Meta以員工行為訓練AI，企業治理正走向新的勞動邊界

【 AI 新聞 ｜ 編輯：Sandy】

在生成式人工智慧從聊天、摘要與搜尋，進一步滲入辦公流程與知識勞動的當下，企業競爭的焦點已不再只是誰擁有更大的模型、更多的算力，還包括誰能取得更細緻、更貼近真實工作的操作資料。從這個角度看，Meta要求美國員工電腦安裝追蹤軟體，蒐集滑鼠移動、點擊、鍵盤輸入與偶發螢幕截圖，並不只是一起科技公司內部管理新聞，而是數位資本主義進入下一階段的訊號：企業開始將員工的日常工作流程，轉化為AI可學習、可複製、可擴張的生產資料。

這種轉變之所以值得注意，在於它碰觸了長久以來被視為分界清楚的兩個領域：一是勞動，二是資料。過去，企業購買的是員工的時間、能力與產出；如今，在AI系統逐步具備模仿操作介面、使用快捷鍵、處理多步驟工作流程的能力後，企業開始同時購買一種更具戰略價值的東西——員工如何完成工作的過程。真正的問題因此不只是「是否監控」，而是「誰擁有工作過程的資料權」，以及這些資料最終將強化誰的議價能力。

事件表面是監控，核心其實是資料化勞動

根據《印度時報》這篇報導所引述的內容，Meta已通知美國員工，公司將在特定工作應用程式與網站上蒐集使用行為，以協助訓練AI模型，讓模型更擅長處理目前仍不夠穩定的電腦操作任務，例如下拉選單導航、滑鼠點擊路徑與鍵盤快捷鍵等。與此同時，路透在〈Meta to start capturing employee mouse movements, keystrokes for AI training data〉（https://www.reuters.com/sustainability/boards-policy-regulation/meta-start-capturing-employee-mouse-movements-keystrokes-ai-training-data-2026-04-21/）中指出，這項內部計畫名為Model Capability Initiative，蒐集的資料將用於訓練能自主執行工作任務的AI代理系統，而Meta方面則強調資料不會用於績效考核，而是限於模型訓練用途。

若將這一動作放回Meta近年的組織轉向，就會發現其邏輯相當一致。公司過去兩年已持續把AI從產品功能推進到企業內部流程，並把效率、精簡與自動化視為組織重整的重要語彙。換言之，這並不是一場單純的監控擴張，而是一次更深的生產流程重寫：企業試圖把原本只能由熟練工作者完成的數位動作，拆解成可觀測、可標記、可重播的機器學習樣本。員工在此不僅是勞動者，也成了模型微調鏈條中的資料供應者。

這使得問題的性質出現微妙變化。傳統的職場監控，目的往往是督導、合規或安全；Meta這次行動則把監控直接連結到AI能力建構。也就是說，企業不只是看見員工在做什麼，而是要學會員工如何做事，進而讓系統日後能部分甚至大量替代這些行為。從經濟學角度看，這相當於把隱性的技能與程序知識外顯化，再輸入資本密集型的技術系統中，讓原本依賴人力的任務可以被標準化與複製。

真正的核心議題，是誰掌握「工作流程的模型化權力」

這篇新聞真正關心的，不應只是員工隱私，而是企業治理、資料權利與勞動權力之間的重新分配。當企業可以從日常辦公軟體裡擷取大量互動軌跡，並將之訓練成AI代理時，工作知識的所有權便開始從個體與團隊，轉移到平台與模型。這類知識過去往往難以明確量化，它藏在例外處理、判斷順序、操作節奏、跨視窗切換與經驗式修正裡；但一旦被完整記錄，企業便可能取得將其自動化的能力。

這也是為何Meta的做法具有結構性意義。它不只是讓AI學會點選畫面，而是讓管理層更接近一種理想：由系統接手高頻、標準化、可拆解的知識工作，而人類員工轉為監督、例外介入與質量把關。路透在前述報導中引述Meta內部備忘錄的方向，提到公司希望走向「代理系統主要負責執行工作，而人類負責指導、審核與改進」的閉環。這種說法表面上是分工升級，實際上卻也意味著大量中階白領工作的價值定義將被改寫。

