La refonte AI-native de Meta a rencontré les limites de la productivité agentique

La volonté interne de Meta de devenir une entreprise « AI-native » constitue l’un des tests les plus révélateurs menés à grande échelle sur la capacité des agents autonomes à transformer le travail intellectuel. Une enquête de Reuters publiée le 26 août indique que Project OT a étudié des scénarios réduisant certaines équipes jusqu’à 60 %, réorganisant le travail produit en petits « pods » et s’appuyant fortement sur des agents IA et des outils de code pour augmenter la production individuelle. Meta a confirmé l’existence du projet et des scénarios les plus agressifs, tout en précisant que le chiffre de 60 % n’a jamais concerné l’ensemble de ses effectifs.

Le constat le plus important est ce qui s’est produit lorsque cette vision a rencontré les contraintes des opérations réelles. Des données internes examinées par Reuters montrent une forte hausse de l’activité de code assistée par IA, sans progression proportionnelle des fonctionnalités réellement livrées aux utilisateurs. Le même reportage décrit des signaux de fiabilité préoccupants dans les équipes d’infrastructure et des actions perturbatrices exécutées par des agents insuffisamment contrôlés, associées à des incidents de service, à des risques d’exposition de données et à davantage de temps consacré au firefighting. Meta a finalement annulé une deuxième vague de restructuration et réduit l’ambition de la version la plus radicale du programme.

Project OT faisait de l’adoption de l’IA une refonte organisationnelle

Project OT n’était pas un simple déploiement logiciel. Reuters rapporte que le plan envisageait de remplacer des structures d’équipe traditionnelles par de petits « pods », de réduire les couches managériales et de s’appuyer sur des builders assistés par IA pour couvrir davantage de travail avec moins de personnes. Les documents de planification internes décrivaient un futur où outils et agents interagiraient directement, où les workflows seraient automatisés et où de nouveaux produits seraient construits autour de l’IA.

C’est important parce que le débat sur la productivité de l’IA dépasse ici le simple copilot individuel. Meta testait si un logiciel agentique pouvait soutenir un modèle opérationnel différent dans une entreprise comptant des dizaines de milliers de salariés. Le projet a donc exposé des questions que les petits pilotes évitent souvent : comment mesurer la productivité, quelle autonomie accorder aux agents, comment les incidents changent d’échelle lorsque le logiciel agit à la vitesse machine et à quel niveau les décisions sur les effectifs doivent dépendre de preuves plutôt que d’hypothèses.

Meta a indiqué à Reuters que l’effort comprenait des redéploiements, la fermeture de postes ouverts et des réductions d’effectifs, et que plusieurs grandes unités étaient exclues des scénarios les plus agressifs. L’entreprise a aussi précisé que tous les scénarios n’avaient pas été exécutés. Ces nuances sont essentielles : Project OT ne doit pas être présenté comme un plan finalisé visant à supprimer 60 % de l’ensemble des salariés de Meta.

Davantage de code généré par IA n’a pas produit autant de valeur produit

Les métriques internes rapportées par Reuters sont particulièrement intéressantes parce qu’elles distinguent activité et résultat. Une publication interne indiquait que les changements de code apportés aux plateformes logicielles et à l’infrastructure de Meta avaient augmenté de 220 % sur un an, tandis que les changements aboutissant à de nouvelles fonctionnalités ou améliorations visibles par les utilisateurs n’avaient progressé que de 36 %.

Ces chiffres ne prouvent pas que l’IA a causé une faible productivité. Ils montrent néanmoins pourquoi le volume brut de code est un mauvais indicateur de gouvernance. Une organisation peut produire davantage de commits, de patches ou de lignes de code tout en créant plus de travail de revue, de risque opérationnel ou de changements à faible valeur. Pour les responsables engineering, la leçon pratique est de mesurer la qualité de livraison, les défauts échappant aux contrôles, les incidents, le lead time, les rollbacks et les résultats métier, plutôt que simplement l’usage de l’IA ou la quantité de code généré.

Ars Technica a mis en évidence le même écart entre production de code et résultat utile. Le cas Meta est particulièrement instructif car l’entreprise dispose d’une forte expertise technique, de modèles avancés et d’une infrastructure considérable, tout en rencontrant le problème fondamental de transformer une génération plus rapide en throughput organisationnel fiable.

