Powód? Technologia nie rozwijała się tak szybko, jak zakładało kierownictwo, a eksperyment zaczął generować problemy, których nie dało się sprowadzić wyłącznie do niezadowolenia pracowników. Wewnętrzne dane sugerowały, że wykorzystanie AI ogromnie zwiększyło liczbę generowanych zmian w kodzie, ale nie przekładało się proporcjonalnie na funkcje faktycznie trafiające do użytkowników. Pojawiały się również problemy z niezawodnością i bezpieczeństwem, a pracownicy zaczęli otwarcie protestować przeciwko części zmian. W lipcu Zuckerberg sam przyznał podczas spotkania z załogą, że rozwój technologii agentowej nie przyspieszył tak, jak wcześniej oczekiwał. Historia Project OT może więc stać się jednym z najciekawszych przykładów pokazujących, że istnieje duża różnica pomiędzy korzystaniem z AI jako narzędzia zwiększającego produktywność a próbą zastępowania nim całych zespołów. 
Project OT miał oznaczać znacznie głębszą zmianę niż zwykłe udostępnienie pracownikom kolejnego asystenta AI. Według dokumentów opisanych przez Reutersa kierownictwo Meta analizowało przebudowanie firmy wokół małych, bardzo wydajnych zespołów wspomaganych przez agentów sztucznej inteligencji. W tradycyjnym modelu nad produktem mogło pracować od 10 do 20 osób pełniących wyspecjalizowane role, takie jak inżynier, product manager, projektant, badacz UX czy analityk danych. Model "AI native" zakładał natomiast znacznie mniejsze zespoły liczące około 3-5 osób. Ich członkowie mieli pełnić bardziej uniwersalną funkcję "builderów", a sztuczna inteligencja przejmować część analiz, generowania kodu, prototypowania i innych powtarzalnych obowiązków. Celem było stworzenie organizacji bardziej płaskiej, szybszej i mniej uzależnionej od rozbudowanej hierarchii menedżerskiej.
W skrajnych scenariuszach liczba pracowników w wybranych zespołach mogła zostać zmniejszona nawet o 60 proc., ale nie oznaczało to planu zwolnienia 60 proc. wszystkich zatrudnionych w Meta. Sama firma podkreśliła później, że były to warianty analizowane w ramach planowania scenariuszowego, obejmujące zarówno redukcje, jak i przenoszenie ludzi do innych jednostek. Ważnym elementem strategii miało być pozostawienie niewielkiej grupy szczególnie wydajnych specjalistów, którzy dzięki AI mogliby wykonywać pracę wymagającą wcześniej znacznie większych zespołów. Meta uruchomiła nawet narzędzie HR mające pomagać identyfikować tak zwany "Irreplaceable Talent", czyli pracowników uznawanych za wyjątkowo wartościowych. Koncepcja przypominała popularną w Dolinie Krzemowej ideę "10X Performera" - osoby potrafiącej osiągać wielokrotnie większą produktywność niż przeciętny specjalista.
Entuzjazm kierownictwa Meta nie pojawił się w próżni. Po eksplozji generatywnej sztucznej inteligencji firmy technologiczne zaczęły obserwować, że modele potrafią pisać kod, analizować dokumenty, tworzyć projekty interfejsów, przygotowywać prototypy czy wykonywać zadania administracyjne. Jeszcze większe nadzieje wiązano z agentami AI, które w teorii nie tylko odpowiadają na pytania, ale mogą samodzielnie wykonywać wieloetapowe działania. W przypadku programisty taki agent mógłby otrzymać cel, przeanalizować istniejący kod, dokonać zmian, przetestować je i przygotować wynik do zatwierdzenia przez człowieka. Jeśli jedna osoba może nadzorować kilka takich agentów, naturalnie pojawia się pytanie, czy zespół potrzebujący wcześniej dziesięciu pracowników nadal musi być równie liczny.
