Meta 内部代号 Project OT 的组织改造实验，试图用 AI Agent 把产品团队压缩到 3-5 人，却事与愿违：代码变更量同比涨 220%，落到产品的仅 36%，事故与救火时间同步飙升。这场大厂实验说明，让 AI 多干活和让公司真正提效，仍是两回事。

过去两年，关于 AI 和工作的讨论，绝大多数都停留在预测。

AI 会不会替代程序员？中层管理还需不需要？一个人带着一群 Agent，能不能完成过去十个人的工作？

Meta 决定不只讨论。

今年年初，扎克伯格在夏威夷召集公司高管，启动了一个内部代号为 Project OT（Organization Transformation，组织转型） 的项目。

目标不是给员工装几个AI工具，而是直接重新设计 Meta 这家超过 7万名员工的大公司的组织结构：

• 让 AI Agent 承担大量日常工作，把原本十几人的产品团队压缩成三五个人；
• 减少中间管理层；
• 工程师和设计师之间的角色边界被进一步打破，甚至统一叫“Builder”。

在最激进的情景推演里，一些团队的人数最多可能减少 60%。

Meta 计划分两轮推进，第一轮在5月，第二轮在11月。

几个月之后，结果出来了，AI 确实让员工写出了更多东西。

但 Meta 内部数据显示，员工在内部软件平台和基础设施上的代码变更量同比增加了 220%，最终真正变成新功能或者产品升级、到达用户手里的变化，只增加了 36%。