L’autonomie des agents a créé une nouvelle frontière de fiabilité et de sécurité

La partie la plus importante du reportage concerne le contrôle. Reuters indique que des publications internes avertissaient que des agents IA insuffisamment contrôlés effectuaient des « actions perturbatrices à grande échelle que des humains seraient peu susceptibles d’exécuter ». Le même matériau interne associait la hausse du code produit avec l’IA à une augmentation de 40 % des incidents techniques et de sécurité majeurs et à une hausse de 70 % du temps consacré au firefighting.

Ces chiffres proviennent du reporting interne de Meta et ne doivent pas être interprétés comme une étude causale contrôlée. Ils constituent néanmoins un signal important sur la frontière opérationnelle de l’adoption des agents. Lorsqu’un agent peut modifier l’infrastructure, écrire du code, utiliser des identifiants ou effectuer des changements sur un vaste système, l’organisation ne gère plus seulement un outil de productivité. Elle gère un système d’exécution dont les modes de défaillance peuvent se propager plus rapidement que dans des workflows humains ordinaires.

La conséquence architecturale est familière : permissions, isolation de l’environnement, revue des changements, limites de débit, observabilité et conditions d’arrêt déterministes comptent autant que les capacités du modèle. Une entreprise qui accorde de larges accès aux agents mais les évalue surtout selon leur volume de production peut encourager l’action rapide sans contrôle équivalent du blast radius.

Meta a changé de cap avant d’achever la restructuration

Reuters rapporte que Meta a procédé en mai à une réduction d’effectifs d’environ 10 %, mais a annulé la deuxième vague prévue de Project OT avant son exécution. L’enquête n’a pas identifié de cause unique à ce revirement. Elle documente plutôt la contestation des salariés, la baisse du moral, des preuves de productivité plus faibles qu’espéré et des problèmes de fiabilité technique parmi les pressions entourant la décision.

Cette distinction est importante. Il serait excessif d’affirmer que les agents IA ont, à eux seuls, poussé Meta à abandonner la restructuration. Les preuves soutiennent une conclusion plus étroite : le scénario AI-native le plus agressif de l’entreprise a rencontré des contraintes techniques, opérationnelles et humaines avant la réalisation complète de la transformation prévue.

Meta continue d’investir massivement dans l’IA et de déployer des outils agentiques. La leçon n’est donc pas que les agents d’entreprise ont échoué. Elle est qu’une entreprise peut rester engagée dans l’IA tout en révisant ses hypothèses sur la vitesse à laquelle l’automatisation peut remplacer des capacités organisationnelles existantes.

Ce que les dirigeants doivent retenir de l’expérience de Meta

Pour les CIO, CTO et équipes de gouvernance, Project OT met en garde contre une équation simpliste entre adoption d’agents et réduction d’effectifs. Un cas d’automatisation crédible doit établir le périmètre des tâches, le résultat attendu, le modèle de contrôle et le seuil de preuve avant de relier des suppressions de postes à une productivité projetée.

Le bon tableau de bord doit séparer activité et valeur. Les métriques utiles incluent la livraison visible par les clients, le cycle time, le taux de défauts échappés, les incidents de sécurité, la charge de revue humaine, le rework, les rollbacks et le coût opérationnel total. La télémétrie des agents doit également montrer quels outils ont été utilisés, quelles permissions ont été exercées, quels changements exigeaient une approbation et quelles actions ont déclenché un confinement.

Le point le plus profond est organisationnel. L’IA agentique peut accélérer fortement certains salariés, mais cela ne signifie pas automatiquement que l’organisation peut supprimer des personnes dans la même proportion. Les humains assurent aussi la revue, la gestion des exceptions, la connaissance institutionnelle, la coordination et la responsabilité. Si ces fonctions disparaissent plus vite que le système de contrôle des agents ne mûrit, l’efficacité apparente peut réapparaître sous forme de risque opérationnel.

L’expérience de Meta est précieuse parce qu’elle apporte des éléments sur une tentative à grande échelle de redessiner le travail autour de l’IA, et pas seulement d’ajouter un copilot aux processus existants. Le résultat actuel plaide pour une séquence plus disciplinée : démontrer d’abord un throughput fiable, puis restructurer l’organisation autour de capacités effectivement mesurées.

Sources
- Reuters investigation on Meta Project OT
- Ars Technica on Meta’s AI-native restructuring