Meta trak i nødbremsen på Project OT: AI-agenterne var ikke klar

Meta ville med Project OT gøre organisationen mere »AI-native«: AI-agenter skulle overtage mere af det daglige arbejde, mens mindre grupper af medarbejdere skulle føre tilsyn med systemerne. Interne planer omfattede scenarier, hvor visse teams kunne blive reduceret med op til 60 % i to runder. Men Meta trak sig siden fra planens mest aggressive, kortsigtede udformning. 117

Den mest nærliggende forklaring er praktisk frem for ideologisk. Modellen krævede, at AI-agenter kunne løse væsentlige opgaver stabilt nok til, at færre mennesker forsvarligt kunne overvåge komplekst arbejde. Det tyder rapporteringen ikke på, at teknologien, driftsresultaterne eller medarbejdernes reaktioner kunne leve op til. 117

Hvad var Project OT?

Project OT står for Organization Transformation. Planen forestillede sig, at AI kunne overtage betydelige dele af arbejdet, som tusindvis af ansatte tidligere udførte. Den menneskelige organisation skulle være mindre og mere koncentreret: »talent-tætte« teams skulle overvåge virtuelle medarbejdere.

Meta bekræftede over for Reuters, at virksomheden havde undersøgt scenarier med reduktioner på op til 60 % i nogle teams og to afskedigelsesrunder. Ifølge Meta omfattede planen også omplaceringer, og den ville ikke berøre alle teams. 117

Det er en væsentlig nuance: Tallet på 60 % beskrev mulige scenarier for enkelte teams – ikke et bekræftet, koncerndækkende mål.

Hvorfor mistede planen fart?

AI-agenterne var ikke pålidelige nok i drift

For at argumentet om færre medarbejdere skulle holde, måtte agenterne være mere end nyttige assistenter. De skulle levere forudsigeligt og sikkert, uden at skabe ekstra kontrolarbejde, fejlretning og risiko for de mindre menneskelige teams, der skulle blive tilbage.

Reuters' rapportering beskrev interne bekymringer om agenternes præstationer og forstyrrende handlinger. En separat omtale af undersøgelsen beskrev, at agenterne kunne udføre »store, forstyrrende handlinger«. 18

For en virksomhed bag enorme forbrugerplatforme er det en klar begrænsning. Produktivitetsgevinster er ikke meget værd, hvis de opvejes af ustabil udførelse eller en større driftsbyrde for de medarbejdere, som stadig skal kontrollere systemerne.

Medarbejdermodstand gjorde forandringen sværere

En plan, der fremstilles som en erstatning af en stor del af medarbejdernes arbejde med AI, skaber naturligt usikkerhed om job, ansvar og arbejdsbyrde. Rapporteringen om Project OT beskriver betydelig intern modstand, og Reuters skrev, at forslaget ikke blev sat i gang i sin mest vidtrækkende form. 117

Den modstand var tæt forbundet med det tekniske problem. Når medarbejdere skal overlade konsekvensfuldt arbejde til AI, kræver det dokumentation for, at systemerne faktisk forbedrer resultaterne – ikke blot ambitiøse modeller for bemandingen.

Ledelsen erkendte fejl i timing og kommunikation

Ifølge rapportering om en Reddit-debat med Reuters-korrespondenten Katie Paul sagde Mark Zuckerberg, at han havde ramt timingen forkert. CTO Andrew Bosworth sagde, at Meta havde gjort et »atrocious job« – altså et meget dårligt arbejde – med at forklare visionen internt. 7

Det peger på, at Project OT ikke alene strandede på spørgsmålet om, hvorvidt AI på sigt kan øge produktiviteten. Det handlede også om at rulle en højrisiko-forandring af arbejdsstyrken ud, før dokumentationen, driftsmodellen og den interne forklaring var stærk nok.

Hvorfor »tokenmaxxing« var et dårligt mål for AI-brug

»Tokenmaxxing« gjorde AI-forbrug til et synligt tegn på engagement. Hos Meta rangerede en intern rangliste, Claudeonomics, medarbejdere efter tokenforbrug og tildelte blandt andet titler som »Token Legend«.

Men ranglisten var et sideprojekt lavet af en medarbejder – ikke Metas universelle system til præstationsmåling – og blev senere taget ned efter skaberens eget valg. Meta oplyste, at virksomheden havde et særskilt AI Insights-dashboard, som målte brugen bredere end blot antal tokens. 3

Problemet med målingen er enkelt: Tokens måler forbrug af en model, ikke forretningsværdi. Et højt tokenforbrug beviser ikke, at et team har sendt et bedre produkt ud, løst en driftsfejl hurtigere, reduceret omarbejde eller gjort en proces mere sikker.

En mere holdbar målestok for AI-anvendelse bør i stedet se på resultater:

• kvaliteten af det leverede arbejde
• hastigheden fra idé til færdigt resultat
• kompleksiteten og omfanget af de løste opgaver
• pålideligheden og mængden af kontrolarbejde i AI-understøttede arbejdsgange

De målinger er sværere at indsamle end rene brugstal. Til gengæld besvarer de det spørgsmål, ledelse og medarbejdere reelt har brug for svar på: Gjorde AI organisationen mere effektiv?

Har Meta opgivet at omforme arbejdsstyrken med AI?

Det kan man ikke konkludere ud fra den foreliggende dokumentation. Meta trak sig fra Project OT's aggressive tidsplan og omfang, men virksomhedens ledelse har ikke opgivet ambitionen om at gøre Meta mere AI-native.

Zuckerberg sagde, at udviklingen af agentbaseret AI gik langsommere, end han havde håbet. Samtidig forudsagde han, at Metas AI-investeringer ville give mere mærkbare fordele inden for tre til seks måneder. 17

Det er en prognose, ikke et bevis på, at agenter snart er klar til at erstatte teams. Den næste afgørende test er, om AI kan levere vedvarende forbedringer i output og pålidelighed under reelle driftsforhold – og om gevinsterne reducerer, frem for blot flytter, det menneskelige arbejde med at overvåge, korrigere og genoprette systemerne.

Den større læring

Project OT viser forskellen mellem at tage AI-værktøjer i brug og at omorganisere en hel virksomhed omkring AI. Agenter kan være værdifulde uden at være pålidelige erstatninger for en stor del af arbejdsstyrken.

Før bemandingsbeslutninger kobles direkte til automatisering, har ledelser brug for dokumentation for stabile resultater, solide sikkerhedsforanstaltninger og en driftsmodel, som medarbejderne kan forstå og have tillid til. 117