Meta frenó su plan de reemplazar empleados con IA: qué falló

Qué fue Project OT y por qué Meta se planteó algo tan radical

Meta diseñó a inicios de 2026 un plan bautizado como Project OT (Organization Transformation) para convertir toda la compañía en una organización "AI native": menos personas, más agentes de IA supervisando tareas que hasta ahora hacían empleados. La investigación de Reuters, replicada por Ars Technica, Engadget, Futurism y Computerworld, revela que los ejecutivos llegaron a evaluar recortes de hasta el 60% en algunos equipos, una segunda ola de despidos en noviembre, y la instalación de un software de rastreo en los equipos de los empleados en EE.UU. para capturar movimientos del ratón, pulsaciones y clics con los que entrenar a esos futuros sustitutos digitales.

El plan arrancó en enero en una reunión de liderazgo en la residencia de Mark Zuckerberg en Hawái, según Engadget. La idea, inspirée en startups asiáticas que ya operan con equipos mínimos rodeados de IA, era que pequeños "pods" humanos supervisaran agentes que asumirían "gran parte del trabajo diario de miles de empleados", como recogió Reuters.

Qué salió mal: los números que Meta vio por dentro

La primera ola de despidos llegó en mayo de 2026 y afectó a casi 8.000 personas, alrededor del 10% de la plantilla global, según Futurism. Pero la segunda ola, prevista para noviembre, fue cancelada. ¿Por qué? Los datos internos que reportó Reuters cuentan una historia incómoda para quien quiera replicar el experimento:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Cambios de código sobre plataformas internas de IA: +220% interanual, según un post interno del CTO Andrew Bosworth a principios de junio.
Nuevas funcionalidades que llegaron a usuarios: solo +36% en el mismo período. Es decir: mucho más código, poco más de valor real.
Incidentes técnicos y de seguridad: +40%, con tiempo dedicado a "apagar fuegos" por código generado por IA que creció un 70%.
Un post interno de abril advertía de que agentes sin supervisión ejecutaban "acciones disruptivas a gran escala que es improbable que un humano hiciera".

La brecha entre actividad y resultado fue la grieta por la que se cayó el plan. Zuckerberg reconoció en un town hall de julio que la "trayectoria del desarrollo agentic en los últimos cuatro meses no se aceleró como esperábamos" y que la inversión en agentes "todavía no dio sus frutos", según recogió Engadget.

La rebelión interna y el coste humano del plan

El plan no falló solo en lo técnico. Reuters y Futurism documentan que 26 empleados presentaron una demanda contra Meta tras los despidos de mayo, alegando que el algoritmo de selección había afectado desproporcionadamente a personas con discapacidad. La moral interna cayó en picado: el software de rastreo instalado en abril para capturar pulsaciones y movimientos del ratón provocó una tormenta en los canales internos y los índices de sentimiento de los empleados cayeron 19 puntos, según Engadget.

La respuesta de Meta fue tan reveladora como el problema: Zuckerberg prometió más gasto en viajes, eventos sociales y, textualmente, "mejorar la calidad de los snacks en las micrococinas de las oficinas", reportó Computerworld. Nada de eso frenó la organización interna de los trabajadores ni las especulaciones sobre nuevos recortes por equipo o por rendimiento en 2026 y 2027.

Qué dice esto sobre el estado real de los agentes de IA

El caso Meta no es una historia de fracaso tecnológico, sino de exceso de fe en una promesa aún no cumplida. Computerworld recogió el análisis de Sanchit Vir Gogia, chief analyst de Greyhound Research: "Meta confió en un pronóstico de capacidad de IA antes de que existiera en producción. El error fue presupuestar esa mejora como capacidad productiva antes de que llegara. Demuestra la acción antes de ampliar la autoridad, y la autoridad antes de quitar el control humano".

Terra Higginson, principal research director en Info-Tech Research Group, fue más directa: "Agentes de IA sin supervisión son una mala idea. Quitar humanos es una mala idea. Eso no es el futuro que nadie quiere". Y Justin Greis, CEO de Acceligence, cerró con la frase más útil para cualquier founder: "Si un agente de IA produce diez veces más código, eso no significa que la empresa creó diez veces más valor. Significa que creó diez veces más material que alguien tiene que validar, asegurar, integrar y limpiar".

¿Qué significa esto para tu startup?

Para un founder, la historia de Meta es una clase magistral sobre cómo NO desplegar agentes de IA. Tres lecciones concretas:

Mide outcome, no output. Si tus agentes generan más tickets, más código o más análisis, no estás ganando productividad: estás acumulando trabajo de revisión. Pregúntate qué métrica de negocio real mejoró, igual que el CEO de Acceligence sugiere: "¿Qué outcome medible mejoró porque la IA lo produjo?".
No presupuestes capacidad futura como si fuera presente. Meta elevó su previsión de gasto en IA para 2026 hasta US$145.000 millones, según Futurism, asumiendo que los agentes rendirían a nivel producción. Una startup mucho más pequeña que cometa el mismo error puede quebrar antes de ver el ROI.
Diseña el "pod" antes de recortar al humano. El modelo que Meta quería copiar (startups asiáticas con equipos mínimos supervisando IA) funciona cuando el humano valida cada acción de alto impacto. Si vas a quitar personas, deja un anillo de control humano bien pagado y con autoridad real sobre el agente, no decorativo.

Conclusión

El plan más agresivo de una de las compañías más ricas del mundo para reemplazar miles de empleados con agentes de IA se frenó no por regulación ni por ética, sino porque los números internos no cerraban. Más código, más incidentes, misma o menor entrega de valor. Para founders hispanohablantes construyendo con IA, la señal es clara: la tecnología está lista para tareas específicas y supervisadas, no para absorber la responsabilidad de un equipo entero. Quien quiera ahorrar costes con agentes primero tiene que demostrar, con datos, que el agente produce el outcome que importa; luego ya podrá discutir si la cabeza humana sobra.