AI 工具實測 · 觀察筆記

Meta 全面導入 AI 之後:
8000 人裁員背後、5 個正在發生的組織結構轉變

Meta 在 2026 年 5 月 20 日開始裁 8000 人、把 7000 人轉調 AI 部門、同時砸 $145B 在 AI 基建上。 但比裁員規模更值得看的、是整個公司的運作方式正在被重寫。從一位 Meta 工程師最後一天的日誌切入、看這場組織顛覆的真實樣貌。

含 Meta 員工第一手日誌 5 個結構性轉變 優劣勢分析 給一人事業的啟示
📖 讀這篇前你需要知道

這篇不只是新聞整理、而是把 Meta 員工自己的離職日誌、加上跨家報導的脈絡、整理成「AI 全面導入會對組織造成什麼影響」的分析框架。 讀完你會看懂:(1)為什麼財務超健康的公司還要裁員(2)AI 重組到底改了哪些遊戲規則(3)對你的工作 / 公司有什麼啟示。不需要懂技術。

The Scene · 場景

2026 年 5 月 20 日、Meta 正在做的事

祖克柏 2025 年提出的願景是:「一小群有能力的人 + 強大 AI 系統、可以做到過去整個部門才能做到的事」。 這句話在 2026 年 5 月 20 日這天、從口號變成具體行動。

8,000
2026/5/20 起裁員、約占全球員工 10%
7,000
同時被轉調到新成立的 4 個 AI 部門
$145B美金
2026 年 AI 基建投資、約 4.5 兆台幣
$60B美金
2025 年淨利、財務狀況非常健康

這幾個數字放在一起看才有意義:Meta 不是因為虧錢裁員、是策略性地把人力預算搬去買算力。 2025 年獲利 600 億美金、2026 年 Q1 營收還在創新高、但他們選擇在這個時間點動手。

2026 下半年還會有第二波裁員。加上後續調動、預估總影響可能達 20% 人力(約 1.6 萬人)。 NBC News 引述路透社報導、Meta 內部備忘錄明確寫了一個關鍵字:「AI 原生設計」(AI-native design)。

📖 什麼是「AI 原生設計」?
不是把 AI 加進原本的組織、而是從零開始用 AI 思考組織該怎麼長。 原本的組織圖是為了「協調人類」而設計(PM 寫需求、工程師寫程式、QA 測試⋯)。 AI 原生組織預設「AI 是執行主力」、人類的位置從「執行者」變「指揮者 / 修正者」。 比喻:差別像「在馬車上加引擎」vs「直接設計汽車」。
First-Hand · 第一現場

一位 Meta 工程師的最後一天日誌

最有料的不是新聞、是一位用戶名 @mibeartech 的 Meta 工程師、於 2026 年 3 月提離職、離職日剛好壓在 2026 年 5 月 20 日大裁員前一天、寫下 5 段日誌記錄他親眼看到的轉型現場(點此看完整原串)。

日誌 1 @mibeartech · 來自上層的 AI 徵招令

公司目前 all in AI。除了大家熟知的 Superintelligence Labs (MSL)、前陣子又多了 Applied AI (AAI)。 一開始是在內部論壇廣邀主管跟員工加入、接著開始機率性挑人去 hackathon、最近則是直接降下聖旨、接到指令的人沒有任何選擇、只能立刻放下手邊的專案、轉身投入新的團隊。

身邊的例子是禮拜四下午收到聖旨、下個禮拜一就要立刻報到。原本在做的專案都不重要了、原本團隊的主管也是同一時間才被告知、而篩選機制至今還是未知。

日誌 2 @mibeartech · AAI 內的混亂

每週都會有一大批新的入伍員工、這週加入的新人下週就會成為別人的報到 buddy。 大家在做的事情也沒有外界想像中那麼 fancy、基本上是幫內部模型建立真實工作場景的 coding taskevaluation case、用 markdown 描述實際工作情境、測試模型是否能完成對應任務。

主管:員工的比例來到至少 1:30、傳統的 1:1 已經不可能運作、改成 office hour 的形式、由員工主動 book time slot 討論事情。

大家都做一樣的事情、年終怎麼評估表現至今也未知、估計等模型有了足夠多的高品質 coding 資料後、大家又會被集體移去做不同的事情、或是又會再有一波大規模重組。

日誌 3 @mibeartech · 原團隊的手足無措

2026 年初大家還在為 agentic 興奮不已、但當每個團隊都突然少 1-2 個員工時、連原本排在 P0 的專案都突然失去負責人。再加上公司又宣布 5 月 20 日要大裁員、基本上大家過去 1-2 週都無法全心全意投入工作。

更弔詭的是 5 月 20 日都還沒到、但緊接著要發生的就是2026 下半年 roadmap 規劃以及年中績效考核、而為了推動工作前進、也只能先假裝沒有大裁員這件事一般、繼續討論下半年的策略以及目標。