在這裡，資本與勞動的傳統張力以新的形式浮現。工業時代爭奪的是工時、產量與工資；平台時代爭奪的是流量與資料；而AI時代的爭奪，愈來愈像是對「工作過程資料」與「任務可自動化程度」的控制。若企業能大規模取得這些資料，最終形成的，可能不是單一產品優勢，而是制度性優勢：它更容易重組流程、削減人力、重設職級與外包邊界，甚至改變招聘標準。

美國、歐洲與加拿大的差異，反映不同的治理哲學

Meta此次做法首先發生在美國，而不是全球同步推進，這本身就說明了制度環境的重要性。美國在隱私與勞動監管上，長期採取較分散的部門式與州別式安排。美國聯邦貿易委員會在〈The Federal Trade Commission 2023 Privacy and Data Security Update〉中便明確指出，美國目前並不存在一部全面性的聯邦隱私與資料安全法，因此監管主要依賴FTC法與較狹義的專門法規。這代表企業在一般商業場景中，尤其在雇主與員工關係上，往往擁有較大的制度操作空間。

相較之下，歐洲的邏輯明顯更重視比例原則與風險評估。歐盟「Your Europe」的〈Data protection under GDPR〉頁面指出，當新技術帶來對個人權利與自由的高風險時，企業必須進行資料保護影響評估；歐洲資料保護委員會亦多次強調，系統性監控屬於高風險處理情境。這意味著，若要在歐洲大規模蒐集員工點擊、鍵盤與螢幕操作資料，企業面對的就不只是通知義務，而是必要性、最小化、正當利益衡量與工會或員工代表參與等更完整的審查鏈條。Eurofound在〈Employee monitoring: A moving target for regulation〉（https://www.eurofound.europa.eu/en/publications/all/employee-monitoring-moving-target-regulation）中亦指出，歐洲各國對員工監控的法律保護，往往同時嵌入基本權、資料保護與勞動法框架，使職場監控很難被視為單純的管理技術問題。

英國雖已脫離歐盟，但在資料保護上仍維持高度相似的監理思維。英國資訊專員辦公室（ICO）在《Employment practices: monitoring at work draft guidance》及後續公開說明中指出，英國法律並不禁止雇主監控員工，但監控必須合法、透明且公平，且不得不成比例地侵入員工私領域。這一標準的關鍵，不在於企業是否有商業目的，而在於有無更低侵入性的替代方案，以及是否讓員工清楚理解蒐集範圍、用途與保存方式。

加拿大的監理視角則更強調信任與工作場所文化。加拿大隱私專員公署在〈Privacy in the Workplace〉（https://www.priv.gc.ca/en/privacy-topics/employers-and-employees/02_05_d_17/）中指出，雇主必須讓員工知悉監控的目的、性質、範圍、原因及可能後果；加拿大監管機構在2023年的相關聲明中更明言，近年員工監控軟體擴散，暴露出許多現行法律對數位職場隱私保護已顯過時。換句話說，在北美其他法域，問題已不只是企業能否監控，而是如何避免監控侵蝕勞資信任與基本工作尊嚴。

若把這三個區域放在一起比較，差異其實相當鮮明。美國傾向先讓市場創新，再以個案執法或州法補洞；歐洲較強調事前治理與權利平衡；加拿大則努力在管理效率與員工信任之間建立較明確的透明規則。Meta選擇從美國員工開始，正好折射出AI公司如何依照監管鬆緊重新安排技術部署順序。

這不只是隱私爭議，更是制度與經濟效率的重新計價

從制度面看，Meta此舉把一個原本偏向人資治理的問題，推進到AI治理的中心地帶。因為一旦監控資料被用於模型訓練，它就不再只是一次性的管理紀錄，而是可持續累積、重複利用，並最終轉化為企業技術資產的資料基礎建設。其經濟意義在於，企業對員工的觀察不再只服務於管理，而是直接進入資本形成過程。

