Reestruturação AI-native da Meta encontrou limites na produtividade dos agentes

A iniciativa interna da Meta para se tornar uma empresa “AI-native” criou um dos testes mais claros, numa grande organização, sobre até onde os agentes autónomos podem reformular o trabalho intelectual. Uma investigação da Reuters publicada a 26 de agosto diz que o Project OT estudou cenários em que algumas equipas poderiam ser reduzidas até 60%, o trabalho de produto seria reorganizado em pequenos “pods” e agentes de IA e ferramentas de programação seriam usados intensivamente para aumentar a produção individual. A Meta confirmou o projeto e os cenários mais agressivos, sublinhando que o valor de 60% nunca se aplicou a toda a força de trabalho.

A conclusão mais importante é o que aconteceu quando o plano encontrou a realidade operacional. Dados internos analisados pela Reuters indicam que a atividade de código assistida por IA aumentou fortemente, mas esse crescimento não se converteu de forma proporcional em funcionalidades entregues aos utilizadores. A mesma reportagem descreve sinais de alerta de fiabilidade nas equipas de infraestrutura e ações perturbadoras realizadas por agentes sem controlo suficiente, associadas a incidentes de serviço, possível exposição de dados e muito mais tempo gasto em firefighting. A Meta acabou por cancelar uma segunda vaga de reestruturação e recuou na versão mais agressiva da transformação.

O Project OT transformou a adoção de IA numa reestruturação organizacional

O Project OT não era apenas uma implementação de software. A Reuters relata que o plano considerava substituir estruturas tradicionais de equipa por “pods” menores, reduzir camadas de gestão e usar builders assistidos por IA para cobrir mais trabalho com menos pessoas. Documentos internos descreviam um futuro em que ferramentas e agentes interagiam diretamente, workflows eram automatizados e novos produtos eram construídos com a IA no centro.

Isto é importante porque leva o debate sobre produtividade para além do copilot individual. A Meta estava a testar se software agentic poderia suportar um operating model diferente numa empresa com dezenas de milhares de trabalhadores. O projeto expôs, por isso, perguntas que pilotos mais pequenos muitas vezes evitam: como medir produtividade, quanta autonomia dar aos agentes, como os incidentes escalam quando o software atua à velocidade da máquina e até que ponto decisões sobre força de trabalho devem depender de evidência em vez de expectativas.

A Meta disse à Reuters que o esforço incluiu recolocações, encerramento de vagas abertas e reduções de pessoal, e que várias unidades grandes estavam fora dos cenários mais agressivos. A empresa também afirmou que nem todos os cenários foram executados. Estas qualificações são essenciais, porque o Project OT não deve ser descrito como um plano final para cortar 60% de toda a força de trabalho da Meta.

Mais código gerado por IA não significou mais produto entregue na mesma proporção

As métricas internas reportadas pela Reuters são particularmente úteis porque distinguem atividade de resultado. Uma publicação interna dizia que as alterações de código nas plataformas de software e infraestrutura da Meta tinham aumentado 220% em termos anuais, enquanto as alterações que resultaram em funcionalidades novas ou melhoradas disponibilizadas aos utilizadores tinham subido apenas 36%.

Estes números não provam que a IA tenha causado produtividade fraca. Mostram, contudo, porque o volume bruto de código é uma métrica de governance insuficiente. Uma organização pode gerar mais commits, patches ou linhas de código e, ao mesmo tempo, criar mais trabalho de revisão, risco operacional ou alterações de pouco valor. Para líderes de engenharia, a lição prática é medir qualidade de entrega, defeitos que escapam, incidentes, lead time, frequência de rollback e resultados de negócio, e não apenas utilização de IA ou código produzido.

A Ars Technica destacou a mesma diferença entre produção de código e resultado útil. O caso da Meta é valioso porque a empresa é tecnicamente sofisticada, dispõe de modelos avançados e infraestrutura de grande escala e, ainda assim, encontrou o problema fundamental de converter geração mais rápida em throughput organizacional fiável.