日誌 4 @mibeartech · 寫在最後

Meta 這段時間非常激進地調整工作流程和組織結構。從公司角度看、這也許是必要且合理的選擇、AI 競爭早已經進入不能慢慢來的階段、資源勢必會被重新集中分配。但在員工的日常裡、這種轉型帶來的陣痛是非常真實的

你會看到原本的專案突然失去優先級、團隊的人力被重新分配、主管也很難給出明確答案、而每個人還是得繼續交付、準備績效考核、討論 roadmap。

最難受的不是變動本身、而是不知道這些變動會把自己帶去哪裡。

高讚回應 留言串裡的關鍵聲音 · 看完整留言

「公司想用滑鼠追蹤軟體訓練 AI、超過 1,000 名員工連署抗議」@sk_finance70 引述路透社)—— 員工開始用「大象圖」狂刷內部論壇、諷刺高層避談「房間裡的大象」這頭裁員怪獸。

「有員工提案:讓 AI 取代我、公司給我 5 年薪水再走」@web3school_gda)—— 把談判主動權拿回手上的另類做法。

朋友寫 4 年代碼、2025 年績效拿 Exceeds Expectations、2026 年 5 月 20 日還是被叫去談話。HR 說:「組織調整、AI 效率提升、你也知道現在程式碼 AI 一天就寫完。」言下之意:你很優秀、但我們不需要那麼多工程師了。(@shrimp_uncle 親友轉述

這 5 段日誌跟留言、勝過任何分析報告。接下來我們把這些真實的現場觀察、抽出 5 個結構性轉變、看看 AI 全面導入到底改了組織的什麼。

The Shifts · 5 個結構性轉變

AI 全面導入正在改寫的 5 條遊戲規則

不是新聞上你看到的「裁員 / 投資 / 重組」三個動作、而是更深層的:組織決策邏輯、員工角色、職涯穩定性、評估標準、人才稀缺性、全都在重新定義。

1

部門化 → Pod 化(中階管理層被擠壓)

原本:經理帶 8 人小組、層層上報 → 現在:小型自主 pod、扁平直接執行

Meta 內部備忘錄明確寫:「組織將變得更扁平、使用更小的 pod / cohort 團隊、讓決策更快、自主權更高」。 SiliconAngle 報導新冒出的三層職位家族是:AI Builders(個人執行者)、AI Pod Leads(小團隊技術主管)、AI Org Heads(事業線負責人)。 中間那層「manager-of-managers」(管理主管的主管)基本上被吃掉了。

📍 現場證據:mibeartech 日誌提到主管:員工比例已經來到 1:30、傳統 1:1 改成 office hour 自助預約。 這不是「縮編」、是「重新定義中階主管的角色」—— 從「分配工作、追進度」變成「設計流程、答疑解惑」。
2

「做產品」→「養 AI」(員工的真實工作正在重定義)

原本:寫程式、做功能、交付給用戶 → 現在:寫評估案、訓練模型、把工作教給 AI

這是最反直覺的一條。被調進 AAI 的員工每天在做什麼?答案不是寫程式 —— 是用 markdown 描述真實工作場景、做成 coding task 跟 evaluation case、餵給內部模型訓練

換句話說、被選進「AI 部門」的員工、實質工作是把自己過去的能力、轉換成 AI 的訓練教材。 日誌也預言:等模型有足夠的高品質資料、大家又會被移去做別的事 —— 因為「教 AI」這件事本身、也是有期限的中繼站。

📍 對照:這不只 Meta。OpenAI 跟 Anthropic 都在大量招募「領域專家」做 evaluation、付的不是工程師薪水、是「知識轉移費」。 員工的價值正在從「執行專業」轉成「轉譯專業給 AI」。
3

穩定路徑 → 一週通知就調動(職涯可預測性消失)

原本:半年規劃 + 主管溝通 + 漸進轉組 → 現在:禮拜四聖旨、禮拜一報到、原主管同時間才知道

這條最容易被忽略、但破壞力最大。當「下週你在哪個團隊」變得不可預測、整套職涯規劃的邏輯就崩了。 你的 KPI 設計、年度績效、學習路徑、人脈累積、全部建立在「我在這個團隊一段時間」的假設上 —— 假設一被打破、過去的努力很多都歸零。

對員工不友善、但對公司來說是必要的快速 pivot 能力。AI 競爭是月、不是季 —— 如果還在等員工慢慢轉組、機會就過了。

📍 現場證據:mibeartech 日誌寫「原本團隊的主管也是同一時間才被告知」。 這代表連 manager 都失去了「我能保護我的人」的能力 —— 信任結構在一夜之間翻盤。
4

