Meta的“模型能力倡议”：人工智能监控与信任的背叛

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

语言选择 📢

发布日期：2026年5月27日 / 更新日期：2026年5月27日 – 作者： Konrad Wolfenstein

Meta 的“模型能力倡议”：人工智能监控与信任的背叛 – 图片来源：Xpert.Digital

泄露的会议记录揭示：Meta 如何监控其最优秀的员工，然后用人工智能取代他们

当人工智能变成“死神”：Meta大规模裁员背后的无良策略

想象一下，你的雇主未经你同意就在你的电脑上安装了一款软件，这款软件会细致地记录你的每一次点击、击键和鼠标移动。官方的解释是：他们只是想训练内部的人工智能系统。但仅仅几周后，一波裁员潮就来了。这听起来像是反乌托邦科幻惊悚片的情节，却在科技巨头Meta公司变成了残酷的现实。凭借其所谓的“模型能力计划”，该公司无情地展示了企业在全球人工智能竞赛中愿意走多远。高素质的员工从创造者沦为原材料，他们的隐性知识被榨干后就被扫地出门。但这种看似高效的残酷却存在一个巨大的盲点：它摧毁了任何组织最宝贵的资产——信任。我们的全面分析揭示了Meta丑闻的真相，解释了为什么将人工智能作为“丧钟”会带来致命的经济后果，以及人工智能转型要想取得长期成功，必须采取怎样的措施。.

秘密监视人工智能数据：Meta公司解雇8000名员工的真正原因

当一家公司系统性地监控其最优秀的员工，提取他们的知识，将其提炼成人工智能模型，然后解雇他们时，这不再是反乌托邦小说里的情节。这却是2026年全球最具价值公司之一的真实写照。Meta公司所谓的“模型能力计划”残酷无情，其战略后果也极其严重——然而，它所代表的发展逻辑却重新定义了商业、技术和人力劳动之间的整体关系。本文将分析实际发生的情况、其背后的经济和心理机制，探讨为何该战略从长远来看并非最优，以及如果企业真想赢得人工智能转型，应该采取哪些替代方案。.

真相：监控作为一种企业战略

2026年4月21日，Meta公司被曝在其美国员工的电脑上安装了名为“模型能力倡议”（Model Capability Initiative，简称MCI）的追踪软件。该软件会记录鼠标移动、点击、键盘输入，并定期截取屏幕内容。用户无法选择退出。根据公司官方声明，收集的数据仅用于训练人工智能模型，而非用于性能评估。.

九天后，4月30日，马克·扎克伯格召开了一次内部全体员工会议。工会组织“更完美的联盟”（More Perfect Union）公布了这次会议的录音，揭露了该项目背后的真正动机。扎克伯格公开解释说，Meta正在监控员工在Gmail、Google Chat、内部工具Metamate以及开发环境VS Code中的活动。其目标是：教会人工智能如何像聪明人一样使用电脑。录音中引用扎克伯格的话说：“让系统擅长使用电脑的方法就是让它观察真正聪明的人如何使用电脑。”他继续说道：Meta自己的工程师比外部承包商更适合作为训练数据，因为他们是业内最优秀的人才之一。.

2026年5月20日，也就是录音公开的同一天，Meta公司开始裁员，约8000名员工，占当时近79000名员工总数的10%左右。与此同时，另有7000名员工被调往新成立的人工智能团队。总计约有20%的员工直接受到裁员或内部调动的影响。由于《通用数据保护条例》（GDPR）的规定，欧洲员工不受此次追踪计划的影响。.

此前已有超过1000名员工签署请愿书，反对这项监控计划。据报道，办公室里还张贴了呼吁抵制追踪行为的传单。但这一切都无济于事。裁员按计划进行。.

其背后的商业模式是：资本用数据取代劳动力。

要正确理解Meta公司正在发生的事情，就必须了解其所处的经济背景。Meta公司最初宣布2026年的资本投资额为1150亿至1350亿美元，并在2026年初将这一预测上调至1250亿至1450亿美元。到2025年，该公司已投资720亿美元，主要用于扩展其人工智能基础设施和数据中心。这些数据反映了一项战略优先决策，而这项决策对于理解此次裁员潮至关重要。.

从经典经济学的角度来看，Meta 正在经历一场大规模的替代过程：只要自动化 AI 系统效率更高，就会取代人类劳动。在这种模式下，MCI 数据不仅仅是副产品，而是一种生产要素。它用于提升 AI 模型的质量，使其能够自主处理更复杂的认知任务。按照这种逻辑，员工不仅仅是工人，而是原材料——而且是非常宝贵的原材料：与外部获取的训练数据不同，经验丰富的 Meta 工程师代表着高度特定且与公司相关的知识。当 AI 学习这些人如何工作时，它学习的不是通用代码，而是 Meta 特有的代码。.

