Meta trasforma i dipendenti in dati per gli agenti AI

Meta ha iniziato a installare sui laptop aziendali di molti dipendenti negli Stati Uniti un software che registra movimenti del mouse, clic, digitazioni e, in alcuni casi, anche istantanee dello schermo. A prima vista sembra l’ennesimo capitolo della sorveglianza sul lavoro. In realtà racconta un passaggio più pesante e più ambizioso. Meta non sta solo osservando come lavorano le persone. Sta cercando di trasformare il lavoro quotidiano in dati di addestramento per agenti capaci di usare il computer come lo usa un essere umano.

Il dettaglio decisivo sta nelle condizioni del programma. La raccolta riguarda applicazioni e siti di lavoro pre-approvati, non viene presentata come strumento per misurare le performance individuali, ma sui portatili forniti dall’azienda non esiste una vera possibilità di esclusione. Questa combinazione dice molto della natura del progetto. Non siamo davanti a un test laterale affidato a un piccolo gruppo sperimentale. Siamo davanti a un’infrastruttura interna progettata per diventare normale.

Per anni l’intelligenza artificiale è stata addestrata soprattutto su testi, immagini, codice, conversazioni e archivi digitali. Ora una parte crescente del settore vuole qualcosa di diverso. Non solo capire come si scrive una mail, si riassume un documento o si produce una bozza di software, ma apprendere come una persona vera si muove dentro l’interfaccia del lavoro. Quale menu apre, quale scorciatoia usa, come passa da una chat a un foglio di calcolo, come corregge un errore, dove si ferma, dove cambia percorso, dove aggira un limite del sistema. Il bersaglio non è più soltanto il contenuto. È il comportamento operativo.

La Model Capability Initiative, il programma interno lanciato da Meta, nasce esattamente per questo. L’obiettivo dichiarato è raccogliere esempi reali di utilizzo del computer su una lista di applicazioni e siti di lavoro, dagli strumenti di posta e messaggistica fino agli ambienti di sviluppo, così da addestrare modelli capaci di replicare meglio le interazioni umane con le interfacce. È un salto importante. Il linguaggio è stato il primo grande territorio dell’AI generativa; il desktop aziendale rischia di diventare il secondo. Ed è un territorio ancora più sensibile, perché qui il dato non è un corpus pubblico o semi-pubblico raccolto online, ma la materia viva del lavoro interno di un’impresa.

Meta colloca questa iniziativa dentro una trasformazione più ampia basata sugli agenti, con l’idea che una quota crescente del lavoro venga eseguita da sistemi automatici e che il ruolo umano si sposti verso direzione, revisione e miglioramento. Formulata così, può sembrare la promessa standard di ogni nuova ondata tecnologica. Ma qui la struttura è diversa, perché l’azienda sta cercando di costruire gli agenti usando il proprio personale come sorgente di dati comportamentali. Non compra soltanto software. Assorbe il modo in cui i dipendenti lavorano per trasformarlo in capacità di macchina.

Il lavoro diventa dataset

Le imprese hanno controllato il lavoro dei dipendenti in forme diverse da decenni. Hanno monitorato tempi, accessi, dispositivi, badge, traffico di rete. La novità non sta quindi nel fatto che un’azienda osservi ciò che accade sui dispositivi di lavoro. La novità sta nella finalità. Meta non raccoglie questi segnali solo per sicurezza, compliance o amministrazione tecnica. Li raccoglie per insegnare a un sistema automatico come si lavora davvero davanti a uno schermo.

Questo cambia la natura stessa del dato. Un clic smette di essere un semplice evento tecnico e diventa un frammento di competenza. Una scorciatoia da tastiera non è più solo un’abitudine individuale. Diventa un esempio riutilizzabile. Una sequenza di passaggi tra posta, chat, editor, documenti e strumenti interni smette di essere semplice attività lavorativa e si trasforma in una traiettoria di addestramento. L’azienda non si limita a vedere che cosa fai. Cerca di estrarre la grammatica invisibile con cui fai il tuo lavoro.

Per i modelli di linguaggio questo è materiale prezioso. Gran parte del lavoro d’ufficio contemporaneo non richiede soltanto comprensione semantica. Richiede una continua negoziazione con interfacce, eccezioni, passaggi intermedi, scorciatoie e micro-decisioni. È anche il motivo per cui molti agenti, per quanto impressionanti nelle demo, restano fragili nel mondo reale. Sanno proporre un piano, ma inciampano sulle frizioni minime che una persona gestisce quasi senza pensarci: un campo ambiguo da compilare, un allegato trascinato nel posto sbagliato, una finestra che si apre sopra un’altra, un menu nascosto, una richiesta imprevista, una correzione rapida fatta d’istinto.

