Meta descubrió, de la forma más difícil posible, que automatizar todo no es sinónimo de crecer de verdad.
Cuando Mark Zuckerberg anunció internamente su visión de transformar la empresa en una organización totalmente centrada en inteligencia artificial, el plan parecía lo suficientemente ambicioso como para convertirse en referencia del mercado. Y lo fue, pero no exactamente por el motivo que él esperaba.
El proyecto, bautizado como OT — Organization Transformation, proponía sustituir equipos tradicionales por estructuras reducidas, con agentes de IA asumiendo buena parte de las tareas del día a día. Según una investigación especial de Reuters, basada en documentos internos, grabaciones y conversaciones con más de 20 personas familiarizadas con el proceso, Meta llegó a evaluar escenarios en los que equipos humanos mucho más pequeños apenas supervisarían operaciones conducidas por agentes automatizados.
El resultado práctico fue una paradoja que nadie en la empresa había anticipado bien: más automatización generó más trabajo, no más valor. Los incidentes técnicos se dispararon, el tiempo para resolver crisis aumentó, y la segunda fase de reestructuración terminó siendo cancelada.
Pero la historia no termina ahí. Mientras los flujos de trabajo internos tropezaban, el lado comercial de Meta seguía creciendo a ritmo acelerado, y eso revela algo muy importante sobre dónde la IA realmente rinde bien y dónde todavía necesita gente experimentada al mando.
Si trabajas con marketing, tecnología o gestión de equipos que ya adoptaron algún nivel de automatización, este caso te va a hacer replantearte algunas métricas que quizá estés mirando con demasiado optimismo. 👇
Qué proponía realmente el proyecto OT
La idea central de Organization Transformation era simple en la teoría: reducir capas humanas de decisión, insertar agentes de inteligencia artificial en los procesos operativos y crear una estructura corporativa mucho más ágil. Los escenarios más agresivos llegaron a imaginar recortes de hasta el 60% en el tamaño de algunos equipos, aunque Meta aclaró a Reuters que esa cifra nunca se aplicó al total de la plantilla y que los ejercicios incluían despidos, reubicaciones y la eliminación de vacantes abiertas.
El modelo organizacional también era diferente. En lugar de los tradicionales equipos de producto con 10 a 20 personas, el llamado AI-Native Playbook proponía pods de tres a cinco integrantes, con roles mucho más fluidos y especialistas compartidos entre equipos. En algunos casos, títulos clásicos como gerente de producto, diseñador o ingeniero simplemente desaparecerían, sustituidos por un cargo genérico: builder.
En la práctica, lo que ocurrió fue que los flujos de trabajo que dependían del juicio humano para funcionar bien empezaron a romperse silenciosamente. Los agentes de IA eran eficientes cuando el contexto era predecible y los datos estaban organizados, pero enfrentaban dificultades serias cuando surgían situaciones fuera del patrón, que, seamos sinceros, son exactamente el tipo de situación que aparece con más frecuencia en empresas grandes que operan en múltiples mercados alrededor del mundo. Esto creó una presión invisible sobre los equipos que aún existían: necesitaban tanto supervisar a los agentes como resolver lo que la automatización no conseguía entregar.
Cuando producir más dejó de significar ser más productivo
El aprendizaje más crítico de la experiencia de Meta no está en la reducción de personal, sino en lo que pasó cuando la empresa empezó a medir el resultado concreto de toda esa automatización.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
De acuerdo con documentos internos revisados por Reuters, el uso de herramientas de IA generó un aumento del 220% interanual en la cantidad de cambios de código en la infraestructura y las plataformas internas. Pero los cambios que realmente se tradujeron en funciones nuevas o mejoradas para los usuarios finales crecieron apenas un 36%.
En resumen: la IA estaba multiplicando el output mucho más rápido que el resultado real.
El problema fue aún más grave cuando el tema era la fiabilidad de los sistemas. Reuters reportó que los incidentes técnicos y de seguridad relevantes, incluyendo caídas de servicio y posibles filtraciones de datos, subieron un 40% interanual, mientras que el tiempo dedicado por los equipos a resolver esas emergencias se disparó un 70%.
Este escenario explica por qué Zuckerberg terminó ajustando el rumbo. Meta ejecutó una reducción de plantilla equivalente a cerca del 10% del equipo en mayo, pero canceló los planes de una segunda ola de reestructuración prevista para noviembre. Semanas después, reconoció en conversaciones privadas que el desarrollo de agentes autónomos de IA no estaba avanzando al ritmo que había imaginado.
