Meta estudió reducir hasta un 60 % el tamaño de algunos equipos y trasladar buena parte del trabajo diario a agentes de inteligencia artificial. El Proyecto OT pretendía convertir al propietario de Facebook, Instagram y WhatsApp en una empresa «nativa de IA», con grupos humanos mucho más pequeños. La transformación, sin embargo, chocó con una realidad incómoda: se producía mucho más código, pero la mejora útil era menor y aumentaban los problemas técnicos. Zuckerberg frenó la segunda fase del plan.
Por Redacción Pangea IA ·
La historia procede de una investigación especial de Reuters publicada el 26 de agosto y ampliada el 3 de septiembre. Se apoya en documentos, comunicaciones y grabaciones internas, además de entrevistas con más de veinte personas conocedoras del funcionamiento de Meta. La empresa confirmó la existencia del Proyecto OT —siglas de Organization Transformation—, aunque matizó que los escenarios más drásticos no afectaban a toda la compañía y que nunca pretendió despedir al 60 % de su plantilla completa.
La precisión es importante. No estamos ante un plan para sustituir a seis de cada diez trabajadores de Meta, sino ante ejercicios internos que contemplaban reducir hasta ese porcentaje en determinados equipos mediante recortes, puestos vacantes que no se cubrirían y recolocaciones. Aun con esa limitación, el proyecto representa uno de los intentos más ambiciosos conocidos de rediseñar una gran empresa alrededor de agentes de IA.
Qué era realmente el Proyecto OT
La idea empezó a tomar forma a comienzos de 2026. Meta quería abandonar la organización tradicional de producto, formada por especialistas, responsables intermedios y equipos relativamente grandes. En su lugar planteó pequeños grupos o pods, compuestos principalmente por tres o cuatro perfiles capaces de construir productos con ayuda de herramientas y agentes de IA.
El modelo prometía menos capas de gestión, ciclos de desarrollo más breves y personas capaces de asumir funciones que antes estaban separadas. Diseño, programación, análisis y gestión de producto podrían concentrarse en grupos reducidos, mientras especialistas compartidos prestarían apoyo a varios proyectos. La tecnología debía permitir que esos equipos exploraran más ideas con menos coste.
En teoría, el planteamiento encaja con una promesa repetida en todo el sector: una persona equipada con buenos agentes puede producir como un equipo entero. El problema aparece cuando esa capacidad hipotética se transforma demasiado pronto en un objetivo de plantilla. Una herramienta puede acelerar una tarea concreta sin estar preparada para sustituir el conjunto de decisiones, revisiones y responsabilidades que rodean a esa tarea.
Dos fases de recortes, pero solo una siguió adelante
Los documentos revisados por Reuters describían dos fases. Meta ejecutó en mayo una reducción aproximada del 10 % de su plantilla, combinada con movimientos internos hacia áreas prioritarias. La noche anterior a esos despidos, Zuckerberg detuvo la preparación de una segunda reorganización prevista para noviembre. La empresa asegura que esta segunda fase se canceló antes de decidir cuántas personas quedarían afectadas.
Eso no significa que todos los despidos de mayo fueran consecuencia directa del bajo rendimiento de la IA. Meta estaba recortando costes, cerrando vacantes y desviando recursos hacia el entrenamiento de modelos, chips y centros de datos. La compañía sostiene que miles de empleados fueron recolocados en nuevos equipos y que el Proyecto OT siempre incluyó varios escenarios, no una única decisión irrevocable.
La conclusión prudente es que Meta aplicó una primera reestructuración, pero abandonó su parte más agresiva antes de completar el plan. Tampoco hay garantía de que nunca vuelva a intentarlo. Zuckerberg reconoció internamente que la tecnología de agentes no avanzaba al ritmo que había esperado y señaló que podía mejorar durante los meses siguientes.
Más código no significó más productividad
El dato que mejor resume el problema compara actividad con resultados. Según comunicaciones internas citadas por Reuters, los cambios de código en plataformas e infraestructura internas crecieron un 220 % interanual. Sin embargo, los cambios que terminaron convertidos en funciones nuevas o mejoradas para los usuarios aumentaron únicamente un 36 %.