Meta prowadziła już wcześniej eksperymenty z takimi strukturami. Jednym z pilotaży były małe zespoły technologiczne składające się z dwóch lub trzech inżynierów oraz projektanta, które miały wykorzystywać AI do szybkiego budowania prototypów w czterotygodniowych cyklach. Kierownictwo zainteresowało się także sposobem funkcjonowania startupów projektowanych od początku wokół narzędzi AI. Problem polegał na tym, że rozwiązania dobrze wyglądające w niewielkiej młodej firmie niekoniecznie można bezpośrednio przenieść do organizacji obsługującej miliardy użytkowników Facebooka, Instagrama czy WhatsAppa. W startupie błąd prototypu może oznaczać konieczność poprawienia produktu. W infrastrukturze Meta podobny błąd może doprowadzić do awarii usługi, problemu z bezpieczeństwem albo naruszenia danych milionów użytkowników.
Wewnętrzne statystyki Meta pokazały bardzo ciekawy paradoks. Liczba zmian w kodzie dotyczących wewnętrznych platform i infrastruktury wykorzystywanej przez pracowników wzrosła rok do roku aż o 220 proc. Można byłoby uznać to za spektakularny dowód skuteczności generatywnej sztucznej inteligencji. Programiści wspierani przez narzędzia AI byli w stanie wytwarzać znacznie więcej kodu i wykonywać więcej zmian niż wcześniej. Problem pojawił się jednak przy sprawdzaniu, ile z tej aktywności faktycznie przekładało się na nowe lub ulepszone funkcje dostarczane użytkownikom produktów Meta. W tym przypadku wzrost wyniósł jedynie 36 proc. Oczywiście oba wskaźniki nie mierzą dokładnie tego samego procesu, ale różnica dobrze pokazuje podstawowy problem automatyzacji pracy programistycznej - większa ilość wygenerowanego kodu nie musi automatycznie oznaczać proporcjonalnie większej wartości biznesowej.
Programowanie obejmuje bowiem znacznie więcej niż samo tworzenie kolejnych linii kodu. Trzeba ustalić, jaki problem należy rozwiązać, zaprojektować rozwiązanie, uwzględnić istniejącą architekturę, przetestować zachowanie systemu, przeprowadzić przegląd zmian i przewidzieć możliwe konsekwencje. AI może niezwykle szybko wygenerować fragment programu, ale człowiek nadal musi ocenić, czy jest on potrzebny i bezpieczny. Jeśli automatyzacja sprawia, że ilość powstającego kodu rośnie szybciej niż możliwości jego weryfikacji, paradoksalnie może zwiększyć obciążenie zespołów. Inżynierowie zaczynają wtedy spędzać więcej czasu na kontrolowaniu, poprawianiu i diagnozowaniu problemów. Przypadek Meta pokazuje więc, że produktywności AI nie można mierzyć wyłącznie liczbą wykonanych zadań. Znacznie ważniejsze jest to, ile z nich rzeczywiście poprawia produkt.
Najbardziej niepokojące sygnały dotyczyły niezawodności. Według wewnętrznych materiałów już w marcu zespoły infrastrukturalne ostrzegały przed problemami związanymi z gwałtownym zwiększeniem ilości kodu tworzonego przy pomocy AI. W kolejnym miesiącu pojawiły się informacje, że niewystarczająco nadzorowane agenty wykonywały działania o dużej skali, których człowiek prawdopodobnie nie przeprowadziłby w takiej formie. System agentowy może działać bardzo szybko, a właśnie szybkość staje się zagrożeniem, jeśli model podejmie błędną decyzję. Człowiek może popełnić błąd podczas zmiany jednego elementu. Agent posiadający szerokie uprawnienia może powielić ten błąd na dziesiątkach lub setkach elementów zanim ktokolwiek zauważy problem.
Według materiałów opisanych przez Reutersa liczba poważnych incydentów technicznych i bezpieczeństwa, obejmujących między innymi zakłócenia usług oraz potencjalne wycieki danych, wzrosła o 40 proc. w porównaniu z poprzednim rokiem. Jednocześnie czas poświęcany przez pracowników na awaryjne rozwiązywanie problemów wzrósł o 70 proc. Meta nie skomentowała Reutersowi tych konkretnych wewnętrznych danych, dlatego nie można automatycznie przypisywać każdego incydentu narzędziom AI. Pokazują one jednak problem, który dotyczy całej branży. Automatyzacja daje największe oszczędności wtedy, gdy działa prawidłowo. Jeśli system tworzy dużą liczbę błędów wymagających później ręcznej interwencji specjalistów, część początkowo zaoszczędzonego czasu zostaje stracona podczas naprawiania konsekwencji.
