Meta хотіла скоротити команди до 60% і побудувати AI-native компанію. Project OT показав, чому людей не замінити одним наказом

Meta спробувала не просто додати AI в роботу — а перебудувати саму компанію

У великих корпораціях AI зазвичай починається з copilot: допомогти написати текст, код, презентацію або відповідь клієнту. За даними Reuters, Meta на початку 2026 року вирішила піти значно далі. Внутрішня ініціатива Project OT — Organization Transformation — мала перебудувати організацію навколо AI-native команд, де значну частину виконання беруть на себе агенти.

План був агресивним: розмір багатьох teams пропонувалося скоротити до 60%, а замість традиційних великих структур створити маленькі “pods”, які керують AI-агентами. Це не означає “звільнити 60% усіх працівників Meta”. Reuters описує зменшення розміру багатьох окремих команд до такого рівня, а не універсальну квоту для глобального headcount.

Project OT особливо цікавий тому, що Meta має майже ідеальні умови для AI automation: власні моделі, величезний compute, сильних інженерів, контроль над internal tooling і бюджет у сотні мільярдів доларів на infrastructure. Якщо навіть тут “замінити людей агентами” виявилося складніше за презентацію, це важливий сигнал для всього ринку.

Що пішло не так, за даними Reuters

Reuters повідомляє, що перед першою великою хвилею скорочень у травні Марк Цукерберг відмовився від запланованої другої хвилі на листопад. Серед причин — зростаюче employee unrest та внутрішні дані, за якими AI не дав очікуваного productivity uplift.

Паралельно виникали technical disruptions: агенти інтегрувалися в workflows швидше, ніж reliability, security та ownership встигали адаптуватися. Те, що в demo виглядало як “AI виконав задачу”, у production перетворювалося на питання: хто перевірив output, хто несе відповідальність, хто знає контекст і хто зупиняє workflow, коли agent помиляється?

Meta не опублікувала Project OT як офіційну public program, тому конкретні деталі плану потрібно читати як Reuters investigation, а не як офіційну заяву компанії. Водночас публічні матеріали Meta добре підтверджують загальний напрям: компанія сама називала 2026 роком, коли AI має трансформувати спосіб роботи, і паралельно розгортає agentic products та рекордну infrastructure.

Чому “60% менше людей” не означає “60% тієї самої роботи зробить AI”

Організація не є сумою незалежних tasks. У ній є coordination, tacit knowledge, escalation, prioritization, компроміси, історія продукту, неформальні залежності між командами та відповідальність за рішення. Частина цього ніколи не була записана в документації, тому agent просто не має звідки її “прочитати”.

Якщо скоротити team раніше, ніж цей контекст перетворено на systems, tests, policies і machine-readable constraints, automation не прибирає роботу — вона перекладає приховану роботу на людей, які залишилися. Один engineer тепер не тільки виконує свою задачу, а й перевіряє output кількох agents, розрулює edge cases і відновлює контекст, який раніше був розподілений між колегами.

AI productivity дуже легко виміряти неправильно

У coding benchmark можна порахувати tasks/hour. У компанії така метрика небезпечна. Agent може створити в десять разів більше pull requests, documents або experiments — і одночасно збільшити review load, incidents, duplicated work та architecture debt.

Правильна productivity metric має рахувати end-to-end outcome: скільки verified value дійшло до production, скільки часу забрав review, скільки regressions виникло, як змінився incident rate і чи не перенеслася робота з однієї команди в іншу.

Це той самий парадокс, що видно у Linux із AI-patches: дешево згенерувати більше “роботи” не означає збільшити пропускну здатність системи.

Інфраструктурний парадокс Meta: невдале скорочення не означає відмову від AI

Project OT не перетворив Meta на anti-AI компанію. Навпаки, офіційний Q2 outlook звузив очікуваний 2026 capex до $130–145 млрд. Компанія продовжує будувати гігантські data center campuses. Окремий El Paso project має потужність близько 1 GW і понад $10 млрд інвестицій Meta.

Стратегія не змінилася з “AI” на “без AI”. Змінилося розуміння того, де саме AI створює leverage. Infrastructure, models та agents залишаються центральними, але люди виявляються не тимчасовим костилем, який можна прибрати одразу після покупки GPU.

Meta сама змінила публічну мову

У серпні Meta опублікувала “The Future is for Everyone”, де superintelligence описується як інструмент персонального empowerment: agent працює 24/7 від імені людини та допомагає досягати її цілей. Це м'якша й практичніша модель, ніж “AI замінює організацію”.

У корпоративному дизайні це означає human-agent team: людина задає intent, приймає high-impact decisions і відповідає за результат; agent робить search, draft, coding, analysis, follow-up та routine execution. Це менш драматично, ніж масові layoffs, але часто економічно сильніше, бо leverage накопичується без одночасного руйнування institutional memory.