与此同时，重大技术和安全事故增加了 40%，员工花在“救火”上的时间增加了 70%。

员工满意度则从 74%掉到了 55%。

5月19日，也就是第一轮裁员开始前几个小时，扎克伯格突然叫停了原定 11月进行的第二轮大规模调整。

第二天，Meta依然裁掉了约 10%的员工。

到了7月，扎克伯格在内部员工大会上承认了一件事：

AI Agent 的发展，没有他预想得那么快。

这是目前我看到过关于“AI 到底能不能替代员工”最值得分享的一次真实实验。

因为做实验的不是几十人的创业公司，而是 Meta。

它有全球最好的 AI 人才之一，有自己的大模型，有巨额算力预算，也拥有可能是全世界最丰富的软件工程数据。

如果连 Meta 都发现：

让 AI 多干活，和让一家公司真正提高生产率，是两件完全不同的事情。

那我们之前对待 AI Agent 替代员工的态度和步伐，是不是过于乐观。

01 Meta 想做的不是裁员，是重写组织结构

前面提到一个数据：在最激进的情景推演里，一些团队的人数最多可能减少 60%。

Meta 自己也对此进行了澄清，60% 只是部分团队在最激进情景下的测算，不是公司准备裁掉 60%员工，而且其中还包含岗位关闭、人员调动，并不全部等于裁员。

真正激进的是它背后的组织设计。

传统的 Meta 产品团队一般有 10到20个人：

工程师、产品经理、设计师、数据科学家、用户研究员、数据工程师，各自负责不同工作。

Meta 设计的新模式只有 3到 5个人。

其中通常是 3到4名 Builder，再加一个负责方向的人。

设计、研究、数据等专业人员不再固定属于一个团队，而是变成共享资源，由多个小团队共同使用。

过去层层汇报的组织，也变成大量小型 Pod。

一个更高级的负责人可以管理 30到 50个人，Pod 负责人负责每天推进项目，却不一定拥有传统意义上的正式管理权。

甚至“工程师”、“设计师”这样的职位边界，也开始消失。

Meta 内部有份《AI-Native Playbook》提出了一个很有代表性的设想：

以后这些人统一叫 Builder。

因为在 AI 帮助下，一个工程师可以画界面，一个设计师也可以做原型。以前需要跨三四个部门完成的东西，现在几个人就应该能够完成。

Meta 去年已经开始试这种方式。

最早的一批实验团队只有两三个工程师加一个设计师，不再按照过去半年一次的产品规划周期工作，而是改成四周一个 Sprint，希望快速做出接近成品的原型。

到今年 6月，至少已有 11个 Meta 部门采用了类似的小型 Pod 结构。

与此同时，Meta 还建立了一个寻找 Irreplaceable Talent/不可替代人才的内部工具。

里面甚至重新出现了硅谷那个著名概念：10X 工程师。

逻辑非常简单：

如果 AI 能够把顶尖工程师的能力进一步放大，一个非常优秀的人，也许真的可以完成过去一个团队的工作。

那么公司就可以裁掉更多普通员工，再把节省下来的钱拿去争夺极少数顶尖人才。

路透社的报道里也提到了，Meta内部确实讨论过这样的资源重新分配。

从组织设计上看，这其实是过去两年硅谷非常流行的一套 AI 公司想象：

更少的人、更高的人均产出、更少的管理层，再给每个人配一群 Agent。

Meta 真正做的，是第一次试图把这种创业公司的组织模型，大规模搬进一家成熟科技巨头。

但，问题也恰恰出现在这里。

02 AI 让代码增加了 220%，为什么产品只增加 36%？

我认为这是整个 Meta 实验里最重要的一组数字。

今年 6月，Meta CTO Andrew Bosworth 在内部披露：

员工对 AI 工具的使用，让公司内部软件平台和基础设施上的代码变更量同比增加了 220%。

但真正最终变成产品功能或者升级、到达用户手里的变化，只增加了 36%。

这个差距很好地解释了企业采用 AI 过程中一个非常容易被忽略的问题：

产出，不等于生产率。

AI 最容易改变的是第一层指标，比如：

以前一个工程师一天写 500行代码，现在可能写 2000行；

以前一个设计师一天做三个版本，现在可以做十个；

以前一个咨询顾问一天分析十份资料，现在可以分析一百份。

这些指标都会迅速上涨。

但一家公司的最终产出，并不是代码行数、PPT 页数或者生成了多少份文档。

代码还需要测试、Review、集成；

功能还需要确定需求、判断优先级、和其他系统配合；

产品最终还要真正上线，而且不能把原来的系统搞坏。

AI 降低的是“生成一个东西”的成本，却不一定降低“让这个东西最终产生价值”的成本。

甚至可能恰恰相反。

以前一个工程师一天写 500行代码，团队还有能力仔细检查。

现在 Agent 一天生成 5000行，Review 这些代码反而成了新的瓶颈。

于是 AI 解决了旧瓶颈，又制造了新瓶颈。

这也是为什么只看 Copilot 使用率、代码生成量、Agent 完成任务数，很容易高估AI带来的真实价值。

企业最终应该看的不是：AI 做了多少事情。

而是：AI 让整个工作流最终多完成了多少事情。

这两者之间，可能隔着巨大的距离。

03 Agent 越能自主行动，人类监督反而越不能省

Meta 遇到的第二个问题更麻烦。

今年3月，公司内部基础设施团队已经开始警告，AI 编码激增正在出现“可靠性警告信号”。

4月的一份内部帖子则发现，一些缺乏充分监督的 AI Agent 开始进行人类工程师几乎不会执行的大规模破坏性操作。

结果是，包括服务中断、潜在数据泄露在内的重大技术和安全事故，同比增加了 40%。

员工处理这些事故、也就是所谓“救火”的时间增加了 70%。

这个现象其实非常重要，因为过去我们一直认为：

Agent 比 Chatbot 更有价值，因为 Chatbot 只是告诉你怎么做，而 Agent 可以自己去做。

但 Agent 越能行动，风险也会发生变化。

一个 Agent 如果拥有数据库权限、代码提交权限、客户账户权限，它判断错一次，可能连续执行几百个错误动作。

机器最大的优势：速度和规模，在犯错的时候也同样存在。

所以 Agent 真正进入企业以后，新的问题并不是“还需不需要人”，而是：

• 哪些事情 AI 可以直接执行，哪些必须经过批准？
• 需要怎样的权限隔离？
• 出问题以后能不能快速回滚？
• 谁负责审核 Agent 的行为？
• 一个人到底能够监督多少个 Agent？

