Meta відмовилась від планів скоротити чисельність десятків команд приблизно на 60% заради переходу на «AI-нативну» модель роботи — таке рішення ухвалили менеджери компанії після протесту співробітників і появи даних про низьку ефективність AI-агентів у реальних завданнях. Показово, що відступ стався саме в компанії, яка інвестує мільярди доларів у власні моделі Llama та інфраструктуру для AI-агентів і публічно позиціонує себе як лідера переходу до «AI-нативних» організацій.
Якщо навіть тут керівництво визнало, що агенти поки не тягнуть обсяг роботи людей на рівні 60% команди, це сигнал для всієї індустрії. Для AI-білдерів це не привід іронізувати над Meta, а конкретний data point: розрив між маркетинговими обіцянками AI-агентів і їхньою реальною продуктивністю в operational-командах усе ще великий.
Що саме сталося?
Meta розглядала скорочення персоналу в багатьох командах приблизно на 60%. За даними Techmeme, плани стосувались не одного відділу, а низки команд, де керівництво розраховувало замінити частину людських функцій AI-агентами й автоматизованими пайплайнами. Після внутрішнього спротиву співробітників і оцінки реальних результатів пілотних впроваджень компанія відмовилась від початкового масштабу скорочень.
«AI-нативна» команда в цьому контексті означає структуру, де рутинні операційні завдання виконують AI-агенти, а людям залишаються перевірка, ескалації та рішення в неоднозначних ситуаціях. Саме на таку модель Meta розраховувала перейти, скорочуючи штат там, де, на її думку, агенти вже готові взяти основне навантаження.
Чому Meta відступила саме зараз?
Ключова причина — розбіжність між очікуваною і фактичною ефективністю AI-агентів у продуктивних процесах. Компанія зіткнулася з тим, що агенти не покривають ані якість, ані швидкість, потрібну для повноцінної заміни людей у складних, контекстно-залежних завданнях. Ми вже писали, чому топові AI-моделі програють людям у простих головоломках — і схожий розрив між бенчмарками та реальною роботою, судячи з усього, вплинув і на рішення Meta.
Другий фактор — людський: масштабне скорочення на 60% у багатьох командах одночасно неминуче викликало б хвилю невдоволення, публічних звільнень і репутаційних ризиків, які важко компенсувати навіть економією на фонді оплати праці.
За нашою оцінкою, кейс Meta підтверджує ширшу тенденцію 2026 року: компанії масово тестують агентні пайплайни в продуктиві, але поки що не наважуються прив’язувати до них скорочення штату як основний бізнес-кейс, а не як обмежений експеримент.
Що це означає для команд, які впроваджують AI-агентів?
Головний висновок — не варто закладати скорочення штату як основний бізнес-кейс під впровадження агентів, поки немає підтвердженого показника заміщення в конкретних процесах. Практичні наслідки для AI-білдерів:
- Пілотуйте агентів на вузьких, вимірюваних задачах перед тим, як рахувати економію FTE в презентації для інвесторів.
- Закладайте людину в контур для завдань, де ціна помилки висока — саме там агенти найчастіше «плавають».
- Рахуйте не тільки accuracy на бенчмарках, а end-to-end час на завдання разом з виправленням помилок агента.
- Тримайте окремий бюджет на людський review, поки не маєте кількох кварталів стабільних метрик якості агента.
Висновок AiiN
Наша теза: ринок AI-агентів зараз живе у фазі, коли обіцянки автономності випереджають операційну готовність навіть у компаній з практично необмеженими ресурсами на дослідження. Якщо Meta з її бюджетами на Llama та власну агентну інфраструктуру не змогла обґрунтувати скорочення на 60%, це означає, що для більшості менших компаній подібні розрахунки будуть ще менш реалістичними найближчим часом. Планування штату під «AI-нативність» варто робити на основі пілотних метрик, а не на очікуванні, що агенти самі підтягнуться до потрібного рівня.
Чи звільнила Meta співробітників через AI?
Ні, йдеться саме про відмову від плану скоротити команди приблизно на 60% — рішення ухвалили ще до масових звільнень, після протесту всередині компанії та оцінки результатів пілотних впроваджень AI-агентів.
Чому AI-агенти поки не замінюють цілі команди?
Тому що в реальних робочих процесах вони показують нижчу якість і надійність, ніж на контрольованих бенчмарках, тож потребують людського контролю саме у складних або нестандартних ситуаціях.
Чи означає це кінець хайпу навколо AI-агентів?
Ні, ймовірно, йдеться не про відмову від агентів, а про коригування темпу: компанії продовжать впроваджувати AI-агентів, але прив’язуватимуть скорочення штату до підтверджених метрик якості, а не до очікувань від вендорів.