Meta tentou cortar equipes com IA — os incidentes técnicos subiram 40%

Em reportagem publicada em 26 de agosto, a investigação da Reuters republicada pelo UOL revelou que a Meta avaliou reduzir algumas equipes em até 60%, cancelou a segunda etapa planejada para novembro e viu registros internos apontarem alta anual de 40% nos incidentes técnicos e de segurança graves.

O plano, chamado Project OT, pretendia tornar a empresa “nativa em IA” ao transferir parte do trabalho cotidiano para agentes supervisionados por grupos humanos menores. O recuo não encerrou a automação na Meta, mas colocou em dúvida a ideia de que produzir mais código permitiria reduzir equipes sem afetar entregas e confiabilidade.

Como o Project OT reduziria as equipes

Project OT era a abreviação de Organization Transformation. Nos cenários mais drásticos, a redução combinaria demissões, realocações para áreas prioritárias e fechamento de vagas abertas; o percentual máximo se aplicava a determinadas equipes, e não a toda a força de trabalho da Meta.

A reorganização foi dividida em duas fases. A etapa inicial avançou, enquanto a posterior foi interrompida antes de a empresa determinar quantas pessoas perderiam seus empregos. Algumas unidades continuaram experimentando estruturas menores, o que distingue o cancelamento da reestruturação ampla do abandono dos agentes de IA.

A causa exata da mudança de rumo não foi estabelecida. A reação dos funcionários, as limitações operacionais dos agentes e as métricas de produtividade apareceram no mesmo período, mas os dados públicos não permitem atribuir isoladamente a decisão a um desses fatores.

O volume de código cresceu mais que a entrega de produto

As métricas internas descreviam etapas diferentes do desenvolvimento. A análise publicada pela Computerworld registra que as mudanças em plataformas internas e infraestrutura cresceram 220% em relação ao ano anterior, enquanto alterações que geraram recursos novos ou atualizados para usuários avançaram 36%; o tempo dedicado à resposta a incidentes aumentou 70%.

• Mudanças de código: medem atividade em plataformas e infraestrutura, incluindo manutenção, experimentos e alterações que podem não chegar ao público.
• Recursos entregues: indicam que uma alteração alcançou o usuário, mas não revelam, por si só, adoção, utilidade ou qualidade.
• Incidentes: registram falhas técnicas ou de segurança graves, como interrupções de serviço e possíveis vazamentos de dados.
• Tempo de resposta: representa a capacidade desviada do trabalho planejado para investigar, conter e corrigir problemas.

O contraste mostra por que mais código não equivale automaticamente a mais produto. Uma organização pode acelerar alterações intermediárias sem ampliar as entregas na mesma proporção, sobretudo quando revisões, correções e recuperação de serviços passam a consumir uma parcela maior do trabalho.

Esses dados também não demonstram que todo incidente tenha sido provocado por código gerado por IA. Eles documentam uma combinação operacional desfavorável durante a ampliação da automação: forte crescimento da atividade interna, avanço bem menor das entregas ao usuário e aumento da carga associada a falhas.

A reação interna expôs a dependência do conhecimento humano

A resistência aumentou quando funcionários passaram a acreditar que ajudavam a treinar seus próprios substitutos. Um programa instalado em dispositivos corporativos nos Estados Unidos registrava teclas digitadas e cliques do mouse para ensinar agentes a reproduzir interações humanas com computadores.

As críticas circularam no Workplace, a rede interna da companhia. A Meta suspendeu o programa de rastreamento e permitiu que parte dos profissionais transferidos para atividades de treinamento de modelos retornasse às equipes anteriores.

O episódio revelou uma dependência que as métricas de código não capturam. Agentes precisam de acesso controlado, critérios de aprovação e conhecimento sobre sistemas proprietários, responsabilidades e dependências entre áreas — contexto que frequentemente permanece distribuído entre pessoas, documentos e práticas institucionais.

Quando uma reorganização é percebida principalmente como substituição de postos, a empresa pode comprometer a cooperação necessária para transmitir esse contexto. Isso não prova que agentes especializados sejam inviáveis; mostra que automatizar tarefas delimitadas é diferente de retirar a estrutura humana que define prioridades, avalia riscos e resolve exceções.

Agentes especializados não equivalem à automação de uma equipe

A própria Meta apresenta um exemplo mais restrito de automação. Na documentação oficial do Ranking Engineer Agent, a empresa afirma que três engenheiros prepararam propostas de melhoria para oito modelos em um trabalho que historicamente exigia dois engenheiros por modelo; o agente opera no código de classificação de anúncios, dentro de limites de acesso e orçamento computacional, com supervisão humana nas decisões estratégicas.

Esse caso delimita a diferença entre um agente especializado e a automação ampla de equipes. O resultado divulgado depende de um domínio específico, infraestrutura conhecida, tarefas repetíveis, critérios mensuráveis e pontos definidos de controle humano.

• Adequação alta: experimentos repetíveis em domínio restrito, com entradas, permissões, limites e critérios de avaliação definidos.
• Adequação condicionada: alterações em sistemas proprietários quando dependências, testes e responsáveis pela aprovação estão documentados.
• Adequação baixa: definição de prioridades, negociação entre áreas e decisões que dependem de contexto institucional disperso.
• Risco elevado: ações amplas em produção sem revisão humana, implantação gradual, monitoramento ou possibilidade de reversão.

Os resultados do agente especializado foram divulgados pela própria Meta e não demonstram que equipes inteiras possam ser reduzidas na mesma proporção. As salvaguardas, o escopo limitado e a permanência de decisões humanas fazem parte da configuração avaliada.

A segunda etapa do Project OT continua cancelada, enquanto a Meta mantém experiências com estruturas menores e agentes delimitados. Ainda faltam dados públicos que conectem diretamente o código produzido à adoção de recursos, à estabilidade em produção e ao custo total de resposta a falhas — medidas necessárias para saber quando mais atividade técnica se transforma, de fato, em mais produto.