从纯粹的技术经济角度来看，这种方法是可以理解的。隐性经验知识——即存在于人们头脑中但未被明确记录的知识——自迈克尔·波兰尼以及野中郁次郎和竹内弘高在组织理论方面的研究以来，一直被认为是企业家能力的核心。20世纪90年代，野中郁次郎和竹内弘高阐述了隐性知识与显性知识之间相互转换的过程，这才是组织创新的真正驱动力。外化阶段——将隐性知识转化为显性、记录的形式——一直是最大的瓶颈。Meta公司现在正试图利用人工智能来绕过这个瓶颈：人工智能不再要求人们记录他们的知识，而是直接观察。.

到2036年，仅德国就有约1290万人退休。随着他们的离世，大量的隐性经验知识也将随之流失。因此，如何保存这些知识不仅是一个宏观问题，更是整个经济面临的挑战。基于人工智能的知识保存技术具有合理的应用前景——前提是必须在相关人员的同意和信任下实施。.

知识提取的悖论：代理人即死亡天使

但这恰恰是真正问题的根源所在。来自公司内部（不仅仅是Meta公司）的报告显示，利用人工智能进行知识转移的项目正在被系统性地滥用。在一家大型IT服务提供商，他们开发了人工智能代理，旨在将员工的隐性知识显性化。从表面上看，这似乎是一项合理且必要的任务。然而，管理层关于这些代理的使用对象却暴露了其真实意图：他们优先将这些代理分配给了那些内部已经决定解雇的员工。.

这种模式显而易见。几周之内，员工们就明白了：任何被分配知识转移专员的人，在不久的将来都会被解雇。专员成了公司的丧钟。专员被解雇三个月后，裁员如约而至，而且频率惊人。后果可想而知：没有人再自愿分享知识了。那些仍在从事人工智能相关工作的人，只能在公司官方基础设施之外——通过影子IT，也就是使用未经授权的私人人工智能工具——进行操作。官方的转型计划就这样彻底失败了。.

这个案例揭示了一个影响所有希望利用人工智能进行知识管理的公司的一个根本性难题：这些举措能否成功完全取决于员工是否愿意积极贡献自己的知识。而这种意愿并非技术因素，而是社会因素，它与信任直接相关。.

影子人工智能如同信任丧失的地震仪，预示着信任的丧失。

向影子IT和影子AI的转变并非边缘现象。根据Software AG一项关于德国知识工作者如何使用AI的研究，54%的德国知识工作者使用影子AI——即使用公司未提供的AI工具。更令人惊讶的是：即使公司完全禁止，49%的受访者也不会放弃这些工具。XM Cyber最近的一项研究表明，超过80%的受访公司存在未经授权的AI活动迹象。微软的一项调查发现，78%的AI用户在工作场所使用自己的工具。.

这些数据并非不服从的标志，而是理性的体现。当员工发现雇主将人工智能作为解雇工具时，他们选择避开官方人工智能平台而转向非官方平台，这种行为完全出于理性和经济考量。像Meta或上文提到的IT服务提供商这样的案例所造成的信任危机并非仅限于个别公司，而是波及整个行业。如果“引入人工智能就意味着裁员”这种说法深入人心，那么所有人工智能转型计划都将受到质疑。.

经济后果十分严重：影子人工智能会造成合规风险、数据泄露和数据主权丧失。IBM 的一份报告显示，五分之一的公司已经遭遇过与影子人工智能相关的安全事件。那些通过自身行为破坏员工信任的公司，会将员工推向不受控制的境地，而这些行为正是造成上述风险的根源。.

心理安全：任何转变都被低估的先决条件

关于这一主题的研究文献结论明确。心理安全的概念由哈佛大学教授艾米·埃德蒙森（Amy Edmondson）提出，她自1992年以来一直致力于相关研究。该概念描述的是一种工作环境，在这种环境中，员工可以自由表达自己的意见、想法和担忧，而无需担心负面后果。埃德蒙森早期在医院进行的研究揭示了一个看似违反直觉的结果：绩效最高的团队似乎比绩效较差的团队犯的错误更多。其解释是，管理良好的团队会更坦诚地沟通错误，因为他们感到足够安全。因此，整个团队都能从成员的错误中吸取教训，从而不断进步。.

