A Meta descobriu, da forma mais difícil possível, que automatizar tudo não é sinônimo de crescer de verdade.
Quando Mark Zuckerberg anunciou internamente sua visão de transformar a empresa em uma organização totalmente centrada em inteligência artificial, o plano parecia ambicioso o suficiente para virar referência no mercado. E virou, mas não exatamente pelo motivo que ele esperava.
O projeto, batizado de OT — Organization Transformation, propunha substituir times tradicionais por estruturas enxutas, com agentes de IA assumindo boa parte das tarefas do dia a dia. Segundo uma investigação especial da Reuters, baseada em documentos internos, gravações e conversas com mais de 20 pessoas familiarizadas com o processo, a Meta chegou a avaliar cenários em que times humanos muito menores apenas supervisionariam operações conduzidas por agentes automatizados.
O resultado prático foi um paradoxo que ninguém na empresa tinha antecipado direito: mais automação gerou mais trabalho, não mais valor. Incidentes técnicos dispararam, o tempo para resolver crises aumentou, e a segunda fase de reestruturação acabou sendo cancelada.
Mas a história não termina aí. Enquanto os fluxos de trabalho internos tropeçavam, o lado comercial da Meta continuava crescendo em ritmo acelerado — e isso revela algo muito importante sobre onde a IA realmente performa bem e onde ela ainda precisa de gente experiente no cockpit.
Se você trabalha com marketing, tecnologia ou gestão de times que já adotaram algum nível de automação, esse case vai fazer você repensar algumas métricas que talvez esteja olhando com otimismo demais. 👇
O que o projeto OT realmente propunha
A ideia central do Organization Transformation era simples na teoria: reduzir camadas humanas de decisão, inserir agentes de inteligência artificial nos processos operacionais e criar uma estrutura corporativa muito mais ágil. Os cenários mais agressivos chegaram a imaginar cortes de até 60% no tamanho de alguns times, embora a Meta tenha esclarecido à Reuters que esse número nunca se aplicou ao total da força de trabalho e que os exercícios incluíam demissões, realocações e a eliminação de vagas em aberto.
O modelo organizacional também era diferente. Em vez dos tradicionais times de produto com 10 a 20 pessoas, o chamado AI-Native Playbook propunha pods de três a cinco integrantes, com papéis muito mais fluidos e especialistas compartilhados entre equipes. Em alguns casos, títulos clássicos como gerente de produto, designer ou engenheiro simplesmente desapareceriam, substituídos por um cargo genérico: builder.
Na prática, o que aconteceu foi que os fluxos de trabalho que dependiam de julgamento humano para funcionar bem começaram a quebrar silenciosamente. Os agentes de IA eram eficientes quando o contexto era previsível e os dados estavam organizados, mas enfrentavam dificuldades sérias quando surgiam situações fora do padrão — que, convenhamos, são exatamente o tipo de situação que aparece com mais frequência em empresas grandes e que operam em múltiplos mercados ao redor do mundo. Isso criou uma pressão invisível sobre os times que ainda existiam: eles precisavam tanto supervisionar os agentes quanto resolver o que a automação não conseguia entregar.
Quando produzir mais deixou de significar ser mais produtivo
O aprendizado mais crítico da experiência da Meta não está na redução de pessoal, mas no que aconteceu quando a empresa começou a medir o resultado concreto de toda aquela automação.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
De acordo com documentos internos revisados pela Reuters, o uso das ferramentas de IA gerou um aumento de 220% ano a ano na quantidade de mudanças de código na infraestrutura e nas plataformas internas. Só que as mudanças que realmente se traduziram em recursos novos ou melhorados para os usuários finais cresceram apenas 36%.
Em resumo: a IA estava multiplicando o output muito mais rápido do que o resultado real.
O problema foi ainda mais grave quando o assunto era confiabilidade dos sistemas. A Reuters reportou que os incidentes técnicos e de segurança relevantes — incluindo quedas de serviço e possíveis vazamentos de dados — subiram 40% ano a ano, enquanto o tempo gasto pelas equipes para resolver essas emergências disparou 70%.
Esse cenário explica por que Zuckerberg acabou ajustando a rota. A Meta executou uma redução de quadro equivalente a cerca de 10% do time em maio, mas cancelou os planos de uma segunda onda de reestruturação prevista para novembro. Semanas depois, ele reconheceu em conversas privadas que o desenvolvimento de agentes autônomos de IA não estava avançando no ritmo que havia imaginado.