Aquí está la lección más importante: una organización puede aumentar radicalmente la cantidad de trabajo que produce sin mejorar proporcionalmente el trabajo que de hecho genera valor. Y esa confusión está apareciendo ahora en las operaciones modernas de marketing.
Por qué el negocio de anuncios de Meta cuenta otra historia
Existe una distinción fundamental que no se puede ignorar. Los tropiezos reportados involucran principalmente agentes autónomos de IA encargados de ejecutar ingeniería interna compleja y multicapa en Meta. No son lo mismo que los algoritmos de clasificación, optimización y generación creativa que mueven el motor publicitario de la empresa.
En realidad, el lado comercial pinta un cuadro casi paradójico. En el segundo trimestre de 2026, Meta generó 59.360 millones de dólares en ingresos por publicidad, un crecimiento del 27% interanual. Las impresiones de anuncios subieron un 14% y el precio medio por anuncio aumentó un 12%. La empresa atribuye buena parte de ese impulso comercial justamente a sus sistemas de IA.
Meta también informa que más de 8 millones de anunciantes ya usan al menos una de sus herramientas de creación con IA generativa, mientras sigue integrando modelos como Muse Image directamente en Advantage+ Creative.
La diferencia operativa es clara:
- Elegir una audiencia, generar variaciones creativas o ajustar una puja son problemas bien delimitados, sostenidos por grandes volúmenes de datos y métricas de éxito explícitas, como CTR, conversiones, CPA y ROAS.
- Coordinar personas, priorizar roadmaps de producto, gestionar casos extremos, proteger la seguridad y tomar decisiones estratégicas de alto nivel son problemas mucho menos definidos.
La IA tiende a rendir muy bien en contextos donde las variables son medibles, los patrones son reconocibles y el ciclo de retroalimentación es corto. El riesgo organizacional aumenta cuando los ejecutivos confunden eficiencia algorítmica localizada con la prueba de que agentes automatizados pueden gestionar funciones enteras de principio a fin, sin supervisión.
Dónde la IA rindió bien y dónde tropezó
Aquí está el punto que hace este caso tan valioso para quien está pensando en automatización en serio: no todo falló. El lado comercial de Meta, especialmente las herramientas de anuncios con inteligencia artificial integrada, siguió creciendo de forma consistente, en un entorno con datos abundantes, objetivos claros y retroalimentación constante de rendimiento.
En los flujos de trabajo internos, el contexto es completamente diferente: las variables son muchas veces cualitativas, los problemas son únicos y las consecuencias de un error pueden tardar semanas en aparecer, tiempo suficiente para que el daño ya esté hecho.
Lo que la experiencia de Meta deja claro es que la pregunta correcta no es si debemos automatizar, sino qué tiene sentido automatizar ahora, con los recursos y la madurez que tenemos hoy. Las empresas que se saltan esta etapa de diagnóstico suelen descubrir, demasiado tarde, que sustituyeron complejidad humana por complejidad técnica, y la segunda suele ser más cara de gestionar que la primera, especialmente cuando no hay equipo capacitado para entender lo que está pasando bajo el capó.
El riesgo real para marcas y agencias: confundir velocidad con eficiencia
La industria publicitaria en su conjunto está llegando al mismo punto de inflexión. Un informe del IAB publicado en enero señaló que el 83% de los ejecutivos de publicidad entrevistados ya usan IA en sus flujos creativos, frente al 60% en la encuesta anterior, con el 64% citando la reducción de costes como principal motivador.
Pero surgió un dato bastante menos cómodo: más del 70% de los profesionales de marketing que usan IA ya enfrentaron un incidente operativo relacionado con ella, mientras que menos del 35% planeaban aumentar inversiones en gobernanza o en supervisión de brand safety.
Una agencia ahora puede generar 200 variaciones creativas donde antes producía 20. Un equipo de performance puede lanzar campañas más rápido que nunca. Un anunciante puede automatizar por completo informes, análisis y gestión de pujas. Ninguna de esas capacidades garantiza automáticamente mejores resultados de negocio.
La pregunta esencial pasa a ser: ¿cuántas de esas acciones automatizadas de más realmente generan valor incremental después de que contabilizas errores, retrabajo, supervisión humana, riesgos para la integridad de la marca y costes de tecnología?