Las dos cifras no son una medición completa de productividad y no permiten calcular por sí solas cuánto valor creó cada trabajador. Sí muestran una diferencia que cualquier empresa debería vigilar: generar más material no equivale a entregar más producto. La IA puede producir rápidamente código, documentos, diseños o campañas, pero cada elemento adicional necesita pruebas, integración, mantenimiento y una decisión sobre si realmente resuelve un problema.
Cuando una organización mide líneas escritas, tareas cerradas o mensajes enviados, la automatización puede parecer extraordinariamente productiva. Si mide ventas, tiempo ahorrado al cliente, errores, estabilidad o funciones utilizadas, el resultado puede ser distinto. El caso de Meta recuerda que el indicador debe estar unido al valor final, no al volumen de actividad que la herramienta hace más fácil inflar.
El coste oculto: errores y tiempo dedicado a repararlos
La velocidad también tuvo consecuencias técnicas. Los datos internos recogidos en la investigación señalaban un aumento del 40 % en incidentes graves de fiabilidad y seguridad, mientras el tiempo dedicado por los empleados a resolver esas emergencias creció un 70 %. Meta no comentó a Reuters estas métricas concretas.
Una parte del ahorro aparente puede desaparecer cuando el trabajo automático genera revisiones, fallos o interrupciones. Si un agente crea diez cambios en el tiempo que una persona necesitaba para realizar uno, pero después un equipo debe comprobarlos, corregirlos y vigilar sus efectos, la comparación correcta no es cuánto tardó en escribirlos. Es el coste total desde la instrucción inicial hasta que el resultado funciona con seguridad.
Este riesgo aumenta en sistemas complejos. Un fragmento de código puede parecer correcto de forma aislada y fallar al interactuar con permisos, bases de datos, versiones antiguas o servicios utilizados por millones de personas. Los agentes necesitan límites de acceso, pruebas automáticas y supervisión humana proporcional al daño que podría causar un error.
El marco de gestión de riesgos de IA del NIST recomienda precisamente gobernar, identificar, medir y gestionar los riesgos durante todo el ciclo de vida. Aplicado al trabajo empresarial, significa que no basta con elegir un modelo potente: hay que saber quién responde por su resultado, qué indicadores se observan y cómo se detiene un proceso cuando aparecen señales anómalas.
La resistencia de los empleados también importó
Meta no tropezó únicamente con una limitación técnica. Muchos trabajadores interpretaron la transformación como un intento de enseñar a la IA a sustituirlos. La tensión aumentó cuando se instaló en dispositivos corporativos un sistema destinado a registrar acciones como pulsaciones y movimientos del ratón para entrenar agentes capaces de reproducir tareas humanas.
La empresa pausó después ese programa. La investigación también describe una caída importante en su indicador interno de sentimiento de los empleados y conflictos en los canales corporativos. Este elemento no puede separarse de la productividad: una reorganización que genera miedo, salidas de personal experimentado o menor colaboración puede reducir el rendimiento aunque la herramienta funcione correctamente.
Las empresas necesitan explicar qué datos recopilan, para qué los utilizan y qué decisiones pueden afectar a cada puesto. Pedir a una persona que documente minuciosamente su trabajo mientras se prepara una reducción de plantilla crea un conflicto evidente. La transparencia no elimina la preocupación por el empleo, pero permite negociar cambios, detectar conocimientos que no aparecen en un registro y diseñar recolocaciones realistas.
Meta no ha renunciado a la IA ni a los equipos pequeños
Presentar el episodio como una derrota definitiva de la inteligencia artificial sería incorrecto. Meta continúa invirtiendo cantidades enormes en modelos, infraestructura y agentes. Lo que quedó frenado fue una versión especialmente rápida y agresiva de la reorganización, no la estrategia tecnológica de la compañía.
La posición pública de Zuckerberg también ha cambiado de énfasis. En su ensayo The Future is for Everyone, defiende que la principal aportación de una IA muy avanzada debería ser ampliar la capacidad de las personas para inventar, aprender y crear negocios, más que automatizar puestos existentes. También admite que algunas empresas podrían funcionar con menos empleados, aunque sostiene que surgirían más compañías y nuevas ocupaciones.
Es una visión posible, no una previsión garantizada. La transición puede crear empleo en unas actividades y destruirlo en otras, con diferencias de tiempo, formación y ubicación. Precisamente por eso interesa observar qué ocurre dentro de una de las empresas que más recursos dedica a hacer realidad ese futuro.
