Meta今年要在AI上砸6000亿美元。但比这个数字更耐人寻味的是：这笔钱的一部分，正用来买下自家员工的鼠标轨迹。
从Facebook到Instagram再到WhatsApp，这家掌管全球30亿人社交生活的公司，现在正把员工的日常工作变成训练数据。每一次点击、每一个快捷键、每一屏滑动——这些曾经属于个人隐私边界的操作，如今被系统性地捕获、标注、喂给模型。
这套系统的名字叫"模型能力倡议"（Model Capability Initiative，简称MCI）。它运行在员工日常使用的办公应用和内部网站上，记录的不是工作成果，而是达成成果的过程本身。
一、MCI到底在录什么
根据Meta官方披露，MCI的采集范围相当具体：
鼠标移动轨迹——光标如何在屏幕上游走，停顿在哪里，以什么速度划过按钮。点击行为——点了什么、没点什么、犹豫多久才点。导航路径——怎么打开菜单、如何切换标签页、下拉列表的使用顺序。应用切换——在多任务之间跳转的频率和规律。表单填写——输入框的聚焦顺序、修改痕迹、完成耗时。
Meta的发言人对CyberGuy解释了这个设计的底层逻辑：「如果我们要构建帮人们用电脑完成日常任务的智能体，模型就需要真实的人类使用范例——比如鼠标移动、点击按钮、浏览下拉菜单这些操作。」
这套说辞指向一个明确的工程目标：让AI学会"像人一样用电脑"。
不是给AI看成品文档，而是让它观察文档是怎么被生产出来的。不是告诉AI"这份报表完成了"，而是展示"左手按Ctrl+C、右手切到另一个窗口、粘贴前停顿了两秒"这样的完整过程。
这种数据的价值在于，它包含了人类决策的隐性信息。为什么先点这个再点那个？什么情况下会回退？哪些操作是熟练工的肌肉记忆，哪些是新手的手忙脚乱？这些无法被口头描述的"手感"，现在被量化成了训练素材。
二、从监控到喂养：一条清晰的商业逻辑
Meta强调了两点边界：数据仅用于模型训练，不用于员工绩效评估；管理者无权访问这些原始记录。
但这句话的潜台词更值得玩味——公司设备本就受监控，MCI并非特例。换句话说，员工对办公设备的隐私预期早已被压缩，现在只是换了个用途。
真正驱动这个项目的，是Meta对"AI智能体"（AI agents）的押注。
首席技术官Andrew Bosworth在内部备忘录中描绘的场景相当直白：未来大部分工作由AI智能体执行，人类负责指导和审核。这不是辅助工具的定位，而是工作流程的重构。
为了匹配这个愿景，Meta已经重组内部架构。原来的"工作用AI"（AI for Work）项目更名为"智能体转型加速器"（Agent Transformation Accelerator），目标是把AI嵌入各团队的日常流程。
命名变化本身就有信息量。"AI for Work"听起来像工具升级，"Agent Transformation Accelerator"则暗示组织形态的改变。从"用AI干活"到"被AI替代部分职能"，语义滑动的背后是战略重心的转移。
三、效率与代价的交换公式
Meta的算盘很清楚：用员工当下的工作数据，训练未来可能替代这些工作的系统。
这是一个即时可见的效率提升路径。AI智能体一旦学会员工的实际操作模式，就能在标准化任务上复制甚至超越人类速度。报表生成、数据录入、跨系统信息搬运——这些占据大量工时的重复劳动，理论上可以被自动化接管。
但交换的代价同样清晰。人类工作变成了系统的训练燃料，而且这种贡献是单向的、不可撤销的。你今天教AI怎么填这张表，明天这张表可能就不需要你了。
更微妙的是数据权力的不对等。员工无法选择退出MCI的数据采集，也无法知晓自己的操作数据具体如何被标注、组合、用于模型迭代。公司承诺的"保护措施"针对敏感内容，但"敏感"的定义权同样在公司手中。
职场监控本身并不新鲜。键盘记录软件、屏幕截图工具、邮件审计系统——这些在大型企业中早已普及。MCI的差异化在于监控目的的跃迁：从"确保员工在工作"变成"提取员工的工作方式用于机器复制"。
前者是管理控制的延伸，后者是生产关系的重塑。
四、6000亿美元的投资图谱
Meta总裁Dina Powell McCormick在公开访谈中提到的6000亿美元投资，为这场内部实验提供了规模感。
这笔钱投向几个相互咬合的方向：基础设施——数据中心、芯片集群、能源供应；模型研发——包括新发布的Muse Spark模型；应用落地——从消费者产品到企业内部系统。
MCI处于应用落地和企业内部的交叉点。它既服务于Meta自身的运营效率，也为未来对外销售的"AI劳动力"产品积累训练资源。
想象一下：如果Meta能训练出精通特定行业软件操作的智能体，这些智能体就可以作为订阅服务出售给其他企业。而MCI采集的，正是打造这种产品的原始材料。
员工在这里扮演了双重角色：既是AI系统的潜在替代对象，也是这些系统的无偿标注员。他们的日常劳动被二次开发，变成了可规模化的数字资产。
五、行业镜鉴：谁在跟进，谁在观望
Meta不是唯一一家觊觎员工行为数据的公司，但它是动作最公开、投入最激进的之一。
微软的Copilot系列同样强调"理解用户工作模式"，但主要依赖Office 365的文档数据和会议记录，而非底层的操作轨迹采集。谷歌的Workspace AI侧重在既有协作流程中嵌入生成能力，对系统级监控相对谨慎。