Aqui está a lição mais importante: uma organização pode aumentar radicalmente a quantidade de trabalho que produz sem melhorar proporcionalmente o trabalho que de fato gera valor. E essa confusão está aparecendo agora nas operações modernas de marketing.
Por que o negócio de anúncios da Meta conta outra história
Existe uma distinção fundamental que não dá para ignorar. Os tropeços reportados envolvem principalmente agentes autônomos de IA encarregados de executar engenharia interna complexa e multicamadas na Meta. Eles não são a mesma coisa que os algoritmos de ranqueamento, otimização e geração criativa que movimentam o motor de publicidade da empresa.
Na verdade, o lado comercial pinta um quadro quase paradoxal. No segundo trimestre de 2026, a Meta gerou 59,36 bilhões de dólares em receita com anúncios, um crescimento de 27% ano a ano. As impressões de anúncios subiram 14% e o preço médio por anúncio aumentou 12%. A empresa atribui boa parte desse fôlego comercial justamente aos seus sistemas de IA.
A Meta também informa que mais de 8 milhões de anunciantes já usam pelo menos uma de suas ferramentas de criação com IA generativa, enquanto segue integrando modelos como o Muse Image diretamente no Advantage+ Creative.
A diferença operacional é clara:
- Escolher um público, gerar variações criativas ou ajustar um lance são problemas bem delimitados, sustentados por grandes volumes de dados e métricas de sucesso explícitas, como CTR, conversões, CPA e ROAS.
- Coordenar pessoas, priorizar roadmaps de produto, gerenciar casos extremos, proteger a segurança e tomar decisões estratégicas de alto nível são problemas muito menos definidos.
A IA tende a performar muito bem em contextos onde as variáveis são mensuráveis, os padrões são reconhecíveis e o ciclo de feedback é curto. O risco organizacional aumenta quando executivos confundem eficiência algorítmica localizada com prova de que agentes automatizados podem tocar funções inteiras de ponta a ponta, sem supervisão.
Onde a IA performou bem e onde tropeçou
Aqui está o ponto que torna esse case tão valioso para quem está pensando em automação com seriedade: nem tudo falhou. O lado comercial da Meta — especialmente as ferramentas de anúncios com inteligência artificial integrada — continuou crescendo de forma consistente, num ambiente com dados abundantes, objetivos claros e feedback constante de desempenho.
Nos fluxos de trabalho internos, o contexto é completamente diferente: as variáveis são muitas vezes qualitativas, os problemas são únicos e as consequências de um erro podem demorar semanas para aparecer — tempo suficiente para que o dano já esteja feito.
O que a experiência da Meta deixa claro é que a pergunta certa não é se devemos automatizar, mas o que faz sentido automatizar agora, com os recursos e a maturidade que temos hoje. Empresas que pulam essa etapa de diagnóstico costumam descobrir, tarde demais, que substituíram complexidade humana por complexidade técnica — e a segunda costuma ser mais cara de gerenciar do que a primeira, especialmente quando não há equipe treinada para entender o que está acontecendo debaixo do capô.
O risco real para marcas e agências: confundir velocidade com eficiência
A indústria de publicidade como um todo está chegando no mesmo ponto de inflexão. Um relatório do IAB publicado em janeiro apontou que 83% dos executivos de anúncios entrevistados já usam IA nos seus fluxos criativos — contra 60% na pesquisa anterior — com 64% citando redução de custos como principal motivador.
Só que surgiu um dado bem menos confortável: mais de 70% dos profissionais de marketing que usam IA já enfrentaram um incidente operacional relacionado a ela, enquanto menos de 35% planejavam aumentar investimentos em governança ou em supervisão de brand safety.
Uma agência agora consegue gerar 200 variações criativas onde antes produzia 20. Um time de performance consegue lançar campanhas mais rápido do que nunca. Um anunciante pode automatizar por completo relatórios, análises e gestão de lances. Nenhuma dessas capacidades garante automaticamente melhores resultados de negócio.
A pergunta essencial passa a ser: quantas dessas ações automatizadas a mais realmente geram valor incremental depois que você contabiliza erros, retrabalho, supervisão humana, riscos à integridade da marca e custos de tecnologia?
