Meta quiso reemplazar equipos con IA y el plan colapsó

Project OT: la apuesta de Meta por una organización "AI-native"

Meta recortó cerca del 10% de su plantilla en mayo de 2026 y, al mismo tiempo, vio cómo sus cambios de código asistidos por IA crecían 220% interanual. El número suena a salto de productividad; los resultados reales cuentan otra historia: las nuevas funciones que efectivamente llegaron a usuarios solo crecieron 36%, los incidentes técnicos y de seguridad subieron 40% y el tiempo que los empleados dedicaron a resolverlos se elevó 70%.

Es el balance interno de Project OT (abreviatura de Organization Transformation), el plan confidencial que Mark Zuckerberg presentó en enero en su retiro de liderazgo en Hawái y que Reuters sacó a la luz esta semana. La iniciativa buscaba convertir a Meta en una organización "AI-native", con pods de 3 a 5 personas reemplazando equipos tradicionales de 10 a 20 integrantes y agentes de IA asumiendo el grueso del trabajo rutinario.

El dato clave para founders: automatizar tareas no es automatizar equipos. Esa diferencia es la que separa una mejora de eficiencia de un experimento que termina costando más de lo que ahorra.

🤖 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

¿Qué salió mal en Project OT?

Project OT contemplaba dos fases de recortes. La primera se ejecutó el 20 de mayo y eliminó aproximadamente el 10% de la plantilla. La segunda, prevista para noviembre, fue cancelada por Zuckerberg la noche del 19 de mayo, horas antes de que arrancaran los despidos de la primera fase, según reconstruyó Reuters a partir de documentos internos y entrevistas con más de 20 personas con conocimiento del proyecto.

Los motivos fueron tres, y todos están medidos:

Productividad que no se traduce en valor. El código generado con IA se multiplicó por más de tres; las mejoras visibles para el usuario, apenas un tercio.
Más superficie de ataque, menos capacidad de respuesta. Los incidentes graves crecieron 40% y el tiempo de resolución, 70%. Engadget reportó además que, en junio, ciberatacantes explotaron vulnerabilidades en el chatbot de atención al cliente de Meta impulsado por IA para comprometer cuentas verificadas de Instagram.
Moral por el suelo. La aprobación interna en la encuesta Pulse cayó de 74% a 55%, según cifras citadas por PeopleMatters.

A esto se sumó una decisión que incendió a la plantilla: Meta instaló software en los equipos de empleados en Estados Unidos para registrar pulsaciones de teclado y movimientos del ratón con el objetivo de entrenar a sus propios agentes. Muchos trabajadores concluyeron, según Reuters, que estaban ayudando a construir los sistemas que los reemplazarían. El descontento aceleró esfuerzos de organización sindical en varios equipos de ingeniería.

¿Por qué más código no equivale a más valor?

El caso Meta es la versión más visible de un patrón que la investigación viene documentando desde hace meses. En su Microsoft Work Trend Index 2026, la compañía reportó que solo el 19% de los usuarios de IA se encuentran en lo que denomina "zona Frontier", es decir, donde la IA realmente transforma cómo se hace el trabajo. El resto sigue usando la herramienta en los bordes de flujos existentes.

BCG, por su parte, encontró en su Global AI at Work 2026 que el 42% de los empleados dice ahorrar el equivalente a una jornada semanal con IA, pero el 66% reconoce no haber recibido guía sobre qué hacer con ese tiempo. En una encuesta a casi 12.000 trabajadores, solo una de cada diez personas afirma que la IA transformó cómo se trabaja en su organización.

McKinsey fue más directo en su State of AI 2025: el 88% de las empresas reportan uso regular de IA en alguna función, pero solo el 39% atribuye a esa tecnología algún impacto en EBIT. La brecha entre adopción y retorno es la constante.