Addestrare un agente sul lavoro reale serve a ridurre proprio questo scarto. Meta sta dicendo che il vantaggio competitivo dei prossimi anni non verrà solo da modelli più grandi o da benchmark più spettacolari, ma dalla capacità di raccogliere abbastanza interazioni umane da rendere gli agenti davvero utili dentro i processi aziendali. È una mossa coerente con la fase attuale del settore. Dopo l’epoca in cui il valore stava soprattutto nei dati testuali a grande scala, l’attenzione si sposta verso dati più rari, più costosi e più direttamente spendibili sul piano operativo. Il comportamento lavorativo è uno di questi.

Il significato della scelta va ben oltre Meta. Se il principio funziona, ogni grande impresa con un ecosistema software interno e migliaia di knowledge worker si ritrova con una miniera di training data che il mercato esterno non possiede. Non più soltanto email, documenti o knowledge base, ma sequenze vive di lavoro. Dentro questa logica, il dipendente non è più solo forza lavoro. Diventa anche fonte di modellizzazione. Ogni giornata produce due output. Il primo è il lavoro visibile. Il secondo è il dataset implicito che quel lavoro lascia dietro di sé.

Dalla produttività alla sostituzione

Qui entra in scena il nodo più delicato. Meta sostiene che i dati raccolti non verranno usati per valutazioni di performance e che esistono salvaguardie per i contenuti sensibili. È una precisazione rilevante, ma non cambia la questione di fondo. Il problema non è soltanto se il sistema serva a giudicare il dipendente. Il problema è che serve a costruire la capacità tecnica necessaria ad automatizzare una parte crescente di ciò che oggi il dipendente fa.

Tra sorveglianza e automazione c’è sempre stata una parentela. In questo caso quella parentela diventa metodo industriale. Il flusso è lineare: osservare il lavoro, trasformarlo in esempi, addestrare l’agente, reimmettere l’agente nei processi, spostare il ruolo umano verso supervisione e correzione, poi raccogliere nuovi dati dalle eccezioni residue. Lavoro, dato e software iniziano a nutrirsi a vicenda dentro un circuito chiuso.

La notizia pesa ancora di più perché arriva mentre Meta si prepara anche a una nuova stagione di tagli, con una prima ondata che dovrebbe colpire circa il 10 per cento della forza lavoro globale. Sarebbe troppo semplice sostenere che ogni licenziamento dipenda in modo lineare da questo programma. Sarebbe però difficile ignorare la convergenza strategica. Da un lato si raccolgono dati per costruire agenti più capaci di svolgere compiti reali. Dall’altro si ridisegna l’organizzazione per operare con meno persone, meno strati intermedi e più strumenti automatici.

La sostituzione totale del lavoratore cognitivo non è dietro l’angolo. Ma una scomposizione progressiva del lavoro in micro-competenze imitabili è già visibile. Per molti ruoli, il rischio non è sparire in blocco. È essere svuotati poco alla volta. Prima vengono automatizzati i passaggi ripetitivi. Poi quelli standardizzabili. Poi una parte crescente del coordinamento. Alla fine restano agli umani le eccezioni, i casi ambigui, le decisioni reputazionali e politiche, e una quota sempre più alta di controllo del sistema.

Questa traiettoria dice molto del tipo di impresa che si sta formando. Per anni l’AI è stata proposta come strumento per aumentare la produttività dei team. Qui il disegno è più duro. L’azienda organizza il lavoro in modo che produca continuamente il materiale necessario a migliorare l’AI che verrà poi reinserita nello stesso ambiente. Il dipendente non viene solo assistito dalla macchina. Contribuisce ad addestrarla mentre lavora.

La proprietà del sapere operativo

La dimensione della sorveglianza resta enorme. Un sistema che registra battute di tastiera, movimenti del mouse e contenuti contestuali dello schermo tocca un livello di intimità lavorativa che va oltre il monitoraggio tradizionale. Non misura soltanto quanto tempo sei attivo. Prova a osservare come pensi in azione. Registra esitazioni, automatismi, passaggi laterali, modi di correggere, velocità di adattamento, percorsi informali. È una forma di estrazione molto più ricca del semplice controllo presenza.