Governança: o ingrediente que estava faltando
Quando você olha para o que deu errado no projeto OT da Meta, uma palavra aparece repetidamente nas análises mais criteriosas sobre o caso: governança. Não faltou tecnologia, não faltou orçamento e certamente não faltou ambição. O que faltou foi uma estrutura clara de responsabilidade, monitoramento e decisão em torno dos agentes de inteligência artificial que foram inseridos nos processos.
Governança em contextos de automação não é burocracia. É exatamente o contrário: é o que permite que você escale com segurança, porque você sabe quem é responsável por cada parte do sistema, como medir se ele está funcionando como esperado e o que fazer quando algo sai do trilho. Sem esse framework, qualquer transformação baseada em IA fica vulnerável ao mesmo tipo de paradoxo que a Meta enfrentou.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
É importante notar que o problema de governança em IA não é exclusivo da Meta. Empresas de todos os tamanhos estão enfrentando versões menores do mesmo desafio enquanto adotam ferramentas de automação nos seus fluxos de trabalho. A diferença é que, numa empresa do tamanho da Meta, os efeitos se amplificam muito rápido. Num negócio menor, você ainda tem tempo de perceber o problema e ajustar antes que ele vire crise — mas só se houver alguém olhando para os indicadores certos, com os critérios certos, desde o início da implementação.
A Meta continua apostando nos agentes de publicidade
Apesar das reavaliações internas, a Meta está longe de recuar nas suas ambições mais amplas com IA. Em junho, a empresa apresentou o Meta Business Agent, desenhado para responder dúvidas de usuários, recomendar produtos, qualificar leads, agendar compromissos e fechar transações de venda. A Meta afirma que mais de um milhão de negócios já usam versões desses agentes de mensagens no WhatsApp e no Messenger.
Além disso, em 19 de agosto, a Meta AI passou a se conectar diretamente a contas comerciais no Facebook e no Instagram, integrando-se ao Meta Ads e ao Google Workspace para analisar performance de campanhas, gerar insights operacionais e otimizar veiculações de anúncios em tempo real.
Por isso, o Project OT não marca o fim da automação corporativa. Ele sinaliza o começo de uma fase muito mais exigente: um período em que as empresas vão precisar provar que seus agentes de IA geram impacto real no resultado, e não apenas atividade vazia.
O que esse case muda na prática para quem trabalha com IA
Se você está implementando — ou pensando em implementar — automação com inteligência artificial nos seus fluxos de trabalho, o case da Meta oferece algumas reflexões concretas que valem mais do que qualquer lista de tendências do mercado. A primeira delas é que velocidade de adoção sem maturidade operacional é uma combinação perigosa. Sistemas de IA integrados em processos críticos precisam de tempo para ser calibrados, monitorados e ajustados — e esse tempo raramente aparece no planejamento de projetos que têm urgência para mostrar resultado.
A segunda reflexão é sobre o papel das pessoas dentro de ambientes automatizados. O projeto OT partia do pressuposto de que equipes menores com mais IA seriam equivalentes a equipes maiores com menos IA. Mas o que a realidade mostrou é que a qualidade do julgamento humano dentro do sistema importa tanto quanto a qualidade do algoritmo. Pessoas com experiência e contexto são o que transforma dados em decisões boas — e quando você reduz esse capital humano sem substituí-lo de forma adequada, você não está economizando, está removendo exatamente o que fazia o sistema funcionar.
A terceira e talvez mais importante reflexão é sobre métricas. Muitos times olham para produtividade e eficiência como indicadores de sucesso da automação. Mas o case da Meta mostra que essas métricas podem estar subindo enquanto a resiliência operacional está caindo — e você só percebe isso quando aparece um incidente sério que o sistema não consegue absorver sozinho. Medir a saúde de um fluxo de trabalho automatizado exige ir além do output e entender também a capacidade de resposta, o tempo de recuperação e a qualidade das decisões que estão sendo tomadas dentro do sistema.
No fim das contas, a vantagem competitiva real não vai pertencer a quem gera mais anúncios ou implanta mais agentes. Ela vai pertencer a quem construir modelos de governança robustos, sistemas de medição precisos e fluxos de trabalho com supervisão humana bem desenhada ao redor de tudo isso. 🎯