这种差异反映了战略路径的分化。Meta选择从"操作系统层面"切入，试图构建更原生的AI工作方式；竞争对手则倾向于在应用层逐步渗透，降低组织变革的摩擦成本。
哪种路径更有效，取决于两个变量：一是模型对细粒度操作数据的学习效率，二是企业对"全面监控换取全面自动化"的接受度。
Meta的赌注是前者——相信更底层的数据能训练出更通用的智能体。而它对后者的态度，体现在MCI的默认开启和不可退出设计上。
六、技术细节的灰色地带
MCI的公开信息留下了若干未解的技术问题。
数据脱敏的具体机制是什么？"保护敏感内容"的承诺如何实现？是关键词过滤、图像识别，还是人工审核？采集的数据在传输和存储中采用什么加密标准？模型训练完成后，原始操作数据是否保留、保留多久、谁有权访问？
这些问题的答案，决定了MCI是"必要的研发手段"还是"过度采集的隐患"。
Meta发言人的回应停留在原则层面，没有提供可验证的技术细节。在缺乏独立审计的情况下，外部只能依赖公司自述。
另一个灰色地带是数据归属。员工的操作轨迹是否构成可识别的个人信息？在欧盟《通用数据保护条例》（GDPR）框架下，这种行为画像可能触发严格的合规要求。Meta的全球部署如何适配不同司法管辖区的规则，目前未见披露。
七、从训练场到产品化的距离
MCI目前仍是内部工具，但它的存在暗示了Meta的产品路线图。
最直接的延伸方向，是为企业客户提供"数字员工"服务。想象一下：一家会计事务所购买Meta的智能体订阅，这些智能体已经通过MCI级别的训练，熟练掌握了主流财务软件的操作逻辑。部署后，它们可以接手发票处理、报表核对、跨系统数据同步等任务。
这种产品的竞争力，很大程度上取决于训练数据的广度和深度。Meta拥有的是自家员工的多样化操作样本，覆盖从工程师到产品经理、从设计师到运营专员的多种岗位。这种跨职能的数据积累，是单一行业客户难以自行构建的壁垒。
更激进的设想是消费级应用。如果AI智能体能学会"像人一样用电脑"，理论上它可以接管个人用户的设备操作——自动整理照片、批量处理邮件、跨应用协调日程。MCI采集的企业场景数据，经过适当泛化，可能成为这类产品的训练基础。
当然，从内部工具到商业产品之间，隔着巨大的工程鸿沟和监管不确定性。但6000亿美元的投资体量，意味着Meta有足够的资源同时推进多条路径。
八、组织重构的连锁反应
MCI的部署不是孤立的技术决策，而是配合着Meta的组织变革。
"智能体转型加速器"的更名和扩张，标志着AI从辅助工具向核心生产力的角色转换。这种转换对员工的影响是多层次的。
短期来看，熟悉AI协作模式的人可能获得效率优势，在绩效评估中占据有利位置。中期来看，岗位边界开始模糊——某些任务由人完成还是由智能体完成，取决于成本和质量的动态权衡。长期来看，组织可能收缩特定职能的编制，将资源转向"AI无法替代"的领域。
这个过程中，MCI采集的数据既是变革的催化剂，也是变革的记录仪。它见证了人类工作方式的最后一次完整呈现，然后把这些方式编码为可无限复制的数字技能。
对于身处其中的员工，这种处境带有某种荒诞感：你的每一个操作都在加速某个系统的成熟，而这个系统的成熟可能意味着你这部分工作的终结。但你无法拒绝参与，因为参与本身就是雇佣关系的默认条款。
九、更广泛的行业隐喻
MCI事件可以读作一个关于"数据化生存"的寓言。
在消费互联网阶段，用户的行为数据被采集、分析、变现，但用户至少获得了免费服务作为交换。在 workplace AI 阶段，员工的数据同样被采集、分析，但直接受益方是企业自身，员工获得的只是"可能保住工作"的模糊预期。
这种不对等反映了数据权力结构的深化。当AI能力成为企业核心竞争力的来源，对"人类行为数据"的争夺就从边缘走向中心。MCI式的系统监控，可能是这种争夺的标准配置。
其他科技公司的跟进只是时间问题。区别在于，有的公司会选择更隐蔽的部署方式，有的会在合规框架上投入更多资源，有的则可能直接收购具备类似数据采集能力的服务商。
对于科技从业者而言，这意味着职业技能的半衰期正在缩短。你今天引以为傲的效率技巧，明天可能成为训练数据的一部分，后天就变成模型能力的一个基准功能。持续价值的来源，从"会做"转向"会设计让AI做"，再转向"会判断AI做得对不对"。
十、一个关于未来的冷笑话
Andrew Bosworth描绘的未来里，人类"指导和审核"AI智能体的工作。这个定位听起来像是从执行者升级为管理者，但仔细想想，"审核"这个词的潜台词是：你已经不需要创造，只需要检查别人的创造。
而那个"别人"，是你亲手教出来的。
更讽刺的是，MCI的设计确保了教学过程无法被回避。你的每一次点击都在说"看好了，我只示范一次"——虽然实际上你示范了无数次，而且每次都被精确记录。
Meta用6000亿美元下注，赌的是这个循环可以持续运转：人类工作产生数据，数据训练模型，模型替代部分人类工作，剩余的人类继续产生更多数据。在这个闭环里，"人"既是起点也是终点，既是资产也是成本。
至于那个终极问题——当AI智能体学会了所有它能学会的操作，人类"指导和审核"的角色还能维持多久——Meta的发言人没有回答，Andrew Bosworth的备忘录没有回答，6000亿美元的预算表上也没有栏位填写这个。
也许答案就藏在MCI的某个日志文件里，和无数鼠标轨迹一起，安静地等待被模型读取。
热门跟贴