Technologiczne problemy nałożyły się na poważny kryzys zaufania wewnątrz firmy. Pracownicy dowiadywali się z medialnych doniesień o możliwych ogromnych redukcjach, zanim kierownictwo oficjalnie przedstawiło im pełne plany. Jednocześnie część inżynierów została przeniesiona do nowych zespołów zajmujących się między innymi przygotowywaniem danych służących do trenowania modeli AI. Kolejnym punktem zapalnym stało się narzędzie zbierające informacje o sposobie korzystania przez pracowników z komputerów, w tym ruchach myszy, kliknięciach i naciśnięciach klawiszy. Meta tłumaczyła, że dane są potrzebne do nauki agentów wykonujących działania na komputerach. Wielu zatrudnionych odebrało jednak sytuację znacznie bardziej osobiście - jako szkolenie systemów, które w przyszłości mogłyby przejąć ich obowiązki.
Napięcie szybko zaczęło być widoczne w wewnętrznych kanałach komunikacji. Pracownicy publikowali krytyczne komentarze, memy i symbole odnoszące się do niewypowiedzianego problemu zwolnień, a część zaczęła organizować sprzeciw wobec zbierania danych. Wewnętrzny wskaźnik pozytywnych nastrojów pracowniczych Meta miał spaść z 74 proc. do 55 proc. Pojawiały się również działania związane z organizowaniem pracowników. Meta ostatecznie wstrzymała kontrowersyjny program monitorowania danych po dodatkowym incydencie dotyczącym bezpieczeństwa zebranych informacji. Przypadek pokazuje, że automatyzacji nie można wdrażać wyłącznie jako projektu technologicznego. Jeżeli pracownicy uznają, że każde przekazane AI doświadczenie przybliża firmę do ich zwolnienia, trudno oczekiwać, że będą aktywnie uczestniczyli w procesie wdrażania nowych narzędzi.
Nie całkowicie. Meta przeprowadziła pierwszą dużą redukcję zatrudnienia 20 maja 2026 roku, obejmującą około 10 proc. pracowników. Jednocześnie już poprzedniego wieczoru Zuckerberg zdecydował o zatrzymaniu planowania drugiej fali restrukturyzacji, która była przygotowywana na listopad. Firma potwierdziła później, że Project OT obejmował dwa etapy, ale podkreśliła również, że najbardziej radykalne scenariusze nie zostały zrealizowane. Po majowych zwolnieniach Zuckerberg przekazał pracownikom, że nie spodziewa się kolejnych ogólnofirmowych redukcji zatrudnienia w 2026 roku. Meta zaczęła również łagodzić część najbardziej kontrowersyjnych elementów transformacji, pozwalając niektórym pracownikom przeniesionym do nowych jednostek AI wrócić do wcześniejszych zespołów.
W lipcu Zuckerberg przyznał podczas wewnętrznego spotkania, że technologia agentowa nie rozwija się w oczekiwanym przez niego tempie, choć nadal przewidywał poprawę w kolejnych miesiącach. Meta nie porzuciła również ogromnych inwestycji w AI. Firma planuje w 2026 roku przeznaczyć co najmniej 130 mld dolarów na infrastrukturę i układy potrzebne do rozwoju sztucznej inteligencji. Zmienił się natomiast sposób komunikowania celu tych inwestycji. Zuckerberg zaczął mocniej podkreślać wizję AI jako technologii wzmacniającej możliwości ludzi zamiast koncentrować przekaz na automatyzowaniu ich pracy. Nie oznacza to gwarancji, że w kolejnych latach zatrudnienie nie będzie dalej ograniczane. Pokazuje jednak, że próba bardzo szybkiego przejścia od dzisiejszej organizacji do firmy opartej na niewielkich zespołach zarządzających agentami AI okazała się znacznie trudniejsza, niż zakładały początkowe scenariusze.
