Meta frenó Project OT: los agentes de IA no estaban listos para reemplazar equipos

Project OT era el intento de Meta de reorganizar parte de su plantilla para operar de forma «nativa de IA»: los agentes asumirían una proporción mayor del trabajo cotidiano y grupos humanos más pequeños supervisarían esos sistemas. La planificación interna contempló reducir algunos equipos hasta en un 60%, en dos rondas. Sin embargo, Meta terminó dando marcha atrás a la versión más drástica e inmediata de la iniciativa. 117

La explicación principal parece práctica, no ideológica. El modelo requería que los agentes de IA funcionaran con la consistencia suficiente como para que menos personas pudieran supervisar con seguridad tareas complejas. Según los reportes, la tecnología, los resultados operativos y la respuesta de la plantilla no superaron esa prueba. 117

Qué proponía Project OT

Project OT, siglas de Organization Transformation («transformación organizativa»), planteaba que la IA asumiera partes sustanciales del trabajo que realizaban miles de empleados. La estructura humana restante sería más pequeña y concentrada, con equipos de alta densidad de talento encargados de supervisar a los trabajadores virtuales.

Meta confirmó a Reuters que había analizado escenarios con reducciones de hasta el 60% en algunos equipos y dos rondas de despidos. La empresa señaló que el plan también incluía reasignaciones y que no afectaría a todos los equipos. 117

Ese matiz es importante: el 60% citado correspondía a escenarios para áreas concretas, no a un objetivo confirmado para toda la compañía.

Por qué el plan perdió impulso

Los agentes no habían demostrado fiabilidad en producción

El argumento para reducir plantilla exigía más que asistentes de IA útiles. Los agentes debían ser lo bastante previsibles como para asumir trabajo relevante sin generar más revisión, correcciones y riesgos para los equipos humanos reducidos que quedarían a cargo.

Reuters informó de inquietudes internas por el rendimiento de los agentes y por acciones disruptivas. Otra cobertura basada en esa investigación indicó que los agentes podían realizar «acciones disruptivas a gran escala». 18

Para una empresa responsable de plataformas de consumo masivo como Facebook e Instagram, esa limitación es determinante. Las ganancias de productividad no bastan si se compensan con ejecuciones poco fiables o con una mayor carga operativa para las personas que deben supervisar, corregir y reparar los fallos.

La resistencia de la plantilla dificultó la ejecución

Una transformación presentada como sustitución de una parte importante del trabajo humano por IA genera, de forma previsible, preocupación por el empleo, la responsabilidad y la carga laboral. Los reportes sobre Project OT describen una resistencia interna considerable, y Reuters señaló que la propuesta no llegó a ponerse en marcha en su versión más amplia. 117

Ese rechazo no era un problema separado de la cuestión técnica. Pedir a los empleados que confíen tareas de peso a una IA requiere pruebas de que los sistemas mejoran los resultados, no solo previsiones ambiciosas de reducción de personal.

La dirección reconoció fallos de calendario y comunicación

Según lo relatado por la periodista de Reuters Katie Paul durante una conversación en Reddit, Mark Zuckerberg dijo que se había equivocado con el momento, mientras que el director de tecnología, Andrew Bosworth, afirmó que Meta había hecho un trabajo «atroz» al explicar internamente la visión. 7

Estos comentarios apuntan a que el tropiezo de Project OT no dependió únicamente de si la IA podrá mejorar la productividad en el futuro. También influyeron el intento de desplegar una transformación laboral de alto riesgo antes de contar con suficiente evidencia, un modelo operativo sólido y una explicación interna convincente.

Por qué el «tokenmaxxing» era una mala métrica de adopción

El llamado tokenmaxxing convertía el consumo de IA en una señal visible de participación. En Meta, un ranking interno llamado Claudeonomics ordenaba a empleados según su uso de tokens —las unidades de texto que procesan los modelos de IA— y otorgaba etiquetas como «Token Legend».

Pero ese ranking era un proyecto paralelo creado por un empleado, no el sistema universal de evaluación de desempeño de Meta, y luego fue retirado por decisión de su creador. Meta indicó que mantenía un panel distinto, AI Insights, para seguir el uso de IA de una manera más amplia que el mero recuento de tokens. 3

El problema de fondo es sencillo: los tokens miden consumo del modelo, no valor para el negocio. Un número alto de tokens no prueba que un equipo haya lanzado un producto mejor, resuelto antes una incidencia, reducido retrabajo o vuelto más seguro un proceso.

Una evaluación más útil de la adopción de IA debería centrarse en resultados, como:

• la calidad del trabajo entregado;
• la velocidad desde la idea hasta el resultado publicado;
• la complejidad y el alcance de las tareas completadas; y
• la fiabilidad y la carga de revisión que generan los flujos de trabajo asistidos por IA.

Son indicadores más difíciles de recopilar que un total de uso, pero responden mejor a la pregunta que realmente importa a directivos y empleados: ¿la IA hizo a la organización más eficaz?

¿Meta abandonó el rediseño laboral basado en IA?

No según la evidencia disponible. Meta se apartó del calendario y del alcance más agresivos de Project OT, pero su dirección no ha abandonado el objetivo de hacer que la empresa sea más nativa de IA. Zuckerberg afirmó que el desarrollo de la IA agéntica avanzaba más despacio de lo que esperaba, aunque previó beneficios más importantes de las inversiones de Meta en IA en un plazo de tres a seis meses. 17

Esa previsión debe entenderse como una proyección, no como prueba de que los agentes estarán preparados pronto para sustituir equipos. La siguiente prueba será comprobar si la IA produce mejoras sostenidas de rendimiento y fiabilidad en condiciones reales de operación, y si esas mejoras reducen —en lugar de trasladar— el trabajo humano necesario para supervisar, corregir y recuperarse de los sistemas automatizados.

La lección de fondo

Project OT deja clara la diferencia entre adoptar herramientas de IA y reorganizar una empresa alrededor de la IA. Los agentes pueden ser valiosos sin ser sustitutos fiables de una parte grande de la plantilla. Antes de vincular decisiones de empleo a la automatización, las empresas necesitan evidencia de resultados consistentes, salvaguardas robustas y un modelo operativo que los empleados puedan comprender y en el que puedan confiar. 117