Meta의 ‘인력 60% 감축’ AI 계획은 왜 멈췄나

2026년 8월 26일 공개된 ANSA의 Reuters 조사 요약 에 따르면 Meta는 ‘Project OT’에서 일부 팀의 인원을 최대 60% 줄이는 시나리오를 검토했다. 구조조정은 5월과 11월 두 단계로 구상됐지만, 5월 19일 밤 두 번째 단계가 취소됐고 다음 날 약 10% 규모의 첫 감축만 시행됐다.

추가 감축이 멈춘 이유는 하나로 확정되지 않았다. 공개된 자료가 보여주는 범위에서는 AI 활용으로 개발 활동은 급증했지만 사용자에게 전달된 성과는 그만큼 늘지 않았고, 운영·보안 부담과 직원 반발도 동시에 커졌다. 다만 중단된 것은 11월의 두 번째 대규모 구조조정안이며, Meta의 AI 중심 조직 전환 전체가 폐기된 것은 아니다.

60%는 전사 해고 목표가 아니었다

제목의 60%는 Meta 전체 직원 가운데 60%를 해고한다는 의미가 아니다. 회사가 시나리오 검토 과정에서 일부 팀에 적용할 수 있다고 본 최대 축소 폭이었다. 그 안에는 해고뿐 아니라 다른 조직으로의 재배치와 채용 공석 폐쇄도 포함됐다.

Project OT의 핵심은 기존 인력에게 AI 도구를 하나 더 제공하는 데 그치지 않았다. AI 에이전트가 일상 업무의 상당 부분을 처리하고, 더 적은 수의 숙련 직원이 결과를 감독하는 조직을 상정했다. 일부 조직에서는 작은 기술팀과 단순화된 관리 구조를 시험했고, 직원들을 AI 모델 훈련용 데이터를 만드는 새 부서나 우선순위가 높은 업무로 옮겼다.

따라서 실제로 실행된 조치와 취소된 조치를 나눠 봐야 한다. 첫 번째 인력 감축과 일부 재배치, 소규모 팀 실험은 진행됐다. 반면 전체 감축 규모도 확정되기 전에 11월의 두 번째 단계가 취소됐으므로, 60%는 완료된 감축률도 확정된 전사 목표도 아니다.

코드 변경 220%와 사용자 기능 변경 36%의 간극

Project OT의 전제를 흔든 핵심 신호는 개발 활동과 실제 제품 성과 사이의 차이였다. Computerworld가 전한 내부 지표 에서는 직원용 소프트웨어 플랫폼과 인프라의 코드 변경이 전년보다 220% 늘었지만, 신규 또는 개선 기능으로 사용자에게 도달한 변경은 36% 증가하는 데 그쳤다. 같은 보도는 주요 기술·보안 사고가 40%, 직원들의 사고 대응 시간이 70% 늘었다는 내부 자료도 소개했다.

이 수치들은 서로 분모가 다른 지표다. 220%와 36%를 단순히 나눠 AI의 효율이나 실패율을 계산할 수 없으며, 사용자 기능 변경이 36% 증가한 것 자체도 성과가 없었다는 뜻은 아니다. 다만 코드 변경량을 인력 대체 가능성의 대리 지표로 쓰기에는 실제 출시 성과의 증가 폭이 훨씬 작았다는 점은 분명하다.

문제는 AI가 작업을 얼마나 많이 생성했느냐와 조직이 유용한 결과를 얼마나 안정적으로 전달했느냐를 같은 생산성으로 간주한 데 있다. 코드나 시제품이 늘어도 테스트, 리뷰, 기존 시스템과의 통합, 배포, 장애 복구를 통과해야 사용자 가치가 된다. 이 후속 업무를 생산성 계산에서 빼면 AI의 기여는 커 보이고 숙련 인력의 역할은 작게 보인다.

속도 증가는 검증과 복구 부담도 키웠다

내부 경고에는 감독받지 않은 AI 에이전트가 사람이 좀처럼 실행하지 않을 만큼 광범위하고 파괴적인 작업을 수행한다는 내용이 포함됐다. 그러나 사고 증가 수치만으로 모든 장애와 잠재적 데이터 유출의 원인이 AI 코드였다고 단정할 수는 없다. 공개된 자료는 시간적 동시성과 내부의 우려를 보여줄 뿐, 개별 사고의 원인을 분석한 통제된 연구가 아니다.

