Meta хотела сократить команды до 60% и построить AI-native компанию. Project OT показал, почему людей нельзя заменить одним приказом

Meta попыталась не просто добавить AI в работу — а перестроить саму компанию

В крупных корпорациях AI обычно начинается с copilot: помочь написать текст, код, презентацию или ответ клиенту. По данным Reuters, Meta в начале 2026 года решила пойти намного дальше. Внутренняя инициатива Project OT — Organization Transformation — должна была перестроить организацию вокруг AI-native команд, где значительную часть исполнения берут на себя агенты.

План был агрессивным: размер многих teams предлагалось сократить до 60%, а вместо традиционных больших структур создать маленькие “pods”, управляющие AI-агентами. Это не означает “уволить 60% всех сотрудников Meta”. Reuters описывает уменьшение размера многих отдельных команд до такого уровня, а не универсальную квоту для глобального headcount.

Project OT особенно интересен тем, что Meta имеет почти идеальные условия для AI automation: собственные модели, огромный compute, сильных инженеров, контроль над internal tooling и бюджет в сотни миллиардов долларов на infrastructure. Если даже здесь “заменить людей агентами” оказалось сложнее презентации, это важный сигнал для всего рынка.

Что пошло не так, по данным Reuters

Reuters сообщает, что перед первой большой волной сокращений в мае Марк Цукерберг отказался от запланированной второй волны на ноябрь. Среди причин — растущее employee unrest и внутренние данные, по которым AI не дал ожидаемого productivity uplift.

Параллельно возникали technical disruptions: агенты интегрировались в workflows быстрее, чем reliability, security и ownership успевали адаптироваться. То, что в demo выглядело как “AI выполнил задачу”, в production превращалось в вопросы: кто проверил output, кто несёт ответственность, кто знает контекст и кто останавливает workflow, когда agent ошибается?

Meta не публиковала Project OT как официальную public program, поэтому конкретные детали плана нужно читать как Reuters investigation, а не как официальное заявление компании. При этом публичные материалы Meta хорошо подтверждают общий вектор: компания сама называла 2026 годом, когда AI должен трансформировать способ работы, и параллельно разворачивает agentic products и рекордную infrastructure.

Почему “60% меньше людей” не означает “60% той же работы сделает AI”

Организация не является суммой независимых tasks. В ней есть coordination, tacit knowledge, escalation, prioritization, компромиссы, история продукта, неформальные зависимости между командами и ответственность за решения. Часть этого никогда не была записана в документации, поэтому agent просто неоткуда это “прочитать”.

Если сократить team раньше, чем контекст превращён в systems, tests, policies и machine-readable constraints, automation не убирает работу — она перекладывает скрытую работу на оставшихся людей. Один engineer теперь не только выполняет свою задачу, но и проверяет output нескольких agents, разбирает edge cases и восстанавливает контекст, раньше распределённый между коллегами.

AI productivity очень легко измерить неправильно

В coding benchmark можно посчитать tasks/hour. В компании такая метрика опасна. Agent может создать в десять раз больше pull requests, documents или experiments — и одновременно увеличить review load, incidents, duplicated work и architecture debt.

Правильная productivity metric должна считать end-to-end outcome: сколько verified value дошло до production, сколько времени забрал review, сколько regressions возникло, как изменился incident rate и не перенеслась ли работа из одной команды в другую.

Это тот же парадокс, что виден в Linux с AI-patches: дешёво сгенерировать больше “работы” не означает увеличить пропускную способность системы.

Инфраструктурный парадокс Meta: неудачное сокращение не означает отказ от AI

Project OT не превратил Meta в anti-AI компанию. Напротив, официальный Q2 outlook сузил ожидаемый 2026 capex до $130–145 млрд. Компания продолжает строить гигантские data center campuses. Отдельный El Paso project имеет мощность около 1 GW и более $10 млрд инвестиций Meta.

Стратегия не изменилась с “AI” на “без AI”. Изменилось понимание того, где именно AI создаёт leverage. Infrastructure, models и agents остаются центральными, но люди оказываются не временным костылём, который можно убрать сразу после покупки GPU.

Meta сама изменила публичный язык

В августе Meta опубликовала “The Future is for Everyone”, где superintelligence описывается как инструмент персонального empowerment: agent работает 24/7 от имени человека и помогает достигать его целей. Это более мягкая и практичная модель, чем “AI заменяет организацию”.

В корпоративном дизайне это означает human-agent team: человек задаёт intent, принимает high-impact decisions и отвечает за результат; agent делает search, draft, coding, analysis, follow-up и routine execution. Это менее драматично, чем массовые layoffs, но часто экономически сильнее, потому что leverage накапливается без одновременного разрушения institutional memory.