「優秀就安全」失效 → 策略契合度才算數

原本:年度績效 = 你的保護傘 → 現在:拿 Exceeds Expectations 也可能被裁

留言串裡有一個非常具體的案例:朋友在 Meta 寫 4 年代碼、2025 年績效拿到 Exceeds Expectations(超出期待)、2026 年 5 月 20 日還是收到「來辦公室聊聊」的信。HR 委婉地說:「組織調整、AI 效率提升、你也知道現在程式碼 AI 一天就寫完。」

關鍵句是後半句。不是你做得不好、是「這個工種」本身在新地圖上的位置變了。 過去績效好 = 安全、現在績效好只代表你在正在消失的職位上做得好。

📍 新的評估邏輯:(1)你做的事是「AI 能取代」還是「AI 取代不了」?(2)你的技能能不能放大 AI 的產出?(3)你能不能幫 AI 訓練 / 評估? —— 答得出來、你才在新地圖上。
5

高薪先死、普通人較晚(最反直覺的一條)

直覺:低階先被取代、白領安全 → 真實:高薪白領先死、低薪反而比較晚

留言串裡有一個高讚回應、講出了大家不太願意承認的事實:

「普通人反而比較沒事、或者說會來的比較晚⋯⋯因為 AI 縮短了在頂端公司跟普通公司的人的產出差異、拿高薪的人已經不再那麼值錢、會是第一波被砍的。 普通人本來就只拿著普通的薪水。」 — @duy82055

這個邏輯細想很有道理:高薪反映的是「替代成本高」 —— 找一個能寫 Meta 等級程式的人很貴、所以付他高薪。 AI 把「能寫 Meta 等級程式的能力」拉到普及之後、這個「替代成本」就被打掉了。 反而是需要實際手做、跟人互動、解決現場問題的低薪工作、AI 的邊際成本還沒拉到能取代。

另一個留言補刀:「外商一年賺你台商 5 年、單純是台灣軟工太便宜、token 一降價就準備死一片」(@ben_52777)。 台灣本土工程師相對便宜、所以反而比美國工程師晚被淘汰 —— 但「晚」不等於「不會」。

Pros & Cons · 優劣勢分析

對公司的優勢、跟必須付的代價

不能只看一面。任何組織選擇 all-in AI 之前、應該看清楚這兩邊。

對公司端的優勢

  • 決策速度:pod 化之後、不用層層上報、小組能直接做主
  • 成本結構翻轉:人力預算(每年增)變算力預算(一次性 + 邊際遞減)
  • 快速 pivot 能力:禮拜四通知禮拜一報到、整個方向能一週改
  • 產出放大:「一小群人 + AI 做到整個部門的工作」(祖克柏原話)
  • 避開人事制度僵化:跳過漫長的內部協調、直接重新洗牌

必須付的代價

  • 組織記憶流失:8000 人帶走 10+ 年累積的隱性知識
  • 心理稅:「不知道變動會把我帶去哪裡」這種焦慮、會吃掉留下來的人的產能
  • 信任崩壞:連主管都不知道下屬要被調走、組織信任結構受傷
  • FOMO 風險:留言串「META 管理層整個都在 FOMO 亂動」—— 為了做而做
  • 文化反撲:1000 員工連署、抗議監控 / 大象圖刷論壇 / 員工提案「給我 5 年薪我自願走」—— 都是文化裂縫的訊號
  • 理念分裂:前 AI 首席科學家 Yann LeCun(12 年資歷)2025 年底離開、公開說跟祖克柏理念不合
核心張力

祖克柏在賭一個假設:AI 帶來的產出放大效應、會大過裁員帶來的組織傷害。 這個賭注在 2026 年無法驗證、要看 2027-2028 的公司產出、才知道對不對。 在那之前、Meta 同時付出兩端的代價 —— 對外要證明 AI 的效益、對內要承受文化的崩壞

My Take · 我自己的反思

我自己公司在 2025-2026 這段時間、悄悄做了類似的事

看完這篇你可能會想:「這是 Meta、跟我有什麼關係?」。但我自己經營的小公司、從 2025 年到 2026 上半年也走過類似的轉型、只是規模差了 1000 倍、所以陣痛沒那麼戲劇化。把我看到的整理在這裡。

我已經做的部分

我的「12 個 AI 主管」、就是 pod 化的小規模版本

我的公司沒有實體的部門、但我為 Claude Code 設計了 12 個角色:行銷長、銷售長、人才長、財務長、法務長、客戶體驗長等等。 他們不是真的有人類在裡面、是我寫的角色設定 + 工作流程。需要某種專業判斷時、就「叫」出對應的主管。

這就是 Meta 在大規模做的事的小規模實踐:「一小群人 + AI = 整個部門」。 Meta 花 $145B 才能做、我花的是 Claude Pro 訂閱 + 幾天時間設計。

我做掉的工作(沒有人類流失)