這會帶來兩個長期後果。第一，資料蒐集與自動化之間的因果鏈將更緊密。企業可以主張蒐集是為了提升生產力，但員工很難忽略另一個可能：當模型愈懂得執行日常任務，某些職位的重要性、稀缺性與薪資溢價也可能逐步下降。第二，企業內部將出現新的分層。能夠設計流程、定義任務、評估AI輸出的高階人才，價值可能上升；而主要執行標準化數位任務的人員，則更容易被視為可替代、可外包或可被AI稀釋。

經濟合作暨發展組織（OECD）在《Using AI in the workplace》與《Algorithmic management in the workplace》相關研究中指出，AI與演算法管理可能帶來效率提升，但也會擴大資訊不對稱，讓監督、排班、評估與任務分配更集中於系統與管理端。若將Meta此次措施視為一個先行案例，那麼它反映的不是單一公司偏好，而是大型知識型企業正在測試一種新型態的生產制度：員工一邊工作，一邊為系統提供自我替代所需的訓練資料。

台灣與亞洲的啟示，在於技術導入往往先於制度討論

對台灣與亞洲科技產業而言，這起事件的參考價值並不小。亞洲多數企業在數位監管與勞動法之間，仍未建立足夠細緻的AI職場治理框架。企業可能很快導入生產力工具、客服代理、程式碼助手與內部流程代理，但對於「是否可以用員工操作資料來訓練這些系統」、「資料是否去識別化就足夠」、「員工是否具有拒絕權或知情選擇權」，往往還沒有成熟共識。

尤其在台灣，科技製造與平台服務產業一向重視效率、交付與流程最佳化，若未及早建立制度界線，類似做法未來並不難複製。問題在於，當企業以提升競爭力為由擴大資料蒐集，勞動者往往難以單獨對抗。這不只是個資保護問題，也涉及勞動法、企業治理、工會協商與產業政策。若亞洲市場未能在導入初期建立透明、最小化蒐集、用途限制與獨立審查原則，AI導入很可能先沿著最便利的管理路徑前進，而不是最平衡的制度路徑前進。

反方觀點並非沒有道理，但風險在於例外變成常態

當然，企業的反方論述並非全然站不住腳。若AI代理真的要學會完成複雜辦公任務，單靠公開網頁、模擬資料與標準測試集，確實很難掌握真實職場中的細節。從技術發展的角度來看，取得高品質的人類示範資料，可能是讓AI從「能對話」走向「能做事」的必要一步。Meta所強調的，也正是這一點：模型若要理解真實世界中的數位工作流程，就必須觀察人類如何實際操作。

然而，風險並不在於這個技術邏輯是否存在，而在於它會否成為持續擴張監控的正當化理由。今天蒐集的是滑鼠軌跡與鍵盤輸入，明天可能擴大到語音、會議互動、任務切換節奏與跨平台協作資料；今天說不作績效評估，未來在成本壓力或管理需求上升時，是否仍能維持用途限制，也有待觀察。制度設計的難處正在於，企業承諾通常比技術能力更容易改變。

AI時代的企業，不只是在提高效率，也在重寫勞動契約

Meta事件之所以值得被當作一篇深度分析來看，是因為它揭示了AI時代企業治理的新現實：效率提升不再只靠軟體輔助員工，而是靠員工先把自己的工作方式轉譯成可訓練的資料，再由系統逐步接手。這使得勞動契約的隱含內容發生變化。員工提供的，不再只是當下的工作成果，還包括可被資本長期吸收的流程知識。

從更宏觀的層次看，這或許是未來十年知識工作轉型的縮影。企業會愈來愈積極地把不可見的工作程序資料化、模型化與平台化；監管者則必須回答，哪些資料蒐集屬於合理管理，哪些已跨越到對人格、隱私與勞動權利的過度侵入。真正有份量的問題，不是某一家科技公司是否走得太快，而是當愈來愈多企業開始把「員工如何工作」視為AI原料時，現有法律、工會與公司治理機制，是否足以為這場轉變劃出邊界。

答案暫時還不明朗。但可以確定的是，這場關於工作、資料與權力的重新配置，才剛開始。