Gobernanza: el ingrediente que faltaba
Cuando miras lo que salió mal en el proyecto OT de Meta, una palabra aparece repetidamente en los análisis más rigurosos sobre el caso: gobernanza. No faltó tecnología, no faltó presupuesto y ciertamente no faltó ambición. Lo que faltó fue una estructura clara de responsabilidad, monitoreo y decisión en torno a los agentes de inteligencia artificial que fueron insertados en los procesos.
Gobernanza en contextos de automatización no es burocracia. Es exactamente lo contrario: es lo que permite escalar con seguridad, porque sabes quién es responsable de cada parte del sistema, cómo medir si está funcionando como se espera y qué hacer cuando algo se sale de los rieles. Sin ese framework, cualquier transformación basada en IA queda vulnerable al mismo tipo de paradoja que enfrentó Meta.
Herramientas que usamos a diario
Es importante señalar que el problema de gobernanza en IA no es exclusivo de Meta. Empresas de todos los tamaños están enfrentando versiones menores del mismo desafío mientras adoptan herramientas de automatización en sus flujos de trabajo. La diferencia es que, en una empresa del tamaño de Meta, los efectos se amplifican muy rápido. En un negocio más pequeño, todavía tienes tiempo de detectar el problema y ajustar antes de que se convierta en crisis, pero solo si hay alguien mirando los indicadores correctos, con los criterios correctos, desde el inicio de la implementación.
Meta sigue apostando por los agentes de publicidad
A pesar de las reevaluaciones internas, Meta está lejos de retroceder en sus ambiciones más amplias con IA. En junio, la empresa presentó el Meta Business Agent, diseñado para responder dudas de usuarios, recomendar productos, cualificar leads, agendar citas y cerrar transacciones de venta. Meta afirma que más de un millón de negocios ya usan versiones de estos agentes de mensajería en WhatsApp y Messenger.
Además, el 19 de agosto, Meta AI pasó a conectarse directamente con cuentas comerciales en Facebook e en Instagram, integrándose con Meta Ads y Google Workspace para analizar rendimiento de campañas, generar insights operativos y optimizar la distribución de anuncios en tiempo real.
Por eso, el Project OT no marca el fin de la automatización corporativa. Señala el comienzo de una fase mucho más exigente: un período en el que las empresas van a necesitar demostrar que sus agentes de IA generan impacto real en el resultado, y no solo actividad vacía.
Qué cambia este caso en la práctica para quien trabaja con IA
Si estás implementando, o pensando en implementar, automatización con inteligencia artificial en tus flujos de trabajo, el caso de Meta ofrece algunas reflexiones concretas que valen más que cualquier lista de tendencias del mercado. La primera es que la velocidad de adopción sin madurez operativa es una combinación peligrosa. Los sistemas de IA integrados en procesos críticos necesitan tiempo para ser calibrados, monitorizados y ajustados, y ese tiempo rara vez aparece en la planificación de proyectos que tienen urgencia por mostrar resultados.
La segunda reflexión es sobre el rol de las personas dentro de entornos automatizados. El proyecto OT partía del supuesto de que equipos más pequeños con más IA serían equivalentes a equipos más grandes con menos IA. Pero lo que la realidad mostró es que la calidad del juicio humano dentro del sistema importa tanto como la calidad del algoritmo. Las personas con experiencia y contexto son lo que transforma datos en buenas decisiones, y cuando reduces ese capital humano sin sustituirlo de forma adecuada, no estás ahorrando, estás eliminando exactamente lo que hacía que el sistema funcionara.
La tercera y quizá más importante reflexión es sobre las métricas. Muchos equipos miran productividad y eficiencia como indicadores de éxito de la automatización. Pero el caso de Meta muestra que esas métricas pueden estar subiendo mientras la resiliencia operativa está cayendo, y solo te das cuenta cuando aparece un incidente serio que el sistema no puede absorber solo. Medir la salud de un flujo de trabajo automatizado exige ir más allá del output y entender también la capacidad de respuesta, el tiempo de recuperación y la calidad de las decisiones que se están tomando dentro del sistema.
Al final del día, la ventaja competitiva real no va a pertenecer a quien genere más anuncios o implante más agentes. Va a pertenecer a quien construya modelos de gobernanza robustos, sistemas de medición precisos y flujos de trabajo con supervisión humana bien diseñada alrededor de todo eso. 🎯
