Début 2026, Meta lance en interne un projet aussi ambitieux que confidentiel : Project OT, pour « Organization Transformation ». L'objectif affiché ? Devenir une entreprise « AI native », capable de faire absorber par des agents d'intelligence artificielle une partie significative du travail humain. Dans certaines équipes, les scénarios internes évoquent des réductions d'effectifs pouvant atteindre 60 %.
Sur le papier, Meta dispose de tous les atouts : des milliards de dollars d'investissements, des ingénieurs de très haut niveau, ses propres modèles d'IA maison et une infrastructure technique parmi les plus avancées au monde. Pourtant, quelques mois plus tard, Mark Zuckerberg révise ses plans. Les gains espérés ne sont pas au rendez-vous, les agents IA manquent encore de fiabilité et les problèmes techniques s'accumulent.
Le cas Meta n'est pas celui d'un échec technologique. C'est celui d'un décalage stratégique : entre « cet agent IA sait faire cette tâche » et « on peut retirer 60 % d'une équipe », il y a un monde. Et c'est précisément cette distance que toutes les entreprises doivent comprendre aujourd'hui.
Project OT : un plan de transformation radical
Dès le début de l'année 2026, Meta structure son projet de transformation interne autour de l'intelligence artificielle. Project OT prévoit deux vagues de restructuration : une première en mai, une seconde en novembre. L'idée centrale : réorganiser certaines équipes pour qu'elles deviennent plus « talent-dense » — c'est-à-dire composées de moins de personnes, mais plus spécialisées, supervisant des systèmes automatisés.
Concrètement, Meta transfère environ 7 000 employés vers des rôles liés à l'IA et supprime environ 8 000 postes, soit près de 10 % de son effectif corporate. De nouvelles équipes internes sont créées :
- Agent Transformation Accelerator
- Agent Data and Optimization
- Applied AI Engineering
Ces groupes ont pour mission de concevoir, déployer et superviser des agents capables d'exécuter des tâches auparavant réalisées par des humains : modération de contenu, support interne, analyse de données, gestion d'incidents techniques, optimisation publicitaire, etc.
L'ambition est claire : ne plus seulement utiliser l'IA comme outil, mais en faire un acteur structurel des flux de travail. Une logique d'automatisation non plus ponctuelle, mais systémique.
Les limites rencontrées : fiabilité, complexité, supervision
Mais très vite, les premiers retours terrain révèlent un écart important entre l'ambition affichée et la réalité opérationnelle. En juillet 2026, Mark Zuckerberg reconnaît publiquement que le développement des agents IA progresse « plus lentement que prévu ». Plusieurs difficultés émergent :
1. La fiabilité en production reste insuffisante
Un agent IA peut exceller sur un périmètre bien défini en environnement de test. Mais en production, face à des situations réelles, imprévues ou ambiguës, les performances chutent. Les erreurs nécessitent une supervision humaine accrue, ce qui réduit mécaniquement les gains de productivité espérés.
2. Les tâches « simples » cachent souvent de la complexité métier
Automatiser une tâche simple en apparence — par exemple, traiter une demande support ou modérer un post — suppose en réalité de gérer des centaines de cas particuliers, des exceptions réglementaires, des contextes culturels variés. Ce que l'IA fait bien dans 80 % des cas devient problématique dans les 20 % restants, qui mobilisent finalement autant de ressources humaines qu'avant.
3. L'organisation ne suit pas au même rythme que la technologie
Même quand l'IA fonctionne techniquement, il reste à repenser les processus, redéfinir les responsabilités, former les équipes restantes, ajuster les outils de reporting et de contrôle qualité. Cette transformation organisationnelle est longue, coûteuse et ne peut pas être accélérée par simple injection de capital ou de talents.
Résultat : Meta révise une partie de ses plans. Les scénarios de réduction jusqu'à 60 % dans certaines équipes sont réajustés. L'entreprise continue d'investir massivement dans l'IA — ses dépenses d'infrastructure atteignent des records —, mais elle ralentit le rythme de transformation organisationnelle.
La leçon stratégique : automatiser une tâche ≠ supprimer une équipe
Le cas Meta met en lumière une confusion fréquente dans les projets de transformation par l'IA : la confusion entre automatisation d'une tâche et suppression d'un poste.
Quand un agent IA parvient à automatiser une tâche donnée — disons, répondre à 70 % des tickets support de niveau 1 —, cela ne signifie pas qu'on peut supprimer 70 % de l'équipe support. Pourquoi ?
- Parce que les 30 % restants sont souvent les plus complexes, et mobilisent autant de temps qu'avant.
- Parce qu'il faut superviser, corriger, former et améliorer l'agent IA.
- Parce que les volumes peuvent augmenter : si le traitement est plus rapide, les utilisateurs envoient plus de demandes.
