今晚這則新聞，
不是在預測：
「AI 有一天可能取代工作。」
而是更直接。
一家最有錢、
最懂 AI、
自己也在打造 AI Agent 的科技公司，
真的開始按照：
「AI 可以替人做更多工作」
重新設計公司。
結果：
第一輪就撞到現實。
這家公司就是：
Meta。
Meta 原本想做的，不只是讓員工多用 Chatbot
Reuters 今天公布一份大型調查，
揭露 Meta 內部一個代號：
Project OT
的組織改革。
OT 是：
Organization Transformation。
簡單理解：
Meta 想重新設計：
AI 時代的公司到底應該長什麼樣。
不是原來 10 個人，
每個人加一個 AI 工具。
而是直接問：
如果 AI Agent 能做掉大量日常工作，
公司是不是根本：
不需要原來這麼多人？
最激進的情境：部分團隊最多縮 60%
Reuters 根據 Meta 內部文件與消息來源報導，
Project OT 的情境規劃中，
一些團隊曾評估：
最多縮減約 60%。
注意：
這不是說：
Meta 準備裁掉全公司 60%。
Meta 自己也明確回應：
最激進的 60% 情境只涉及：
部分團隊。
而且其中包含：
裁員。
關閉職缺。
重新部署員工
等不同做法。
不能把：
「部分團隊最多縮 60%」
寫成：
「Meta 要裁 60% 員工。」
但是整體方向確實非常激進
Meta 當時構想的是：
以前可能需要：
10～20 人
的傳統產品開發團隊，
未來改成：
3～5 人的小 Pod。
角色也開始混合。
工程師。
產品經理。
設計師。
資料科學家
不一定再按照傳統組織：
一層一層工作。
小團隊搭配：
AI 工具。
AI Agent。
共享專家。
希望用：
更少的人
處理：
更大的工作面。
這就是所謂的「AI-native 公司」
意思不是：
公司有買 ChatGPT。
而是：
整個工作設計從一開始就假設：
AI 是勞動力的一部分。
例如：
AI 做分析。
AI 產生程式。
AI 協助定優先級。
AI 建 Prototype。
甚至：
Virtual Worker
和少量人類一起工作。
如果真的成功，
公司自然會問：
那麼以前的組織圖：
是不是太大了？
Project OT 原本規劃兩波調整
Reuters 看到的內部規劃顯示，
第一波：
5 月。
第二波：
11 月。
5 月 20 日，
Meta 最後仍然執行：
約 10% 員工縮減。
但有一件事情突然改變。
就在第一波裁員前：
幾個小時，
Zuckerberg 和高層重新討論後，
取消了原本規劃中的第二波公司級重整。
為什麼突然踩煞車？
Reuters 表示，
無法確認：
是哪一個單一因素
最後讓 Zuckerberg 改變方向。
所以不能簡化成：
「因為 AI 失敗，所以 Meta 不裁了。」
但是當時有幾個問題：
同時出現。
第一個問題：員工開始強烈反彈
Meta 員工慢慢發現：
公司一邊說：
AI 讓工作更有效率。
另一邊又開始：
裁員。
縮小團隊。
重新設計職位。
甚至收集：
員工滑鼠點擊。
鍵盤操作
來教 AI 怎麼操作電腦。
很多人自然產生一個非常直接的想法：
「我是不是正在訓練取代自己的 AI？」
Meta 的員工士氣數字也開始下降
Reuters 取得的內部 Pulse Survey 顯示，
Meta 員工對公司的正面情緒，
從：
74%
下降到：
55%。
這不是小幅波動。
對一場需要：
全公司配合
的巨大轉型而言，
員工開始不相信：
管理層到底想做什麼，
本身就是：
重大風險。
但今晚最重要的問題其實還不是士氣
真正最值得看的數字是：
220% vs 36%。
Meta 內部開始大量使用 AI 產生程式後，
Reuters 看到的內部資料顯示：
公司內部軟體平台與基礎設施的：
Code Changes
年增：
220%。
如果只看這個數字，
AI 簡直：
超級成功。
工程活動：
暴增。
但是另一個數字只有 36%
真正最後變成：
Meta 使用者看得到的：
新功能。
升級功能
的變更量，
只增加：
36%。
兩個數字放在一起，
問題馬上出現。
AI 讓：
程式修改變多。
不等於：
真正產品價值
同比例變多。
這就是 AI 生產力最容易犯的第一個錯
把：
Activity
當成：
Outcome。
例如以前工程師一天：
寫 100 行程式。