  • 每天的營運巡檢、過去要人類花 30-60 分鐘、現在自動跑完、只看異常
  • 客戶諮詢前的攻略整理、過去要 2-3 小時、現在 30 秒生
  • 每週的內容企劃 / 數據盤點 / 信件草稿、全部 AI 第一輪、人類只做最後 10% 修
  • 原本要開會討論的決策、改成「跑 c-level 多視角分析」、我直接看完做判斷

跟 Meta 不同的地方

  • 沒有「裁員」問題:我不是把人換成 AI、是用 AI 撐起了我原本請不起的部門
  • 沒有「組織記憶流失」:因為公司本來就小、AI 反而成為記憶的儲存載體
  • 沒有「文化反撲」:因為主導者是我自己、不是員工被迫適應
  • 有「設計者疲勞」:我得每天思考「下一個流程怎麼 AI 化」、這是我的新工作

給讀者的提醒:你不需要等公司被 AI 顛覆才行動

Meta 案例最容易讓人讀完的反應是:「這是大公司的事、我又不在 Meta」。 但真實情況是、AI 全面導入的影響會從大公司往下擴散 —— 矽谷 2026 年發生的事、就是台灣 5-10 年後的版本(@mr.sherlock.tw 的留言)。

與其等公司被顛覆、不如先把自己的工作「pod 化」:哪些工作是你做、哪些可以丟給 AI、哪些是你跟 AI 一起做。 把這張圖先畫出來、你就比大部分人提早一年看到自己的位置。

"

最難受的不是變動本身、
而是不知道這些變動會把自己帶去哪裡。
— mibeartech、Meta 工程師、最後一天

Take Away · 帶走三件事

看完這篇、值得放在心裡的三件事

01

AI 全面導入不是「加上 AI」、是「重新設計組織」。新的職位是 AI Builders / AI Pod Leads / AI Org Heads、舊的「管理主管的主管」正在消失。盤點你目前的角色屬於哪一層、就知道你的安全係數。

02

「績效好就安全」這條鐵律失效了。新邏輯是「你做的事在新地圖上嗎」。問自己三個問題:你的工作 AI 能不能做?你能不能放大 AI 的產出?你能不能幫 AI 訓練 / 評估?答得出來、你才在新地圖上。

03

高薪先死、普通人較晚—— 這是 AI 經濟最反直覺的特性。AI 把「能寫頂尖程式 / 能做頂尖設計」的能力拉到普及、高薪的「替代成本溢價」被打掉。低薪反而因為 AI 邊際成本還沒拉到能取代、稍晚才會輪到。但「晚」不等於「不會」。

Further Reading · 想再深入

延伸閱讀

幫 AI 分多個角色真的比較好嗎?2026 最新研究說「先別」→

當公司想「給 AI 排組織圖」時、別急著做。Anthropic + Stanford + Cognition 三家研究的反直覺結論。

我用 AI 自動化公司 Paperclip 跑兩個商業模式 →

另一個方向:用 AI 跑商業模式、24 小時實測的觀察、含 5 個 marketing 沒講清楚的真相。

mibeartech: 從 Meta 正式登出 Day 0 ↗

文中引用 5 段日誌的原文。Meta 員工的真實視角、強烈推薦看完整版。

TheNextWeb: Meta to cut 8,000 jobs on 20 May ↗

裁員數字、時程、$145B AI 投資、AI 原生組織設計的完整報導、英文。

NBC News: 7,000 employees moved into AI roles ↗

7000 人轉調 AI、新成立 4 個 AI 組織的細節、英文。

SiliconAngle: 4 new AI units ahead of layoffs ↗

新的三層職位 AI Builders / Pod Leads / Org Heads 的解釋、Alexandr Wang 領軍 Superintelligence Labs。

參考資源

  • mibeartech · 〈從 Meta 正式登出 Day 0〉Threads 串、含 5 篇日誌 + 60+ 則回應、本文核心素材 — threads.com/@mibeartech
  • Reuters / The Next Web · Meta to cut 8,000 jobs on 20 May with more layoffs planned for second half of 2026 — thenextweb.com
  • NBC News · As Meta lays off 10%, 7,000 employees will be moved into AI roles — nbcnews.com
  • SiliconAngle · Meta shifts 7,000 employees into four new AI units ahead of mass layoffs — siliconangle.com
  • TechRepublic · Meta to Slash 8,000 Jobs This Week Amid $145B AI Push — techrepublic.com
  • Human Resources Director · Meta to cut 10% of its workforce as Zuckerberg redirects billions toward AI — hcamag.com
  • ABMedia 鏈新聞 · Meta 大裁員!六百名超級智慧實驗室職員被建議去申請其他職位 — abmedia.io

看完這篇?回首頁瀏覽更多實驗筆記

← 回 老K 的 AI 實驗筆記