Meta monitora i dipendenti al PC per addestrare i suoi agenti di intelligenza artificiale

Meta si prepara a installare sui computer aziendali dei dipendenti statunitensi un software capace di registrare movimenti del mouse, click e digitazioni, accompagnando questi dati con screenshot periodici dello schermo. La notizia è emersa da memo interni rilanciati da Reuters e ripresi da più testate, tra cui Japan Times. L'obiettivo dichiarato è costruire un archivio di esempi reali per addestrare una nuova generazione di AI agent: sistemi che non si limitano a suggerire testo, ma imparano a usare davvero un'interfaccia grafica — aprire menu, navigare tra finestre, completare un flusso di lavoro come farebbe una persona.

Il problema che Meta vuole risolvere

Il programma si chiama MCI — Model Can-Do Initiative — e il nome è già indicativo della sfida. Nel momento in cui l'industria tecnologica si sposta dai chatbot agli agenti capaci di operare su un computer, il vero collo di bottiglia non è la potenza di calcolo, ma la qualità dei dati di addestramento. È relativamente semplice mostrare a un modello milioni di pagine web o documenti; è molto più difficile fornirgli esempi realistici e coerenti di come gli esseri umani gestiscono ambiguità, errori, scorciatoie e micro-decisioni quando lavorano su un PC.

Per capire perché questi dati contino così tanto, occorre guardare a come vengono misurati i progressi degli agenti che usano computer. Nel settore esistono test standardizzati — chiamati benchmark — che valutano la capacità di un modello di controllare un sistema operativo o un browser, usando la stessa interfaccia di un essere umano: schermo, mouse, tastiera. OSWorld, WebArena e WebVoyager sono tra i riferimenti più usati. In questi test, anche i modelli più avanzati mostrano un divario significativo rispetto alle persone: non tanto nella comprensione generale, quanto nella robustezza — la capacità di non bloccarsi quando l'interfaccia cambia, quando compare una finestra inaspettata, quando un passaggio richiede più tentativi.

Un agente che riesce a completare un compito solo nel 40% dei casi non è un assistente utile: è un generatore di lavoro extra, perché costringe chi lo usa a supervisionare e correggere continuamente. La soglia per essere davvero utile è l'affidabilità nelle cose ordinarie, non le performance nelle dimostrazioni. E i benchmark stessi, per quanto utili, non raccontano tutto: la percentuale di successo dice qualcosa, ma non dice quante operazioni inutili un agente compia prima di arrivare al risultato — un aspetto che frena concretamente l'adozione nel lavoro reale.

Per addestrare un agente serve sapere come lavora davvero una persona, non come si immagina che lavori

A cosa servono gli screenshot

I log di eventi — click, tasti premuti, spostamenti del cursore — sono informativi, ma spesso non bastano da soli. Lo screenshot contestualizza l'intera sequenza: spiega cosa c'era sullo schermo nel momento in cui l'utente ha agito. È il ponte tra il gesto fisico e il suo significato. Un clic su un pulsante ha senso diverso a seconda di cosa stava visualizzando la persona in quell'istante, e senza questa informazione visiva il dato operativo è incompleto.

Meta, in questo senso, sta cercando di comprimere un costo spesso sottovalutato: produrre esempi etichettati e di qualità per agenti che agiscono in ambienti grafici. Le alternative esistono — panel di tester volontari e retribuiti, ambienti simulati, dati sintetici — ma tendono a essere più lente o meno «naturali». I flussi di lavoro reali dei dipendenti sono veri, gli strumenti sono quelli effettivamente usati in azienda, e la varietà dei compiti è elevata. È una scorciatoia potente, sulla carta.

Il rischio che si produce misurando

C'è però un paradosso incorporato nell'iniziativa. Se i dipendenti sanno di essere osservati, cambiano modo di lavorare: evitano scorciatoie, riducono la sperimentazione, spostano alcune attività fuori dalle applicazioni tracciate. Il risultato è un dataset meno rappresentativo e, in prospettiva, un agente che impara da comportamenti «performativi», non spontanei. L'iniziativa cerca dati più veri e rischia di produrre dati più filtrati. È uno dei trade-off classici della misurazione: quando misuri troppo, alteri ciò che vorresti osservare.