Przypadek Meta nie dowodzi, że sztuczna inteligencja nie może zastępować żadnych stanowisk. Już dziś automatyzowane są pojedyncze zadania związane z programowaniem, obsługą klienta, analizą informacji, marketingiem czy pracą administracyjną. Różnica pomiędzy automatyzacją zadania a automatyzacją całej roli jest jednak ogromna. Programista może przy pomocy AI szybciej przygotować fragment kodu, ale jego praca obejmuje również rozmowy z innymi zespołami, podejmowanie decyzji architektonicznych, rozwiązywanie nieprzewidzianych problemów i ocenę konsekwencji zmian. Podobnie agent może przygotować analizę danych, lecz odpowiedzialność za decyzję biznesową nadal pozostaje po stronie człowieka. Project OT próbował przesunąć tę granicę znacznie dalej poprzez założenie, że niewielkie zespoły będą mogły dzięki AI przejąć zakres pracy wykonywany wcześniej przez dużo większe struktury.
Największą lekcją może być więc nie to, że AI "przegrało", ale że obecna generacja technologii najlepiej sprawdza się jako wzmacniacz produktywności człowieka, a nie bezpośredni zamiennik całych organizacji. Szczególnie w dużych przedsiębiorstwach ogromna część pracy jest trudna do opisania w prostych instrukcjach. Pracownicy posiadają wiedzę o historii projektu, nieformalnych zależnościach między systemami, wcześniejszych błędach i ograniczeniach, których nie widać w dokumentacji. Agent AI może wygenerować poprawne technicznie rozwiązanie, ale niekoniecznie zrozumie cały kontekst organizacyjny. Zbyt szybkie usunięcie ludzi może więc spowodować utratę wiedzy, której znaczenie staje się widoczne dopiero wtedy, gdy pojawia się nietypowy problem.
Historia Project OT może być szczególnie ważna dla firm, które próbują obecnie obliczyć, ilu pracowników będą potrzebowały po wdrożeniu generatywnej AI. Najłatwiejszy model zakłada, że jeśli narzędzie pozwala jednej osobie wykonywać dwa razy więcej pracy, można zmniejszyć zespół o połowę. W praktyce produktywność nie rośnie jednak liniowo. AI może przyspieszyć przygotowanie pierwszej wersji dokumentu, kodu czy analizy, ale jednocześnie zwiększyć ilość materiału wymagającego kontroli. Powstają również nowe zadania związane z weryfikowaniem rezultatów, bezpieczeństwem, integracją narzędzi i zarządzaniem ich uprawnieniami. Meta przekonała się, że liczba operacji wykonywanych z pomocą AI może rosnąć znacznie szybciej niż liczba wartościowych rezultatów docierających do użytkowników.
Dla przedsiębiorstw oznacza to konieczność mierzenia efektów automatyzacji na poziomie wyniku, a nie samej aktywności. Liczba wygenerowanych dokumentów, napisanych linii kodu czy zamkniętych zadań może wyglądać imponująco, ale ważniejsze są jakość, liczba błędów, czas potrzebny na poprawki i rzeczywista wartość dla klienta. Meta pozostaje jedną z najlepiej finansowanych firm technologicznych świata, posiada własne modele AI, ogromne zasoby obliczeniowe i tysiące najlepszych inżynierów. Skoro nawet tam radykalne przeprojektowanie organizacji wokół autonomicznych agentów napotkało tak duże problemy, mniejsze przedsiębiorstwa powinny szczególnie ostrożnie podchodzić do obietnicy natychmiastowego zastępowania całych zespołów. Sztuczna inteligencja może już teraz radykalnie zmieniać sposób pracy, ale przypadek Meta pokazuje, że droga od "AI pomaga pracownikowi" do "AI zastępuje pracownika" pozostaje znacznie dłuższa, niż sugerują najbardziej optymistyczne prognozy.