- Parce que certaines tâches « cachées » (coordination, documentation, transmission de savoir) ne sont pas automatisables.
En d'autres termes : l'IA absorbe du travail, mais rarement de manière linéaire. Elle transforme la nature du travail plus qu'elle ne le supprime.
Ce que les entreprises doivent faire autrement
Face à ce constat, la stratégie à adopter n'est pas de renoncer à l'IA. C'est de changer de méthode d'approche. Voici les axes essentiels pour éviter les écueils rencontrés par Meta :
1. Identifier les tâches réellement absorbables par l'IA
Plutôt que de raisonner en « postes supprimables », cartographiez le travail réel de vos équipes : quelles tâches sont répétitives, structurées, à faible enjeu de responsabilité ? Lesquelles nécessitent du jugement, de l'improvisation ou de la relation humaine ? C'est cette granularité qui permet d'anticiper les gains réels.
2. Mesurer la fiabilité en production, pas en démonstration
Un agent IA performant en démonstration peut être inutilisable en production. Testez sur des volumes réels, dans des conditions réelles, avec des utilisateurs réels. Mesurez non seulement le taux de succès, mais aussi le temps de supervision et le coût des erreurs.
3. Repenser les flux de travail avant de toucher aux effectifs
L'automatisation d'une tâche impose souvent de revoir tout le processus en amont et en aval. Qui valide ? Qui contrôle la qualité ? Qui gère les exceptions ? Cette refonte doit être pensée avant toute décision sur les équipes, pas après.
4. Distinguer « automatisable », « assistable » et « non automatisable »
Toutes les tâches ne sont pas automatisables de la même manière. Certaines peuvent être entièrement confiées à l'IA. D'autres peuvent être assistées (l'IA propose, l'humain décide). D'autres encore restent hors de portée pour des raisons techniques, réglementaires ou éthiques. Clarifiez cette typologie dès le départ.
5. Construire une organisation où l'IA augmente avant de remplacer
Les gains les plus rapides et les plus durables viennent souvent de l'augmentation des capacités humaines plutôt que du remplacement pur. Quand l'IA permet à un expert de traiter deux fois plus de dossiers, ou de se concentrer sur les cas complexes, la valeur créée est immédiate — sans attendre une refonte complète de l'organisation.
Meta, un cas d'école pour toutes les entreprises
Ce qui rend le cas Meta particulièrement instructif, c'est qu'il touche une entreprise qui dispose de tous les avantages possibles : budget quasi illimité, talents d'élite, technologies propriétaires, culture tech assumée. Si Meta rencontre ces difficultés, c'est que le problème n'est pas seulement technique. Il est organisationnel, humain et stratégique.
Pour les entreprises qui s'engagent aujourd'hui dans des projets d'IA à grande échelle, la leçon est claire :
« Ne cherchez pas d'abord combien de postes l'IA peut remplacer. Regardez d'abord quel travail elle peut réellement absorber — et à quel coût organisationnel. »
L'IA transforme le travail. Mais cette transformation ne se décrète pas. Elle se construit, étape par étape, en gardant une vision réaliste des capacités technologiques actuelles et une compréhension fine des dynamiques humaines et métier.
Perspectives : vers une approche plus pragmatique de l'IA en entreprise
Le retour d'expérience de Meta marque probablement un tournant dans la manière dont les grandes entreprises tech abordent l'automatisation par l'IA. On passe d'une logique de disruption rapide (« remplaçons 60 % d'une équipe en six mois ») à une logique de transformation progressive (« automatisons 30 % des tâches, augmentons les capacités de 50 %, puis réajustons »).
Cette approche plus prudente, plus mesurée, est aussi plus soutenable : elle limite les risques juridiques, préserve les compétences critiques, maintient la qualité et permet d'apprendre en continu.
Pour les directions générales et les équipes de transformation, cela implique :
- De ralentir les annonces spectaculaires et de privilégier les résultats mesurables.
- De réinvestir dans la conduite du changement, trop souvent négligée dans les projets IA.
- De piloter par la valeur métier plutôt que par la réduction de coûts.
- De documenter et partager les échecs autant que les succès, pour accélérer l'apprentissage collectif.
Meta a eu le mérite de tenter une transformation radicale. L'entreprise a aussi eu l'intelligence de reconnaître ses limites et d'ajuster sa trajectoire. Pour toutes les organisations qui s'engagent dans l'IA, c'est un signal précieux : l'audace technologique doit s'accompagner de lucidité opérationnelle.
Chez Mankova Consulting, nous accompagnons les entreprises dans cette démarche : auditer la faisabilité réelle des projets d'IA, identifier les tâches réellement automatisables, repenser les processus et former les équipes pour que l'IA devienne un levier de performance durable — et non une source de désillusion coûteuse.