그럼에도 조직 설계에는 직접적인 문제가 생긴다. 에이전트가 변경을 더 빠르게 만들수록 승인 대기, 코드 검토, 보안 점검과 예외 처리가 새로운 병목이 된다. 이 상태에서 숙련 직원을 먼저 줄이면 남은 인력은 더 많은 자동 생성 작업을 검증하면서 장애 대응까지 맡아야 한다.

Project OT가 기대한 구조는 소수의 고숙련 인력이 다수의 가상 작업자를 감독하는 방식이었다. 하지만 이 모델이 성립하려면 에이전트 한 개가 추가될 때 사람의 감독 시간이 얼마나 늘어나는지, 잘못된 변경을 되돌리는 비용이 얼마나 되는지부터 입증돼야 한다. 코드 변경량만으로는 이 두 비용을 확인할 수 없다.

직원 반발은 기술적 불확실성과 겹쳤다

조직의 신뢰도 빠르게 약해졌다. Katie Paul의 Reuters 조사 는 미국 직원의 키보드 입력과 마우스 동작을 수집해 에이전트 훈련에 쓰는 프로그램이 반발을 불렀고, 사내 Pulse 조사에서 긍정적 정서가 74%에서 55%로 떨어졌다고 전했다. 회사는 이후 추적 프로그램을 중단하고 일부 재배치 직원이 원래 조직으로 돌아갈 수 있도록 했다.

직원들은 자신이 대체 기술을 훈련시키고 있다고 받아들였고, 감축 범위에 대한 정보가 부족한 상황에서 불안은 더 커졌다. 이는 단순한 사내 홍보 문제가 아니었다. 역할과 책임이 불분명한 채 팀을 축소하면 에이전트의 결과를 승인할 사람, 사고에 책임질 사람, 직원 성과를 평가할 사람도 모호해질 수 있다.

다만 직원 반발만으로 두 번째 감축이 취소됐다고 결론 내릴 근거는 부족하다. 취소 시점에는 기대보다 더딘 에이전트 기술의 발전, 산출량과 출시 성과의 간극, 운영 위험, 조직 사기 저하가 함께 나타나고 있었다. 조사에서도 경영진이 방향을 바꾼 단 하나의 결정적 계기는 확인되지 않았다.

국내 기업이 자동화 KPI에서 구분할 것

국내 기업이 이 사례에서 확인할 부분은 AI 도입 자체보다 인력 목표와 성과 측정의 순서다. 감축 폭을 먼저 정한 뒤 코드, 문서, 처리 건수처럼 생성하기 쉬운 산출량으로 정당화하면 검증과 복구 업무가 지표 밖으로 밀려난다. 자동화가 실제 인력 수요를 줄였는지는 같은 기간과 업무 범위에서 다음 항목을 함께 봐야 판단할 수 있다.

• 최종 결과: 생성된 코드나 시제품 수가 아니라 실제 배포된 기능, 완료된 고객 업무와 사용자 개선을 측정한다.
• 품질 비용: 재작업, 결함, 장애, 보안 검토와 롤백에 들어간 시간을 생산성 계산에 포함한다.
• 감독 부담: 자동화된 업무 단위마다 승인, 검증과 예외 처리에 필요한 숙련 인력 시간을 기록한다.
• 권한별 위험: 초안 생성, 코드 변경, 운영 시스템 실행을 분리하고 오류의 영향과 복구 가능성을 비교한다.
• 조직 지속성: 핵심 인력 이탈, 책임의 불명확성, 사기 저하가 납기와 운영 안정성에 미치는 영향을 살핀다.

현재 확인된 결론은 제한적이지만 명확하다. Meta는 일부 팀을 최대 60% 줄이는 시나리오를 검토했고 5월의 첫 감축은 실행했으나, 11월로 예정했던 두 번째 감축안은 실행 전에 취소했다. 회사가 AI 에이전트의 실제 출시 기여도와 운영 비용을 어떤 기준으로 다시 평가할지, 중단된 감축을 다른 형태로 재개할지는 공개되지 않았다.