Ma fermarsi alla privacy sarebbe limitante. Il punto più profondo riguarda la proprietà del sapere operativo. Ogni organizzazione vive di una quantità enorme di conoscenza tacita che raramente finisce tutta nei manuali. Sta nei gesti ripetuti, nelle scorciatoie imparate col tempo, nelle sequenze che nessuno documenta perché funzionano e basta. Quando un’impresa registra queste sequenze per addestrare i propri agenti, tenta di convertire una conoscenza dispersa e incarnata in un asset proprietario replicabile.

È un passaggio potentissimo. Da anni le piattaforme cercano di trasformare in dati strutturati ciò che prima era sociale, informale o difficile da catturare. Hanno fatto questo con l’attenzione, con le relazioni, con il comportamento di consumo, con la mobilità urbana. Ora tocca al lavoro cognitivo. La promessa resta simile: rendere il sistema più efficiente. Il risultato possibile è anche una nuova concentrazione di controllo.

Se questa logica si estende, il confine tra aziende che possiedono i dati del proprio lavoro interno e aziende che ne restano prive diventerà più netto. Le prime potranno costruire agenti addestrati sui propri processi reali, quindi software molto più aderenti alla pratica concreta dell’organizzazione. Le seconde dovranno affidarsi a strumenti più generici, meno informati e meno integrati. Il vantaggio competitivo non starà soltanto nel modello, ma nella disponibilità di workflow reali da trasformare in capacità automatica.

Qui l’Europa, e con essa anche paesi come l’Italia, si trova in una posizione ambigua. Da un lato le tutele sul lavoro e sulla privacy rendono molto più difficile importare senza filtri pratiche di logging così invasive. Dall’altro proprio queste tutele possono rallentare la nascita di dataset interni ad altissima densità comportamentale su cui addestrare agenti aziendali. La tensione diventerà più visibile nei prossimi anni. Proteggere il lavoratore dal controllo capillare significa anche rinunciare, almeno in parte, a una scorciatoia verso l’automazione profonda. Non è un argomento contro le tutele. È il segnale che la competizione industriale sull’AI ha già cominciato a scontrarsi con i limiti politici del diritto del lavoro.

Meta prova a cambiare la forma dell’impresa

Meta sta sperimentando una forma più radicale di impresa AI-native. Nel modello classico il software resta uno strumento usato da persone che continuano a produrre il lavoro vero. Qui il software comincia a diventare anche la forma organizzativa del lavoro stesso. I dipendenti operano, il sistema registra, il modello apprende, il prodotto migliora, l’organizzazione si adatta, nuove mansioni vengono ridefinite e il ciclo riparte. La distanza tra forza lavoro e pipeline di addestramento si riduce.

Questa trasformazione cambia anche le categorie con cui abbiamo raccontato l’automazione negli ultimi anni. Non basta più chiedersi quali ruoli spariranno e quali nasceranno. Bisogna guardare prima a quali attività vengono rese leggibili alla macchina. La sostituzione comincia lì, nel momento in cui un gesto di lavoro viene catturato, formalizzato e ripetuto abbastanza da poter diventare una funzione software.

Meta sta cercando di portarsi avanti proprio su questo fronte, mentre tutta l’industria corre verso agenti capaci non solo di conversare, ma di agire dentro ambienti digitali reali. Chi riuscirà a costruirli per primo in modo affidabile potrà comprimere tempi, ridurre costi, standardizzare procedure e spostare valore verso chi controlla l’infrastruttura di addestramento. Non sorprende che la battaglia si stia spostando dai modelli che sanno rispondere ai modelli che sanno lavorare.

L’effetto di trascinamento può essere rapido. Oggi il caso riguarda laptop aziendali, applicazioni di lavoro e agenti interni. Domani potrebbe riguardare studi legali, banche, assicurazioni, società di consulenza, uffici pubblici, centri di supporto, amministrazione, acquisti, progettazione, vendita. Ovunque esista lavoro digitale abbastanza ripetibile da poter essere osservato, scomposto e poi imitato.

Da questo punto in poi, la soglia si sposta. Per addestrare agenti davvero utili non basta più raccogliere dati pubblici dal web o riciclare enormi corpora testuali. Serve catturare il lavoro mentre accade. Meta ha deciso di farlo su se stessa. Questo rende il confine tra lavoratore e dato di addestramento uno dei luoghi più sensibili della nuova economia dell’AI. Quando quel confine si sposta, non cambia soltanto il software. Cambia la struttura stessa dell’impresa, il modo in cui viene prodotto il valore e il modo in cui il lavoro umano viene tradotto in capacità di macchina.