这一发现对人工智能转型至关重要。缺乏心理安全感，员工往往会回避实验、不敢提问，甚至隐瞒错误。在人工智能应用领域，这意味着他们不会报告人工智能系统的漏洞、贡献创新的应用理念，也不会分享他们的经验知识——而这些恰恰是有效人工智能培训所必需的知识。Infosys 和 MIT Technology Review Insights 联合发布的一份全球报告证实了这一点：83% 的受访高管认为，心理安全感直接影响人工智能项目的成功。与此同时，即使所有技术前提条件都已具备，对失败的恐惧仍然是人工智能应用的最大障碍之一。.

因此，信任与人工智能转型之间的关系并非软技能问题，而是关乎经济生产力的硬性问题。破坏心理安全感会摧毁成功转型的先决条件。道理很简单，但其影响却十分深远：缺乏信任的技术依然无效。.

我们在业务拓展、销售和市场营销方面拥有美国专业经验

我们在美国的业务拓展、销售和市场营销方面的专业知识 - 图片：Xpert.Digital

行业重点领域：B2B、数字化（从人工智能到扩展现实）、机械工程、物流、可再生能源和工业

更多信息请点击这里：

专家商业中心

一个提供见解和专业知识的主题中心：

涵盖全球和区域经济、创新和行业特定趋势的知识平台
汇集了我们重点关注领域的分析、见解和背景信息。
这里汇集了有关商业和技术最新发展的专业知识和信息。
一个为寻求市场、数字化和行业创新信息的企业提供的信息中心。

透明度、参与度、保护：人工智能在商业领域取得成功的秘诀

职工委员会作为理性否决者

在此背景下，工会委员会对人工智能的引入感到担忧完全可以理解。在德国，根据《劳动组织法》，工会委员会拥有广泛的共同决策权，该权利适用于人工智能系统的引入。《劳动组织法》第87条第1款第6项在此至关重要，该条款赋予工会委员会对能够监控员工行为或绩效的技术设备进行共同决策的权利。联邦劳动法院数十年来一直对“能够”一词作广义解释：只要设备客观上能够进行监控，就足以构成监控——无论雇主的意图如何。.

实际上，这意味着几乎所有使用员工数据的AI系统都会触发《劳动组织法》第87条规定的共同决定权。此外，根据《劳动组织法》（BetrVG）第95条，即使解雇选择指南是由AI生成的，职工委员会也拥有关于解雇选择指南的共同决定权。自2021年《职工委员会现代化法》生效以来，职工委员会也被明确允许在使用AI时咨询专家。.

汉堡劳动法院在2024年1月的一项裁决中认定，雇主可以允许员工通过私人账户自愿使用人工智能工具，而无需经过职工委员会的同意。然而，这项裁决明确指出，它仅涉及通过个人账户自愿使用人工智能工具这一狭义情况，而非像Meta那样系统性地安装追踪软件。此类侵犯员工隐私的行为极易受到欧洲法律的挑战。.

反对未经深思熟虑就实施人工智能的职工委员会并非出于技术恐惧症或阻碍进步，而是理性地应对现实风险，Meta 等案例便充分证明了这一点。他们是信任的制度守护者——而这种信任，正如已证明的那样，是一个具有重要经济意义的变量。.

技术伦理困境：什么是可能的，什么是明智的。

这场讨论背后隐藏着一个更深层次的困境，它并非局限于个别公司或行业。技术创造机遇，而公司面临着抓住这些机遇的压力——尤其是在竞争的压力下。如果竞争对手愿意监控员工并将这些信息用于人工智能，就能获得竞争优势，从而迫使其他公司效仿。这种机制在道德层面上会引发一场恶性竞争。.

在泄露的录音中，扎克伯格本人解释了他的理由：因为Meta正参与历史上竞争最激烈的技术竞赛之一，不能有所保留。对于一家每年在人工智能领域投资1250亿至1450亿美元的公司来说，这种理由在逻辑上是自洽的。然而，它忽略了一个事实：短期内获得的训练数据收益必须与长期损害信任和声誉的风险进行权衡。.

并非所有技术上可行的方案都具有战略意义。这句看似平常的论断蕴含着相当重要的分析价值。知识提取带来的短期生产力提升固然可喜，但长期成本也同样不容忽视：员工士气低落、人员流动率上升、招聘市场声誉受损、客户信任度下降以及监管风险。超过1000名员工联名签署内部请愿书反对MCI项目，这本身就足以说明该方案缺乏内部认可。.