La lección para una pyme: automatizar tareas antes que organigramas
El error más peligroso sería empezar por una cifra de reducción de plantilla y buscar después la tecnología que la justifique. Una implantación responsable comienza identificando tareas repetitivas, midiendo el tiempo y los errores actuales, probando la IA con un grupo pequeño y comparando el resultado completo con el proceso anterior.
- Medir resultados: ventas, calidad, plazos, satisfacción y errores, no solo documentos o código producidos.
- Calcular el coste total: incluir revisión, correcciones, integración, formación, licencias e incidentes.
- Limitar permisos: un agente no debe acceder a más datos o sistemas de los necesarios.
- Mantener responsables humanos: especialmente antes de pagos, publicaciones, despidos o cambios irreversibles.
- Preparar una salida: saber cómo detener la automatización y recuperar el proceso manual si falla.
- Comunicar el cambio: explicar qué tareas se transforman, qué datos se recogen y qué formación se ofrecerá.
En nuestro análisis sobre el coste y el retorno de automatizar una pyme proponemos empezar por procesos concretos y exigir un resultado medible. La experiencia de Meta refuerza esa idea: incluso una gran tecnológica puede confundir durante un tiempo el aumento de producción con un aumento equivalente de valor.
Dos formas distintas de cambiar el empleo
El caso se puede comparar con la reciente decisión de Nissan de automatizar 64 puestos de transporte interno mediante robots con IA. Allí la compañía ha anunciado la recolocación de los trabajadores afectados y la tarea automatizada está muy delimitada: mover piezas dentro de una fábrica.
Meta intentaba algo más incierto: comprimir equipos de conocimiento donde el trabajo incluye contexto, coordinación, creatividad, control de calidad y responsabilidad. Automatizar una ruta física repetitiva y rediseñar el desarrollo de productos digitales no presentan el mismo nivel de ambigüedad. La comparación muestra por qué hablar de «puestos sustituidos por IA» sin analizar las tareas conduce a conclusiones demasiado simples.
Para los trabajadores, la pregunta útil no es únicamente si desaparecerá una profesión, sino qué partes de su trabajo se automatizarán, cuáles ganarán importancia y qué nuevas responsabilidades aparecerán. Esa es también la perspectiva de ¿Y mi trabajo qué?, nuestro atlas sobre las profesiones que cambiarán antes de 2030.
Qué debemos observar ahora
- Si Meta recupera parte de la segunda fase cuando considere que sus agentes son más fiables.
- Qué indicadores utilizará para distinguir volumen de código, funciones útiles y productividad real.
- Si disminuyen los incidentes asociados a cambios generados o ejecutados por IA.
- Cómo evoluciona la estructura de pequeños pods ya implantada en algunas unidades.
- Si las recolocaciones crean puestos duraderos o únicamente retrasan nuevas reducciones.
- Cómo conciliará Meta su mensaje público de potenciar a las personas con futuras decisiones de plantilla.
Una advertencia contra la automatización por decreto
El Proyecto OT no demuestra que los agentes de IA sean inútiles. Demuestra algo más práctico: una organización no puede asumir que una mejora técnica se convierte automáticamente en una reducción segura del número de personas. Entre ambas cosas existen procesos, conocimiento acumulado, controles y consecuencias humanas.
Meta pudo generar mucho más código y, al mismo tiempo, dedicar más recursos a apagar problemas. Esa aparente contradicción es la noticia central. La productividad no consiste en hacer más movimientos, sino en alcanzar mejores resultados con un coste total menor y un riesgo aceptable.
Las empresas que aprendan esta lección podrán utilizar la IA para ampliar la capacidad de sus trabajadores y automatizar gradualmente aquello que funcione. Las que empiecen fijando cuántas personas sobran corren el riesgo de descubrir demasiado tarde que habían automatizado la producción, pero no la responsabilidad de entregar un resultado fiable.
Fuentes consultadas
- Reuters: investigación especial sobre el Proyecto OT de Meta, 26 de agosto de 2026.
- Reuters: nuevas respuestas y aclaraciones sobre el plan, 3 de septiembre de 2026.
- Meta: The Future is for Everyone, visión pública de Mark Zuckerberg sobre la IA y el empleo, consultado el 5 de septiembre de 2026.
- NIST AI Resource Center: marco y recursos para gestionar riesgos de inteligencia artificial, consultado el 5 de septiembre de 2026.
Deja una respuesta