Meta 正在把员工的电脑操作变成 AI 训练数据。根据路透和 The Verge 报道，Meta 会在美国员工电脑上安装内部工具 MCI（Model Capability Initiative），记录工作相关应用和网站里的鼠标移动、点击、击键，以及偶发截图。

这些数据的目标很明确：训练 AI agents 学会像人一样使用电脑，去完成员工平时在软件界面里处理的那类任务。和过去泛泛而谈“AI 助手”不同，这次更接近让模型直接学习真实办公流程。

目前新增且更确定的信息有三点。第一，部署对象被报道为美国员工，不是模糊的“内部测试”。第二，采集内容不是笼统监控，而是聚焦工作相关应用和网站中的具体交互。第三，Meta 已公开给出边界：数据不用于绩效评估，并设有敏感内容保护和用途限制。它没有把争议消除，但把问题从“有没有监控”推到了“这些劳动数据将被拿去训练什么”。

Meta到底在收什么

已知信息并不算少，关键是别把范围说大，也别把用途说轻。

MCI 是 Meta 内部工具，面向美国员工电脑部署。它记录的是工作相关应用和网站中的鼠标移动、点击、击键和部分截图。公开报道没有支持“监控一切私人活动”这种说法，至少目前看到的范围仍限于工作场景。

Meta 发言人 Tracy Clayton 的口径是：工具只覆盖特定应用；有敏感内容保护；数据不会用于 performance assessments，也不会挪作其他用途。这个表态很重要，因为它至少说明，现阶段没有公开证据表明 Meta 已把这套数据直接接到绩效考核上。

但这条边界主要还是公司自述。外界现在知道的是用途声明，不是完整的执行细则。哪些内容会被遮蔽，截图触发条件是什么，员工能否退出，日志保存多久，目前公开信息都还不充分。

真正变化不只是监控，而是“做事方法”被收编

把这件事只看成员工监控，会漏掉后半截。

传统监控工具更像检查人有没有在工作。MCI 这类工具要学的是人怎么把工作做完：打开哪个系统，先点哪里，什么时候输入，遇到报错后如何补救，界面混乱时怎样找到正确入口。公司采集的不只是动作痕迹，而是一套可拆解、可复用的操作方法。

这也是新线索比旧判断更清楚的地方：它补上了更现实的组织目标。Meta CTO Andrew Bosworth 在内部谈到的愿景，是让 agents 主要干活，人来指挥、审核和帮助改进。照这个方向看，MCI 不是普通的内控工具升级，而是把知识工作的操作链条搬进训练管线。

过去很多 AI 训练靠公开文本、代码和标注数据。电脑代理要真正可用，缺的往往不是“知道答案”，而是“知道怎么在软件里完成动作”。真实工作流因此变得更值钱。谁拿到细粒度的人机交互数据，谁就更有机会把聊天模型做成会办事的 agent。

这对谁影响最大

最直接受影响的是 Meta 的美国员工。

短期内，变化未必是岗位立刻被替代，而是你的工作过程开始被系统吸收。原本只存在于个人熟练度中的经验——顺序、判断、补救、取舍——会被重新定义成组织资产。公司现在说这些数据不用于绩效评估，这当然比没有边界好；但员工真正关心的，通常还包括三件事：采集是否只限特定应用、敏感内容如何保护、后续是否会扩展用途。

另一类更该盯这件事的人，是做 AI agent、企业软件和自动化产品的人。

这条新闻说明，现实世界里最稀缺的数据不只是文档和知识库，而是员工如何在系统之间完成任务的过程数据。对企业软件厂商来说，这会带来一个更硬的问题：想把 agent 做到能落地，是否需要先拿到员工桌面的细粒度交互数据？如果答案是“需要”，那产品能力和组织控制很可能会被一起打包卖进企业。

现在还不能下哪些结论

这件事可以做出明确判断，但也要收住。

目前报道足以支持的，是 Meta 正在为 AI agent 训练积累真实工作流数据，并尝试把知识工作中的操作过程标准化、数据化。它也说明，企业内部劳动正在更直接地转成模型资产。

但现有证据还不能证明两件事：一是 Meta 已经用这套数据做大规模岗位替代；二是这套数据已经被直接用于裁员、降薪或绩效排序。证据到哪，判断就到哪。

如果要找一个更贴切的历史对照，这更像数字时代的泰勒制。过去管理者拆解工厂动作，今天公司拆解知识工作者在屏幕前的点击、输入和界面路径。两者并不完全一样，但有一个相通处：先把过程看见，再把过程标准化，最后才谈接管。

接下来最该看什么

接下来真正决定这件事分量的，不是 Meta 今天说了什么，而是边界能否被验证。

最值得继续观察的有四点：

  • MCI 会不会从美国员工扩大到更多地区或更多岗位
  • 所谓“敏感内容保护”具体如何执行，规则会不会公开得更细
  • 训练成果先用于员工助手，还是先用于流程重组和岗位再设计
  • Meta 之外，其他科技公司会不会把员工行为数据当作 agent 训练集来复制

如果这套逻辑扩散开来，企业采购 AI agent 时会多出两个更实际的问题：它到底靠什么训练出来；为了换取效果，是否要先把员工的工作过程交给系统。很多公司谈 agent 时把重点放在模型能力上，但真正的代价，常常藏在数据采集和组织权力的重新分配里。