La plataforma Lariddin, citada por Forbes, resumió el hallazgo con datos de ingeniería: en equipos "AI-native", el tiempo de revisión de código creció cerca de 30% porque la generación acelerada produce más pull requests y diffs más grandes que el mismo número de personas debe evaluar. Más producción, más cuellos de botella aguas abajo.

"Tokenmaxxing": cuando medir volumen oculta el problema

Parte de la confusión viene del indicador que las empresas están usando. The Next Web acuñó el término "tokenmaxxing" para describir la práctica de medir productividad por tokens consumidos o por código generado, en lugar de por valor entregado.

Los ejemplos se acumulan. Amazon descontinuó esta semana su leaderboard interno "Kirorank", que rankeaba empleados por uso de tokens; los trabajadores lo estaban gamificando para inflar sus números sin impacto real. Uber agotó todo su presupuesto de herramientas de IA para 2026 en los primeros cuatro meses, según The Information, sin un aumento medible en proyectos entregados. Salesforce proyecta gastar US$300 millones en tokens de Anthropic este año, una cifra que el propio CEO Marc Benioff justificó pidiendo una "capa de enrutamiento" que asigne cada tarea al modelo adecuado, admitiendo implícitamente que no todos los tokens producen valor.

El programador y autor James Shore lo escribió con crudeza: "Escribes código el doble de rápido. Mejor que hayas reducido a la mitad tus costos de mantenimiento. Si no, estás en problemas: estás cambiando un impulso temporal de velocidad por servidumbre permanente".

¿Qué significa esto para tu startup?

El plan de Meta tenía sentido en una hoja de cálculo: si cada agente hace el trabajo de tres personas, los pods pequeños tienen justificación económica. La realidad operativa fue distinta porque la automatización exige rediseñar procesos completos, no solo reasignar tareas individuales. Cuando un agente falla, alguien tiene que responder. Cuando produce un resultado cuestionable, alguien tiene que validarlo. Cuando acumula conocimiento tácito sobre clientes, código o prioridades internas, alguien tiene que custodiarlo. Esas funciones no estaban asignadas en Project OT, y la calidad del output lo reflejó.

Acciones concretas que un founder puede aplicar esta semana:

Define el "scoreboard" antes de comprar licencias. Si tu métrica de éxito es "tokens consumidos" o "tareas automatizadas", vas a optimizar volumen, no valor. Mide decisiones mejor tomadas, ciclos más cortos en los procesos críticos y calidad del output entregado al cliente.
Rediseña el workflow, no solo la tarea. Antes de quitarle una persona a un equipo, recorre el flujo completo y pregúntate quién valida al agente, qué pasa cuando falla y dónde queda el conocimiento experto. Si no tienes respuesta, todavía no puedes automatizar ese rol.
Reskilling enfocado a juicio, no a prompting. El Work Trend Index 2026 muestra que los "Frontier Professionals" se distinguen por mantener criterio propio sobre el output de la IA, no por usarla más. Entrena a tu equipo en revisión, manejo de excepciones y criterios de calidad.
Mide el costo total, no el costo del modelo. El precio por token es solo una parte; incluye el tiempo humano de revisar, corregir y mantener lo que el agente produjo. Regla operativa: si el agente duplica la velocidad de generación pero el equipo invierte 30% más revisando, no hay ganancia neta.

Conclusión

Meta gastará al menos US$130.000 millones en infraestructura de IA durante 2026 y aun así tuvo que frenar uno de los experimentos de reemplazo de plantilla más agresivos del sector tecnológico. Para los analistas de LSEG citados por Blockonomi, esa cifra puede absorber toda la generación anual de caja operativa de la compañía.

El caso Project OT no es una derrota de la IA; es una corrección de rumbo. La pregunta que reemplaza al "cuánta gente puede reemplazar un agente" es más útil y más incómoda: qué diseño organizacional necesita tu empresa para que humanos y sistemas autónomos produzcan más valor juntos. Comprar licencias es trivial. Reconstruir procesos, responsabilidades y controles alrededor de la IA sigue siendo, para la mayoría, un trabajo sin hacer.