Meta 正在员工电脑中部署行为追踪软件，用于构建和训练自动化 AI 代理
据多家英文科技媒体援引内部备忘录报道，Meta 正在员工电脑中部署行为追踪软件，记录鼠标移动、点击路径及操作流程，用于构建和训练自动化 AI 代理。这些数据被用于还原员工在实际工作中的决策路径与操作逻辑。
相关报道指出，这类数据将被用于优化 AI 在代码开发、内容审核及内部工具使用等场景的自主执行能力。本质上，Meta 正在将“人类操作轨迹”转化为可学习的数据集，以缩短 AI 从指令理解到任务执行之间的差距。
类似方向在行业内已有先例。OpenAI、Google DeepMind 等机构此前已通过人类反馈强化学习（RLHF）和操作演示数据提升模型能力，但直接采集“实时工作流行为数据”的做法，意味着数据粒度进一步细化至微观操作层。
来源：公开信息
ABAB AI 解读
这类数据采集的核心，不是监控员工效率，而是获取“隐性知识”。传统训练数据主要是文本、代码或标注结果，而真正决定生产力的，是操作顺序、判断路径和异常处理方式，这些长期无法被结构化记录。Meta 的做法，本质是在提取“专家行为函数”，让AI学习的不只是结果，而是过程。
这反映出AI竞争正在从“模型能力”转向“数据形态”。参数规模和通用语料的边际收益正在下降，而高质量、强结构化的人类行为数据，成为新的稀缺资源。这类数据具备不可公开、不可爬取、强场景依赖的特点，意味着掌握企业内部工作流的平台，将拥有新的训练壁垒。
从产业结构看，这种趋势会推动“工作过程数据化”。软件开发、设计、运营等知识型岗位，其操作行为正在被拆解为可学习单元。这不仅改变AI能力边界，也在重塑劳动价值的定义：价值不再仅体现在最终产出，而是体现在可被复制的决策路径。
进一步看，这是企业内部“人机关系”的一次重构。员工不再只是执行者，同时也是训练数据的提供者。长期来看，这可能形成一种新的生产函数：人类负责探索和生成新路径，AI负责规模化复制。一旦路径被充分学习，人类在该环节的边际价值将快速下降，推动岗位结构向更高不确定性和创造性迁移。