Meta 正在員工電腦中部署行爲追蹤軟件，用於構建和訓練自動化 AI 代理
據多家英文科技媒體援引內部備忘錄報道，Meta 正在員工電腦中部署行爲追蹤軟件，記錄鼠標移動、點擊路徑及操作流程，用於構建和訓練自動化 AI 代理。這些數據被用於還原員工在實際工作中的決策路徑與操作邏輯。
相關報道指出，這類數據將被用於優化 AI 在代碼開發、內容審覈及內部工具使用等場景的自主執行能力。本質上，Meta 正在將“人類操作軌跡”轉化爲可學習的數據集，以縮短 AI 從指令理解到任務執行之間的差距。
類似方向在行業內已有先例。OpenAI、Google DeepMind 等機構此前已通過人類反饋強化學習（RLHF）和操作演示數據提升模型能力，但直接採集“實時工作流行爲數據”的做法，意味着數據粒度進一步細化至微觀操作層。
來源：公開信息
ABAB AI 解讀
這類數據採集的核心，不是監控員工效率，而是獲取“隱性知識”。傳統訓練數據主要是文本、代碼或標註結果，而真正決定生產力的，是操作順序、判斷路徑和異常處理方式，這些長期無法被結構化記錄。Meta 的做法，本質是在提取“專家行爲函數”，讓AI學習的不只是結果，而是過程。
這反映出AI競爭正在從“模型能力”轉向“數據形態”。參數規模和通用語料的邊際收益正在下降，而高質量、強結構化的人類行爲數據，成爲新的稀缺資源。這類數據具備不可公開、不可爬取、強場景依賴的特點，意味着掌握企業內部工作流的平臺，將擁有新的訓練壁壘。
從產業結構看，這種趨勢會推動“工作過程數據化”。軟件開發、設計、運營等知識型崗位，其操作行爲正在被拆解爲可學習單元。這不僅改變AI能力邊界，也在重塑勞動價值的定義：價值不再僅體現在最終產出，而是體現在可被複制的決策路徑。
進一步看，這是企業內部“人機關係”的一次重構。員工不再只是執行者，同時也是訓練數據的提供者。長期來看，這可能形成一種新的生產函數：人類負責探索和生成新路徑，AI負責規模化複製。一旦路徑被充分學習，人類在該環節的邊際價值將快速下降，推動崗位結構向更高不確定性和創造性遷移。