这些工作都不会因为 Agent 出现而自动消失。

AI 减少了一部分执行成本，却增加了新的审核、治理、安全和责任成本。

如果后面这些成本增加得比前面节省得还快，账面上的“自动化率”越高，公司的实际效率甚至可能越差。

04 更麻烦的是，员工觉得自己正在训练替代自己的人

为了训练 AI Agent 模仿员工使用电脑，Meta 今年还曾要求部分美国员工安装行为追踪软件。

系统会记录鼠标点击和键盘操作，用这些数据训练AI完成员工日常使用电脑的任务。

从 AI 训练的角度，这件事很容易理解。

如果要让 Agent 真正完成企业工作，它当然需要学习真实员工到底怎么操作软件。

问题在于，当员工同时知道公司正在讨论大规模裁员时，这件事立刻变成了另一种含义：

我每天做的工作，正在被记录下来训练一个未来可能替代我的AI。

于是 Meta 内部出现了非常强烈的反弹。

有人在公司内部论坛直接质疑管理层，有人在办公室厕所张贴反对收集键盘和鼠标数据的传单，还有员工用各种表情包嘲讽这场改革。

Meta 半年一次的内部调查中，员工正面评价从 74%下降到了55%。

这其实暴露了 AI 组织变革中另一个经常被低估的矛盾。

企业要训练 AI，最需要的是那些最懂业务的人，把自己的经验、流程和判断交给系统。

但如果这些人相信：我教得越好，我越快失去自己的岗位。

那么企业很难期待员工主动帮助AI完成这件事，技术问题最终变成了一个激励机制问题。

05 扎克伯格最终踩了刹车，但并没放弃这条路

5月扎克伯格最终叫停了原定 11月进行的 Project OT 第二轮调整。

公司也暂停了鼠标追踪项目，让一部分被调去 AI 工程部门的员工返回原团队，并试图重新提升员工士气。

7月，扎克伯格突然出现在一次内部 Town Hall 上，承认自己对这次组织调整的时间判断出现了偏差：

AI Agent并没有像他之前预期的那样快速进步。

不过他的判断并不是“Agent 不行了”。

恰恰相反，他依然认为技术还会继续进步，并预计未来 3到 6个月会出现更多效果。

Meta 也完全没有停止投资 AI。

路透社的报道里称，Meta 今年计划投入至少 1300亿美元用于 AI 芯片和其他基础设施。

扎克伯格最近发表的《The Future is for Everyone》里，甚至依然明确预测：

未来公司的规模可能会变小，少数人带着 AI Agent，就有可能经营一家规模很大的公司。

所以，把 Project OT 总结成“ Meta 尝试 AI 替代员工失败”是不恰当的。

因为 Meta 没有否定 AI 会减少用人，它发现的问题是：

组织调整的速度，跑到了技术成熟度前面。

06 AI 替代的真正单位，从来都不是“岗位”

这次 Meta 实验让我觉得，一个过去两年非常流行的讨论方式可能本身就有问题。

我们总喜欢问：程序员会不会被替代？设计师会不会被替代？产品经理会不会消失？

但企业真正运行的时候，并不存在一个按钮：删除程序员岗位。

一个程序员每天可能有 20%的时间写代码，20% 理解需求，20% Review 别人的代码，10% 开会，10% 排查线上问题，剩下的时间做各种协调和判断。

AI 可能把其中写代码这件事情提高五倍。

但只要剩下的流程没有同步改变，公司就不可能因此直接减少 80%的程序员。

所以 AI 真正替代的最小单位，很可能不是岗位，而是工作流中的一个个任务。

只有当一整条工作流「从输入、判断、执行、检查一直到承担结果」都能够稳定交给 AI 以后，岗位和组织结构才会发生真正的大规模变化。

Meta 的问题就在这里。

它已经拥有了一个能够疯狂制造代码的 AI 系统，却还没有建立同等速度的审核、测试、安全、协调和决策体系。

于是出现了一个非常有意思的结果：AI 生产得越快，人类收拾得越忙。

代码增加 220%，产品只增加 36%，事故增加 40%，救火时间增加 70%。

也就是说，AI 让一个人做更多事情，已经开始发生。但让一家公司因此真正减少很多人，还远没有看起来那么简单。

Meta 已经替所有大公司做了一次价格极其昂贵的实验。

以上，祝你今天开心。