différents comptes, selon Reuters. Des employés de l'entreprise ont écrit dans des publications internes que l'agent leur envoyait des messages sur des commandes et des conseils de carrière qu'ils n'avaient pas demandés. À l'un d'eux, il a communiqué au milieu d'une discussion sur la météo les soldes de comptes bancaires, à hauteur de 2 722,58 $ et 5 899,57 $. La leçon pour les créateurs d'agents est claire : l'isolation des données entre utilisateurs doit être vérifiée avec la même rigueur que les droits d'accès.
Traité par IA depuis TechCrunch ; édité par Hamidun News
Imaginez que vous demandez à un assistant la météo et les marées, et qu'il ajoute à la fin : « Au fait, votre compte Capital One affiche 2 722,58 $, et votre compte Charles Schwab 5 899,57 $ ». Le problème, c'est que ces comptes ne sont pas les vôtres. C'est exactement l'histoire que décrit un employé de Meta dans une publication interne, citée par Reuters. Il s'agit de l'agent IA Muse, que l'entreprise a lancé en septembre.
Ce qui s'est passé
Reuters a consulté les messages internes des employés de Meta. Ceux-ci se plaignaient que Muse mélange les conversations de différents comptes et affiche les données personnelles d'autres personnes. Selon eux, l'agent envoyait des messages concernant des demandes de recherche de baby-sitter que personne n'avait formulées. Il donnait des conseils de carrière que personne ne demandait et signalait des commandes de produits que ces personnes n'avaient pas passées. Il citait aussi les soldes de comptes bancaires qui n'appartenaient pas à ces utilisateurs.
Le cas le plus parlant est celui de la conversation sur la météo et les marées. Au milieu d'une réponse ordinaire, Muse a soudain ajouté « BTW, two bank updates » et énuméré deux soldes. Une autre employée utilisait l'agent sur son téléphone personnel. Muse lui a rappelé de répondre à sa sœur sur Signal, une messagerie populaire à chiffrement de bout en bout. Elle a écrit dans sa publication que cela ressemblait à une grave atteinte à la vie privée. Selon elle, elle n'avait certainement pas donné à l'agent l'accès à d'autres applications et ne se souvient pas qu'on le lui ait demandé.
Il faut distinguer deux questions. La première : à qui appartenaient ces données, autrement dit fuient-elles d'une personne à l'autre ? La seconde : à quoi l'agent a-t-il accès sur l'appareil ? La publication montre clairement que les employés ont vu dans leurs conversations des informations qui ne leur appartenaient pas. Ce qui a dysfonctionné à l'intérieur de Muse n'est pas précisé. Meta n'a pas encore répondu à la demande de TechCrunch, si bien que toutes les conclusions sur les causes restent des hypothèses.
Pourquoi c'est important
Muse est l'une des applications dont la croissance a été la plus rapide : selon TechCrunch, elle dépasse les 10 millions de téléchargements. Tant que l'agent restait un jouet pour passionnés, de tels dysfonctionnements n'auraient été qu'une curiosité. Désormais, il traite les messages, les commandes et les informations financières de millions de personnes. Toute erreur dans la séparation des contextes devient une fuite de données personnelles.
Les agents se distinguent des chatbots classiques par leur mémoire et leur accès à des services externes : messagerie, applications de communication, notifications bancaires. Plus il y a de sources connectées, plus l'erreur coûte cher. Un chatbot classique qui dysfonctionne se contente de répondre à côté. Un agent qui a accès à plusieurs sources peut introduire dans la conversation le courrier ou le solde bancaire de quelqu'un d'autre.
La question du consentement est un autre enjeu. Les propos de l'employée, qui affirme ne pas se souvenir d'avoir demandé l'accès à d'autres applications, révèlent un problème d'interface. Même si l'autorisation a été techniquement obtenue, l'utilisateur doit savoir précisément ce que l'agent lit et quand.
Ce qu'il faut faire quand on conçoit des agents
Cette affaire permet de tirer plusieurs enseignements pratiques. Ce sont des règles d'ingénierie générales, et non une analyse du fonctionnement interne de Muse.
- Séparez la mémoire et le contexte des utilisateurs au niveau du stockage, et pas seulement dans le prompt. On ne peut pas charger le modèle de « ne pas montrer ce qui appartient à d'autres ».
- Vérifiez la source de chaque fait avant que l'agent ne l'insère dans une réponse. Les données doivent être rattachées à un compte précis, et chaque requête vers un outil doit porter son identifiant.
- Testez séparément les fuites entre comptes : créez plusieurs profils de test avec des marqueurs uniques dans les données et vérifiez que ces marqueurs n'apparaissent pas chez les autres.
- Demandez explicitement l'accès aux sources sensibles, dans un langage compréhensible, et n'affichez pas les données financières sans demande directe de l'utilisateur.
- Préparez à l'avance un processus de réaction : journaux d'événements, désactivation rapide de la fonctionnalité et notification des utilisateurs.
Meta devra vraisemblablement expliquer publiquement comment ces dysfonctionnements se sont produits et combien d'utilisateurs ordinaires ont été touchés. Pour l'instant, les messages des employés montrent seulement que l'entreprise y a été confrontée sur des appareils internes. Pour toute l'industrie, le signal est simple : plus un agent se développe vite, plus une isolation des données négligée coûte cher.
- 21 nov. 2026La Californie poursuit OpenAI : ses agents d'IA sont sortis de leur cadre au moins 80 fois
- 21 nov. 2026Meta prépare Muse Charm, un tamagotchi IA à 300 $ avec un an de 5G Verizon
- 21 nov. 2026MLCommons se met à mesurer les API d'IA sous charge réelle : 7 mesures pour les agents
- 21 nov. 2026Unsloth met à jour ses versions compressées de Qwen3.8-27B : précision en hausse de 5 à 10 % à taille égale
Questions clés sur cet article
Que sait-on sur Ce qui s'est passé ?
Reuters a consulté les messages internes des employés de Meta. Ceux-ci se plaignaient que Muse mélange les conversations de différents comptes et affiche les données personnelles d'autres personnes. Selon eux, l'agent envoyait des messages concernant des demandes de recherche de baby-sitter que personne n'avait formulées. Il donnait des conseils de carrière que personne ne demandait et signalait des commandes de produits que ces personnes n'avaient pas passées.
Pourquoi c'est important?
Muse est l'une des applications dont la croissance a été la plus rapide : selon TechCrunch, elle dépasse les 10 millions de téléchargements. Tant que l'agent restait un jouet pour passionnés, de tels dysfonctionnements n'auraient été qu'une curiosité. Désormais, il traite les messages, les commandes et les informations financières de millions de personnes. Toute erreur dans la séparation des contextes devient une fuite de données personnelles.
Que sait-on sur Ce qu'il faut faire quand on conçoit des agents ?
Cette affaire permet de tirer plusieurs enseignements pratiques. Ce sont des règles d'ingénierie générales, et non une analyse du fonctionnement interne de Muse. Séparez la mémoire et le contexte des utilisateurs au niveau du stockage, et pas seulement dans le prompt. On ne peut pas charger le modèle de « ne pas montrer ce qui appartient à d'autres ». Vérifiez la source de chaque fait avant que l'agent ne l'insère dans une réponse.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.