Що насправді означає AI-native company

Справжня AI-native компанія — не та, де мало людей. Це компанія, де processes спроектовані так, щоб agents могли діяти безпечно й перевірено. У неї є machine-readable policies, API замість ручних порталів, data contracts, observability, evals, approval gates, rollback та чіткий ownership.

Якщо цього немає, “AI-native” означає лише, що співробітники запускають більше чатів. Якщо є — один працівник справді може керувати більшим scope, бо система бере на себе routine execution, а не створює нову чергу для ручної перевірки.

Чому Project OT не доводить, що AI не підвищує продуктивність

Було б так само неправильно зробити висновок “AI не працює”. Meta має зовнішні products, де agents автоматизують marketing, customer interactions та creation workflows; компанія публічно просуває Business Agent і власні agentic systems. Проблема не в нульовій корисності AI, а в різниці між task automation і organizational replacement.

Перше вже працює у багатьох місцях. Друге вимагає перебудови interfaces, incentives, accountability і knowledge systems. Ця перебудова може тривати роки, а не один квартал.

Практичний урок для будь-якої компанії

Найгірша послідовність: купити AI licenses → оголосити target headcount → скоротити людей → після цього з'ясовувати, які processes вони підтримували. Безпечніша послідовність протилежна.

Спочатку вибрати один process, виміряти baseline, автоматизувати конкретні repeatable steps, додати verification та observability, а потім дивитися на end-to-end throughput. Якщо team стабільно робить більше verified work із тим самим headcount — capacity можна перенаправляти. Якщо ні — скорочення лише маскує проблему.

Висновок RankPoint: AI не замінює організацію — він примушує її стати кращою системою

Project OT цікавий не як історія “Цукерберг передумав звільняти людей”. Це ранній stress test ідеї, яку зараз продають тисячам CEO: нібито достатньо дати працівникам agents, і структура компанії автоматично стиснеться.

Реальність жорсткіша. AI дуже добре прискорює роботу, яка вже формалізована. Він значно гірше замінює невидимі людські зв'язки, якщо сама організація не знає, як їх формалізувати. Перша хвиля AI-native business, ймовірно, виграє не через наймасовіші layoffs, а через найкращі contracts, tooling, evals, knowledge systems та ownership.

У Project OT є ще один важливий урок: AI не прибирає витрати, а змінює їхню форму

Розмову про “AI замість людей” легко звести до payroll. Але Meta одночасно демонструє інший бік рівняння: AI-native organization потребує надзвичайно капіталомісткої infrastructure. Офіційно El Paso campus має вирости до 1 GW compute capacity, а інвестиції Meta в проєкт перевищують $10 млрд. Компанія очікує понад 4 000 construction workers на піку і понад 300 operational jobs після завершення.

Тобто автоматизація не перетворює бізнес на “software без людей і без physical capital”. Вона переносить частину cost structure з payroll у GPUs, power, networking, data centers, reliability engineering, security та highly specialized talent.

Для CFO це важлива поправка: AI productivity треба рахувати не тільки як salary saved, а як total cost of verified output. Якщо agent скорочує годину працівника, але додає inference cost, review, incident risk і infrastructure overhead, економія може бути значно меншою за headline.

Supervision tax: прихований податок, якого немає в demo

У демонстрації agent виконує задачу і результат виглядає готовим. У production з'являється supervision tax: постановка scope, доступи, context packaging, review, retries, escalation, audit та recovery. Чим автономніший agent, тим більше цих функцій потрібно системі, навіть якщо людина натискає менше кнопок.

Цей tax не обов'язково робить AI невигідним. Але його потрібно вимірювати. Якщо engineer раніше витрачав 8 годин на implementation, а тепер 2 години на prompt/context і 3 години на review/rework, productivity uplift — не 4×, а ближче до 1,6×. Якщо при цьому зростає throughput без росту incidents — це вже справжній leverage.

Що мало б довести, що AI-native pod реально працює

RankPoint запропонував би п'ять production-метрик: verified output per person; median review minutes per agent output; escaped defect rate; incident/recovery cost; dependency on one human expert. Останній пункт особливо важливий: якщо маленька pod тримається на одному engineer, який пам'ятає всю історію system, це не автономність — це concentration risk.

Найсильніша AI-native organization не та, де у dashboard найменший headcount. Це та, де після відпустки key person agent workflows продовжують працювати, бо context, policies, interfaces і escalation paths формалізовані.

Можливо, Project OT був не провалом AI, а занадто раннім organizational optimization

Саме так коректніше читати історію. Якщо productivity technology росте дуже швидко, спокуса одразу оптимізувати headcount величезна. Але organization design відстає від model capability: потрібно переписати internal tools, permissions, documentation, metrics і management routines.

Тому логічний шлях може виглядати навпаки: спочатку AI збільшує capacity команди; потім процеси стабілізуються; після цього компанія вирішує, чи використати додаткову capacity для швидшого growth, нового продукту або меншого headcount. Project OT, схоже, спробував частково перескочити проміжний етап.

↗