Что на самом деле означает AI-native company

Настоящая AI-native компания — не та, где мало людей. Это компания, где processes спроектированы так, чтобы agents могли действовать безопасно и проверяемо. У неё есть machine-readable policies, API вместо ручных порталов, data contracts, observability, evals, approval gates, rollback и чёткий ownership.

Если этого нет, “AI-native” означает лишь, что сотрудники запускают больше чатов. Если есть — один работник действительно может управлять большим scope, потому что система берёт на себя routine execution, а не создаёт новую очередь ручной проверки.

Почему Project OT не доказывает, что AI не повышает продуктивность

Было бы так же неправильно сделать вывод “AI не работает”. Meta имеет внешние products, где agents автоматизируют marketing, customer interactions и creation workflows; компания публично продвигает Business Agent и собственные agentic systems. Проблема не в нулевой полезности AI, а в разнице между task automation и organizational replacement.

Первое уже работает во многих местах. Второе требует перестройки interfaces, incentives, accountability и knowledge systems. Эта перестройка может длиться годы, а не один квартал.

Практический урок для любой компании

Худшая последовательность: купить AI licenses → объявить target headcount → сократить людей → после этого выяснять, какие processes они поддерживали. Безопаснее обратная последовательность.

Сначала выбрать один process, измерить baseline, автоматизировать конкретные repeatable steps, добавить verification и observability, а затем смотреть на end-to-end throughput. Если team стабильно делает больше verified work с тем же headcount — capacity можно перенаправлять. Если нет — сокращение лишь маскирует проблему.

Вывод RankPoint: AI не заменяет организацию — он заставляет её стать лучшей системой

Project OT интересен не как история “Цукерберг передумал увольнять людей”. Это ранний stress test идеи, которую сейчас продают тысячам CEO: будто достаточно дать сотрудникам agents, и структура компании автоматически сожмётся.

Реальность жёстче. AI очень хорошо ускоряет работу, которая уже формализована. Он намного хуже заменяет невидимые человеческие связи, если сама организация не знает, как их формализовать. Первая волна AI-native business, вероятно, выиграет не благодаря самым массовым layoffs, а благодаря лучшим contracts, tooling, evals, knowledge systems и ownership.

В Project OT есть ещё один важный урок: AI не убирает расходы, а меняет их форму

Разговор об “AI вместо людей” легко свести к payroll. Но Meta одновременно показывает другую сторону уравнения: AI-native organization требует чрезвычайно капиталоёмкой infrastructure. Официально El Paso campus должен вырасти до 1 GW compute capacity, а инвестиции Meta в проект превышают $10 млрд. Компания ожидает более 4 000 construction workers на пике и более 300 operational jobs после завершения.

То есть автоматизация не превращает бизнес в “software без людей и physical capital”. Она переносит часть cost structure из payroll в GPUs, power, networking, data centers, reliability engineering, security и highly specialized talent.

Для CFO это важная поправка: AI productivity нужно считать не только как salary saved, а как total cost of verified output. Если agent экономит час сотрудника, но добавляет inference cost, review, incident risk и infrastructure overhead, экономия может быть значительно меньше headline.

Supervision tax: скрытый налог, которого нет в demo

В демонстрации agent выполняет задачу, и результат выглядит готовым. В production появляется supervision tax: постановка scope, доступы, context packaging, review, retries, escalation, audit и recovery. Чем автономнее agent, тем больше этих функций требуется системе, даже если человек нажимает меньше кнопок.

Этот tax не обязательно делает AI невыгодным. Но его нужно измерять. Если engineer раньше тратил 8 часов на implementation, а теперь 2 часа на prompt/context и 3 часа на review/rework, productivity uplift — не 4×, а ближе к 1,6×. Если при этом throughput растёт без роста incidents — это уже настоящий leverage.

Что должно доказать, что AI-native pod реально работает

RankPoint предложил бы пять production-метрик: verified output per person; median review minutes per agent output; escaped defect rate; incident/recovery cost; dependency on one human expert. Последний пункт особенно важен: если маленькая pod держится на одном engineer, который помнит всю историю system, это не автономность — это concentration risk.

Сильнейшая AI-native organization не та, где в dashboard самый маленький headcount. Это та, где после отпуска key person agent workflows продолжают работать, потому что context, policies, interfaces и escalation paths формализованы.

Возможно, Project OT был не провалом AI, а слишком ранним organizational optimization

Именно так корректнее читать историю. Если productivity technology растёт быстро, соблазн сразу оптимизировать headcount огромен. Но organization design отстаёт от model capability: нужно переписать internal tools, permissions, documentation, metrics и management routines.

Поэтому логичный путь может быть обратным: сначала AI увеличивает capacity команды; затем процессы стабилизируются; после этого компания решает, использовать ли capacity для более быстрого growth, нового продукта или меньшего headcount. Project OT, похоже, попытался частично перескочить промежуточный этап.

↗