Sul piano della concorrenza, intanto, la pressione è reale. La competizione in questo campo sta accelerando e i progressi nei benchmark sono rapidi. alcune aziende come la startup molto alte. La competizione in questo campo sta accelerando, con approcci che moltiplicano i tentativi per selezionare il migliore e nuovi metodi che dichiarano di avvicinarsi o superare le prestazioni umane in ambienti controllati.

La questione non è solo la privacy

Meta, stando alle comunicazioni interne citate, sostiene che i dati non verranno usati per valutare le performance individuali dei dipendenti. Ma proprio questo scarto — «tracciamo tutto, però non per valutarti» — apre una tensione difficile da gestire: il conflitto tra accelerare lo sviluppo di modelli più capaci e mantenere intatta la fiducia interna su cosa i dati diventeranno nel tempo.

Il fenomeno ha un nome nelle discussioni sulla gestione dei dati: function creep, ovvero la tendenza dei dati a essere usati nel tempo per scopi diversi da quelli originari. Una traccia operativa che aiuta un agente a capire come completare una procedura può anche aiutare a capire quanto tempo richiede quella procedura, quante volte viene ripetuta, dove si concentrano le inefficienze. Il dipendente contribuisce con dati molto granulari, mentre la sua capacità di controllare come questi vengano reinterpretati è limitata. Non occorre immaginare scenari estremi: basta riconoscere che i dati, una volta esistenti, diventano appetibili per analisi contigue.

Sul piano della sicurezza informatica, la raccolta di screenshot e input da tastiera — anche se limitata ad applicazioni e siti aziendali — alza il valore del bersaglio: un archivio del genere può contenere dati personali, documenti interni, bozze, segreti industriali. Una governance solida richiede di dimostrare che esistono barriere tecniche e organizzative: chi accede ai dati, per quanto tempo, con quali meccanismi di controllo e anonimizzazione.

La raccolta di dati sul lavoro reale diventa subito una questione di fiducia, non solo di tecnologia

Il quadro legale, tra Europa e USA

Meta indica l'Europa come territorio in cui sarebbe difficile replicare l'iniziativa, a causa dei vincoli normativi. Ma la questione è più sfumata di un semplice «qui sì, lì no». In Europa, il monitoraggio dei lavoratori è stato regolato da anni di prassi e giurisprudenza centrata su concetti come proporzionalità, necessità e aspettativa ragionevole di privacy. Un caso spesso citato come riferimento è Bărbulescu v. Romania, in cui la ECtHR — la corte europea per i diritti umani — ha ritenuto illegittimo un monitoraggio delle comunicazioni privo di adeguate garanzie, richiamando l'esigenza di avviso preventivo, limiti chiari e valutazione di alternative meno invasive.

Ma anche il quadro statunitense non è privo di regole. Il sistema è frammentato — varia da stato a stato — e si basa principalmente sull'obbligo di avviso scritto. Dal 7 maggio 2022, New York richiede che i datori di lavoro informino per iscritto i dipendenti se intendono monitorare telefonate, email o utilizzo di internet, con obbligo di affissione di un avviso in un luogo visibile. Il Connecticut ha norme simili da anni. In questo contesto, un programma come MCI non è solo una scelta tecnica: è un esercizio di conformità normativa «a mosaico», in cui il linguaggio preciso — cosa viene tracciato, quando, per quale scopo dichiarato — conta quanto il software stesso.

Una fase nuova per l'AI nel lavoro

La notizia mette a fuoco un cambio di fase nel modo in cui l'intelligenza artificiale viene applicata al lavoro. L'AI non è più soltanto un «copilota» che scrive e riassume: sta diventando un sistema che prova a fare — a eseguire sequenze di operazioni in autonomia, su interfacce reali. Per addestrarlo servono tracce d'a zione, non solo contenuti testuali. E quando quelle tracce arrivano dalla routine quotidiana dei dipendenti di una grande azienda, la tecnologia smette di essere un progetto di ricerca e diventa immediatamente una questione di cultura organizzativa, potere contrattuale e fiducia nei confini dichiarati del dato.

Meta ha scelto di partire dagli Stati uniti, dove ritiene più controllabile il quadro legale, probabilmente per testare le reazioni interne prima di valutare eventuali estensioni. Ma il tema potrebbe tornare comunque, anche senza un'espansione diretta: se i modelli addestrati con questi dataset diventano prodotti globali, la domanda si sposta dall'dove vengono raccolti i dati al cosa producono — e quali garanzie devono accompagnare agenti addestrati su interazioni umane così granulari, specialmente quando operano in ambienti che contengono informazioni sensibili.