現在 AI 幫他寫：
1,000 行。
你很容易說：
生產力：
增加十倍。
但客戶根本不在乎：
你寫幾行。
客戶在乎：
功能有沒有：
真的更快推出？
更穩定？
更好用？
解決更多問題？
程式碼本身不是產品
就像工廠：
每天多用了三倍螺絲，
不能證明：
汽車產量也多三倍。
AI Coding 最危險的 KPI 就是：
模型產生多少：
Code。
Pull Request。
Commit。
Prototype。
這些全部都只是：
中間產物。
真正最後應該看的是：
Shipped Feature。
品質。
故障率。
客戶價值。
開發週期。
成本。
Meta 又遇到第二個問題：更多 AI 程式開始帶來可靠性警訊
Reuters 取得的 Meta 內部文章指出，
基礎設施團隊早在 3 月：
就開始警告：
AI Coding Surge
出現：
Reliability Warning Signs。
到了 4 月，
又有內部警告指出：
沒有充分限制的 AI Agent，
開始做出：
人類工程師通常不會一次大量執行的：
破壞性操作。
後面的數字更值得注意
Reuters 引述 Meta 內部資料指出，
重大：
技術。
安全
事件，
相較前一年：
增加約：
40%。
工程師花在：
Firefighting
也就是：
救火。
處理事故。
恢復系統
的時間，
增加：
70%。
Meta 沒有對 Reuters 評論：
這組內部事故數據。
所以它應該被寫成：
Reuters 根據內部資料取得的數字。
不是 Meta 對外正式公布的 KPI。
但是這剛好揭露 AI Coding 的第二個錯覺
AI 讓第一版：
變快。
不代表整個工作：
變快。
如果 AI：
10 分鐘
產生程式。
後面工程師花：
2 小時
Debug。
Review。
Rollback。
處理 Incident。
那你不能只記：
前面的 10 分鐘。
真正成本應該把「救火」也算進去
這和我們之前談 AI ROI：
完全一樣。
假設 AI 一次產出只要：
0.02 美元。
看起來：
超便宜。
但是如果：
10% 結果需要人工重做。
5% 造成錯誤。
1% 最後變成：
正式事故。
真正成本：
根本不是：
Token 費用。
第三個問題：AI Agent 本身還沒有成熟到管理層預期的速度
Zuckerberg 後來在 7 月：
出席 Meta 內部 Town Hall。
Reuters 報導，
他承認一件很關鍵的事：
AI Agent 技術的：
加速速度，
沒有他原本預期：
那麼快。
他仍然相信：
未來幾個月會改善。
但是這代表：
當初組織改造背後的一個核心假設：
「Agent 很快就能接走大量工作。」
成熟速度：
估得太快。
這就是企業 AI 轉型最危險的第三個錯
把：
未來能力
當成：
現在能力。
例如公司看完 Demo：
AI 已經可以：
寫 Code。
做研究。
做簡報。
操作工具。
接著管理層開始計算：
如果一個人配 AI：
等於以前三個人，
那我們是不是可以：
先把團隊縮成三分之一？
問題在於：
Demo 證明的是：
某件事情做得到。
不是：
每天、所有例外、正式環境都穩定做得到。
這和昨天的 Physics AI 是同一個部署問題
一個模型在：
測試環境
表現很好。
和它每天進入：
Production
是兩件事情。
公司真正需要處理的是：
異常資料。
系統故障。
權限。
Security。
邊界案例。
團隊交接。
人類判斷。
全部一起發生的世界。
而 Meta 自己就是世界上最適合測這件事的公司之一
這才讓今晚新聞：
更值得注意。
Meta 不缺：
AI 模型。
不缺：
工程師。
不缺：
GPU。
不缺：
資料。
不缺：
AI 研究人才。
不缺：
資金。
甚至今年還準備投入至少：
數百億美元以上規模
的 AI 基礎設施。
如果連 Meta 自己都發現：
從「AI 能寫很多 Code」走到「公司真的可以少很多人」
中間還有巨大距離，
一般企業更不應該：
只看 Demo 就直接算裁員名單。
這不代表 Meta 放棄 AI-native
也不要把今晚新聞：
解讀成：
「Meta 承認 AI 沒用。」
完全不是。
Meta 仍然在：
大量投資 AI。
重組團隊。
把員工調到：
更重要的新工作。
建立更小：
更靈活
的開發 Pod。
而且部分內部資料生產團隊，
確實已經支援：
新模型訓練。
方向：