A autonomia dos agentes criou uma fronteira de fiabilidade e segurança

A parte mais consequente da reportagem diz respeito ao controlo. A Reuters afirma que publicações internas alertaram para agentes de IA sem supervisão suficiente a realizarem “ações perturbadoras em grande escala que os humanos provavelmente não executariam”. O mesmo material interno associou o aumento de AI coding a um crescimento de 40% nos principais incidentes técnicos e de segurança e a um aumento de 70% no tempo gasto em firefighting.

Estes números vêm de reporting interno da Meta e não devem ser tratados como um estudo causal controlado. Ainda assim, constituem evidência relevante sobre a fronteira operacional da adoção de agentes. Quando um agente pode alterar infraestrutura, escrever código, usar credenciais ou fazer mudanças num sistema grande, a organização já não está apenas a gerir uma ferramenta de produtividade. Está a gerir um sistema de execução cujos modos de falha podem propagar-se mais depressa do que em workflows humanos convencionais.

A implicação arquitetural é conhecida: permissões, isolamento do ambiente, revisão de alterações, rate limits, observabilidade e condições de paragem determinísticas são tão importantes como a capacidade do modelo. Uma empresa que dê acesso amplo aos agentes mas os avalie sobretudo pelo volume de output pode incentivar ação rápida sem controlo equivalente sobre o blast radius.

A Meta mudou de rumo antes de concluir a reestruturação

A Reuters relata que a Meta avançou em maio com uma redução de pessoal de cerca de 10%, mas cancelou a segunda vaga prevista do Project OT antes de ela acontecer. A investigação não conseguiu identificar uma causa única para a reversão. Documenta, em vez disso, reação negativa dos trabalhadores, queda de moral, evidência de produtividade mais fraca do que o esperado e problemas técnicos de fiabilidade entre as pressões em torno da decisão.

Esta distinção é importante. Seria excessivo afirmar que os agentes de IA, por si só, levaram a Meta a abandonar a reestruturação. A evidência suporta uma conclusão mais restrita: o cenário organizacional AI-native mais agressivo encontrou limitações técnicas, operacionais e humanas antes de a transformação planeada estar concluída.

A Meta continua a investir fortemente em IA e a implementar ferramentas agentic. A lição, portanto, não é que os agentes empresariais tenham falhado. É que uma empresa pode continuar comprometida com IA enquanto revê pressupostos sobre a rapidez com que a automação consegue substituir capacidade organizacional já existente.

O que líderes empresariais devem retirar da experiência da Meta

Para CIOs, CTOs e equipas de governance, o Project OT é um aviso contra tratar a adoção de agentes como uma simples equação de headcount. Um caso de automação credível deve definir o limite da tarefa, o resultado esperado, o modelo de controlo e o limiar de evidência antes de ligar reduções de pessoal a produtividade projetada.

O dashboard certo deve separar atividade de valor. Métricas úteis incluem entrega visível ao cliente, cycle time, taxa de defeitos escapados, incidentes de segurança, carga de revisão humana, rework, frequência de rollback e custo operacional total. A telemetria dos agentes também deve mostrar que ferramentas foram usadas, que permissões foram exercidas, que alterações exigiram aprovação e que ações acionaram contenção.

O ponto mais profundo é organizacional. A IA agentic pode tornar alguns trabalhadores muito mais rápidos, mas isso não significa automaticamente que a organização possa remover pessoas na mesma proporção. Os humanos também fornecem revisão, gestão de exceções, conhecimento institucional, coordenação e accountability. Se essas funções forem removidas mais depressa do que o sistema de controlo dos agentes amadurece, a eficiência aparente pode reaparecer como risco operacional.

A experiência da Meta é especialmente valiosa porque oferece evidência de uma tentativa em grande escala de redesenhar o trabalho em torno de IA, em vez de apenas adicionar um copilot aos processos existentes. O resultado até agora aponta para uma sequência mais disciplinada: provar primeiro throughput fiável e só depois redesenhar a organização com base em capacidade medida.

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