人工智能转型成功之道究竟是什么？

想要成功实施人工智能的公司必须明白，仅仅拥有卓越的技术是不够的。研究表明：人工智能转型只有在技能和信任相结合的情况下才能成功。具体来说，这意味着以下几点。.

首先，必须建立人工智能系统用途和局限性的透明度。员工必须了解收集数据的原因、谁有权访问数据、哪些决策基于数据，哪些决策不基于数据。这并非仅仅是为了沟通，而是战略上的必然选择。对人工智能系统缺乏清晰的沟通会滋生不信任，而不信任则会催生影子IT。.

其次，人工智能系统的引入必须采取参与式方法。参与设计过程的员工最了解流程、不足之处和改进空间。他们的知识不仅对技术实施至关重要，而且有助于提高系统的接受度。在此，参与并非一种民主的奢侈品，而是提高效率的关键因素。.

第三，必须明确保证不会在缺乏透明沟通的情况下利用人工智能系统来为裁员做准备。如果重组不可避免，公司必须公开透明地沟通，绝不能将人工智能作为看似中立的工具，实则作为裁员的借口。员工之间的社会动态非常敏感，足以识别此类模式。任何试图用技术手段掩盖裁员的行为都会加速信任的丧失。.

第四点——或许也是最重要的一点——企业必须明白，只有员工积极配合，才能成功地将隐性知识迁移到人工智能系统。强制知识提取产生的数据质量不如自愿参与，因为员工如果知道自己正被监控并面临解雇威胁，就会改变自己的行为。数据收集方法会影响员工行为，从而导致训练数据质量下降。因此，从纯技术角度来看，这种方法并非最优。.

系统维度：超越元模式

Meta之所以如此引人注目，是因为它规模庞大、行事直接，而且还有音频泄露事件。但这种模式——在缺乏透明沟通的情况下引入人工智能来为裁员做准备——并非个例。这是一种在许多公司普遍存在的做法，只是不那么引人注目。.

这背后的经济逻辑不难理解：企业面临着通过裁员来弥补人工智能投资成本的压力。其等式是：人工智能投资带来自动化潜力；自动化潜力为裁员提供了合理性；裁员为人工智能投资提供资金。这个模型本身是自洽的——只要不考虑信任损失、知识提取质量下降以及对企业文化和创新能力的系统性影响等成本。.

此外，还存在监管层面的问题。在欧洲，《通用数据保护条例》（GDPR）正是为了防止Meta公司在美国采取的那些做法而制定的。欧洲员工被排除在MCI项目之外——并非出于公司自身的道德考量，而是因为存在法律风险。这表明监管发挥着保护作用。与此同时，这也凸显了在缺乏类似保护措施的市场中，员工的处境要脆弱得多。.

人工智能的快速发展给监管框架带来了相当大的压力。欧盟人工智能法规正在分阶段实施，它将对人工智能使用的透明度和员工保护提出更严格的要求。对于那些已经致力于基于信任的人工智能转型的公司而言，这无疑是一项竞争优势——它们无需事后调整现有做法。.

信任作为一种经济资源

最后一点分析是：信任并非软性资源，而是组织正常运转的必要条件，而且在人工智能转型的大背景下，其重要性更胜以往。那些将信任视为一次性消耗资源的公司，正在摧毁成功转型赖以建立的根基。.

知识提取的悖论在于，那些最积极提取员工知识的公司，虽然短期内能获得更优质的人工智能训练数据，但从长远来看，却会扼杀知识的源泉。当员工意识到自己的知识可能被用来对付自己时，他们就会停止分享知识——无论是与人工智能系统分享，还是彼此分享。公司的知识文化随之瓦解。最终留下的，是一个技术先进却越来越缺乏真正、差异化经验知识的组织。.

与另一种模式的对比颇具启发性：那些将人工智能作为协作工具引入，旨在帮助员工提高生产力，并就数据使用方式和保障就业的措施进行透明沟通的公司，在人工智能应用方面往往能取得更好的成果。这并非因为它们缺乏雄心壮志，而是因为它们理解信任背后的经济逻辑。.

Meta近几周的表现并非人工智能转型成功的典范，而是一家在技术竞赛中为了短期利益而牺牲长期发展的公司。Meta通过MCI数据获得的AI优势固然真实存在，但其代价也同样巨大——包括信任危机、文化损害、监管风险，以及这种做法在行业内树立的不良先例。科技史告诉我们，最终胜出的并非那些最激进地追求短期利益的公司，而是那些理解自身模式长期可持续性的公司。人工智能转型并非短跑，而是一场马拉松——而赢得这场马拉松的关键在于信任，而非信任的缺失。.