沒有消失。
改變的是：
速度與激進程度。
Meta 也沒有放棄「小團隊＋AI」的長期想像
Zuckerberg 最近公開談 AI 未來時，
仍然預測：
AI 可能讓公司：
變得更小。
甚至少數人：
就能經營以前需要：
大量員工
才能建立的公司。
但是他的公開論點是：
公司平均變小，
不一定等於：
整體工作機會變少。
因為 AI 同時可能讓：
更多新公司。
更多新服務。
更多新職業
出現。
這也是為什麼「AI 會不會裁員」其實問得太簡單
真正可能發生的是：
第一種公司：
不裁員，
用 AI 做更多。
第二種：
人數變少，
營收維持。
第三種：
把人重新部署到新工作。
第四種：
某些職位消失，
同時產生新職位。
第五種：
AI 效率根本沒有達標，
最後還是要把人補回來。
世界不會只有：
「取代」
和：
「完全不取代」
兩個答案。
Meta 這次更像是在測試一個真正的大問題
一家公司到底可以縮多快？
科技可以：
一年進步十倍。
但是組織不能：
按一下 Update
就完成。
因為組織裡還有：
技能。
信任。
責任。
經驗。
溝通。
文化。
Domain Knowledge。
這些東西不會因為：
模型 Benchmark 上升
就一起：
自動升級。
小 Pod 的概念本身沒有錯
三、四個高手，
搭配：
非常強的 AI。
確實可能做出以前：
十幾個人
才能完成的工作。
很多新創公司：
已經正在證明。
但是：
新創從零開始設計
和：
把一間數萬人的公司切成新創式小 Pod
難度完全不同。
因為大公司有大量看不見的協調工作
誰批准：
功能？
誰負責：
Security？
誰檢查：
Privacy？
誰管理：
Infrastructure？
誰知道：
五年前那段 Code 為什麼不能動？
誰理解：
某個市場的法規？
誰知道：
某項功能改掉後，
會傷到另一支產品？
這些往往不是：
GitHub 上一段程式碼
可以直接看出來。
AI 最容易取代的是「工作步驟」
但是公司真正運作的是「責任網路」
例如：
AI 可以寫：
登入功能。
但是如果登入失效，
誰半夜：
負責？
AI 可以改：
推薦模型。
但是如果造成：
大量錯誤內容，
誰決定：
Rollback？
AI 可以做：
產品分析。
但是如果結論影響：
上億美元投資，
誰簽字？
工作可以：
自動化。
責任不能：
憑空消失。
這也解釋為什麼「AI-native」不能只翻譯成「人越少越好」
真正成熟的 AI-native 公司，
應該問：
哪些工作 AI 明顯更快？
交給 AI。
哪些工作 AI 容易犯錯但容易檢查？
AI 先做，
人驗收。
哪些工作錯一次代價很大？
增加：
測試。
Approval。
Permission。
哪些工作需要跨部門責任？
不能因為 AI 會做步驟，
就把負責人：
一起刪掉。
這才是真正：
重新設計工作。
220% 和 36% 其實值得所有公司貼在牆上
AI 上線後，
如果你的 Dashboard 只顯示：
生成文章數。
產生 Code 數。
完成 Prompt 數。
Agent Run 數。
使用人數。
你可能很快宣布：
AI 導入成功。
但是第二張 Dashboard 還要問：
功能交付：
增加多少？
客戶問題：
少多少？
Revenue：
提高多少？
Cycle Time：
少多少？
錯誤：
多還是少？
返工：
多少？
Incident：
多少？
這才是真正的 Productivity
生產力不是：
做得更多。
而是：
相同資源產生更多真正有價值的成果。
如果：
產出量＋220%。
有價值成果＋36%。
事故＋40%。
救火時間＋70%。
那至少應該停下來問：
我們到底是在變快，還是在更快製造需要處理的東西？
這個問題甚至比裁員本身更重要
因為如果 AI 真的：
可靠。
穩定。
成本低。
產出高。
公司最後一定會：
重新計算人力。
這很正常。
但如果：
生產力根本沒有測清楚，
就先假設：
「一個人＋AI＝三個人」，
那人砍掉之後：
很難迅速補回：
團隊經驗。
尤其不能用「Code 多了」證明工程師可以少了
因為工程師真正的工作從來不只是：
打字。
還包括：
理解問題。
設計架構。
Review。
Debug。
Security。
維護。
溝通。
處理事故。
決定：
什麼東西根本不應該做。
AI 把「打字」做快很多，
當然重要。
但是不能因此直接推論：
完整角色：
同比例消失。
員工反彈也提醒另一個 AI 導入問題：信任
如果公司告訴大家：
請把你的工作流程完整記錄給 AI 學。
員工心裡卻想：
學完是不是就裁我？
你會得到什麼？
不會是：
最合作的 AI Transformation。
員工可能：
抵抗。
不分享。
不願意測試。
甚至刻意避免使用。
最後：
公司最需要的 Domain Knowledge
反而拿不到。
所以 AI 轉型其實需要新的交換關係
公司不能只說：
「AI 可以讓你更有效率。」
員工下一個一定會問：
「效率提高之後，我得到什麼？」
更多工作？
新的能力？
升職？
更高薪？
更少重複工作？
還是：
裁員？
這不是：
HR 公關問題。
而是 AI 導入本身的一部分。
SasaDaily 之前談過 Meta CTO 的另一句話
Andrew Bosworth 曾表示，
他更希望 AI 帶來的生產力提升：
變成：
更多產品。
而不是單純：
更多休假。
那篇文章問的是：
AI 省下來的時間最後屬於誰？
今晚 Reuters 的調查，
把同一個問題：
往更深一層推。
如果 AI 讓公司認為：
人可以更少，
那：
生產力怎麼測？
人力什麼時候才能真的縮？
如果測錯，
最後誰承擔：
返工與事故？
日本企業的 AI 導入也給了另一個提醒
很多企業：
「有人在用 AI」
和：
「整家公司真的被 AI 改造」
是兩件事。
Meta 現在反而走到：
另一個極端。
它不是停在：
員工自己用 Chatbot。
而是直接嘗試：
重新設計組織。
這也證明企業 AI 最難的階段：
從來不是：
買工具。
而是：
改流程。
改責任。
改組織。
改 KPI。
那一般公司今晚可以學什麼？
不是：
Meta 做錯，
所以不要導入 AI。
而是導入順序：
不要倒過來。
第一階段：先測工作
例如：
AI 能不能把：
客服整理時間
降 50%？
AI Coding 能不能：
縮短 Bug Fix 時間？
AI Agent 能不能：
完成固定流程？
第二階段：測完整成本
不要只看：
AI 跑多久。
還要看：
人工 Review。
修改。
失敗。
Rollback。
Incident。
第三階段：測真正 Outcome
例如：
功能交付速度。
客戶解決率。
營收。
成本。
品質。
第四階段：才重新設計組織
如果半年數據真的證明：
某個工作現在：
穩定只需要原本一半人力，
再考慮：
重新分工。
不一定要：
裁掉一半。
也可以把人移去：
公司原本沒資源做的事情。
因為 AI 最有價值的結果不一定是「人變少」
也可能是：
原來一個月只能：
推出一個功能。
現在推出：
三個。
原來客服只能：
服務中文。
現在可以：
10 種語言。
原來小公司沒能力：
做資料分析。
現在：
做得到。
這同樣是：
AI ROI。
今晚真正值得記住的不是「Meta 差點裁多少人」
最重要的是：
一家全球最積極投資 AI 的公司，
也碰到：
AI 活動量暴增，不等於真正生產力同比例暴增。
這是所有企業：
現在都會遇到的問題。
AI 時代最危險的新 KPI 可能就是「看起來很忙」
Agent：
跑了 10 萬次。
Code：
多了 220%。
文件：
多了 500%。
內容：
多了 1,000%。
如果最後：
客戶價值只增加：
一點點，
甚至還多了：
故障。
返工。
管理負擔，
那 AI 只是：
讓公司更高速地：
製造 Activity。
真正成熟的 AI-native 公司應該反過來做
不是問：
「AI 能不能讓我少 60% 人？」
而是先問：
「哪些成果已經穩定做到用更少人完成？」
差一個順序，
整個風險：
完全不同。
今晚的一句判斷
AI 最終很可能真的會：
讓很多公司變小。
很多角色：
改變。
很多工作步驟：
消失。
這件事沒有必要假裝不會發生。
但是 Meta 這次內部實驗提醒我們：
「AI 能產生更多東西」
距離：
「AI 已經可以穩定取代整個人的工作」
中間仍有一段：
非常長的路。
真正的企業 AI 轉型，
不是先算：
可以刪掉多少人。
而是先證明：
成果有沒有增加。
品質有沒有維持。
事故有沒有下降。
人類救火時間有沒有真的變少。
當這四件事情站得住，
組織自然會改。
如果站不住，
再漂亮的：
AI-native 組織圖，
都只是：
一張假設。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
