AI时代，删掉都嫌麻烦的数据，为何有人开价30万美元？

出品 | 网易智能

作者 | 小爪

编辑 | 王凤枝

Warmly被HubSpot收购后的第八天，首席执行官马克西姆斯·格林沃尔德（Maximus Greenwald）收到了一封不同寻常的邮件。

发件人是为OpenAI、Anthropic和谷歌等公司提供模型训练服务的Mercor，它提出购买或许可Warmly的代码和工作记录，报价最高30万美元。

除了代码，Mercor还想要这次收购没有带走的Slack消息（可类比飞书或企业微信里的内部沟通记录）、GitHub代码仓库、Asana项目记录（可类比飞书项目）、Google Drive文档和多年会议转录。收购消息公布后几天，Warmly又收到三次类似接洽，四次报价全部被格林沃尔德拒绝。

这些资料过去更像一家公司留下的数字杂物：没有整理完的讨论、反复修改的方案、客户提出的问题，以及员工如何在几个软件之间找到文件、排查错误、把事情做完。现在，它们开始被重新定价。要训练一个会回答问题的模型，代码和文档很重要；要训练一个能在公司里接手任务的智能体，模型还需要看到人类究竟怎样工作。

Slack、工单和会议记录因此正在从内部沟通的副产品，变成训练"AI员工"的原料。被打包出售的，还有一个组织多年积累的做事方式。这也带来一个新问题：公司有没有权把这种集体记忆拿去交易？如果它最终被用来训练一个能做同类工作的智能体，30万美元买走的到底是什么？

一、光看代码不够，模型还要看工单和聊天记录

一份最终的代码库，更像一道题做完后的答案。它能告诉模型产品最后怎样运行，却未必能解释问题最初从哪里冒出来，工程师为什么先排除一种可能，又为什么在测试失败后换了一条路。工单、聊天记录、会议转录和一次次代码修改，留下的正是这段中间过程。

例如，一个网站突然无法在Safari上登录，企业内部通常不会立刻出现一段正确的修复代码。最先出现的可能是一张IT工单，随后是客服转述、工程师讨论、日志检查、几次无效尝试和代码变更，最后才是问题关闭。把修复结果单独拿出来，模型看到的是"答案"；把这些记录按顺序连起来，它才有机会看到人怎样判断下一步该做什么。

Mercor今年1月发布的APEX-Agents，把投行、咨询和公司法律等工作中的长时程、跨应用任务交给前沿模型。按照Mercor公布的结果，模型一次尝试完成的任务不到25%；即使允许尝试八次，最好结果也只有约40%。模型未必缺少生成内容的能力，更常见的障碍是找不到正确文件、处理不了模糊要求，或者做着做着丢掉了前面的上下文。

这些结果暴露了智能体容易卡住的环节，但多一批企业工作记录不一定就能解决问题，模型架构、工具调用和上下文管理同样会影响结果。

软件操作本身也需要另一类过程数据。ServiceNow的研究团队让专家实际操作电脑，再用这些演示构建桌面智能体训练数据，覆盖87个应用、5.6万张截图和超过356万个人工核验标注。模型既要识别按钮，也要把屏幕上正在发生什么，与人接下来采取的动作对应起来。这项研究没有使用企业私密通讯，而是把专家操作电脑的过程直接做成了训练数据。

潜在买家寻找的也不只是文字记录。Vidyard首席执行官迈克尔·利特说，公司托管着约370万小时的视频，买方尤其想看员工怎样使用Salesforce、NetSuite和HubSpot，以及出错后怎样处理。对智能体来说，正常点一次按钮并不难，难的是界面变了、信息缺了或者操作失败之后，它还能不能找到下一步。

企业工作记录可能比普通文本更值钱，也更难处理。Slack、工单、代码和会议各自都只是碎片，只有把同一项任务中的问题、讨论、动作和结果重新对齐，它们才会变成一条可以被模型学习的工作轨迹。围绕这些碎片，一条新的数据供应链已经出现。

二、一条新供应链开始打包"组织记忆"

最先进入这个市场的，是已经关门的创业公司。过去，一家公司倒闭后，代码、域名、专利和客户名单还能找到传统买家，散落在Slack、Jira、邮箱和Google Drive里的工作记录却很少有人定价。它们占据存储空间，又可能混入员工和客户信息，清算时通常只是要处理掉的负担。

今年4月，帮助创业公司办理关停事务的SimpleClosure推出资产交易平台Asset Hub，为这些档案提供了一个交易入口。平台先上线源代码交易，又把邮件、Slack、Notion、Google Drive和内部流程数据列为测试中的资产类别。按照公司的说法，这些档案可以许可给模型训练、强化学习和企业AI项目使用。SimpleClosure称，公司当时已代表倒闭企业处理近100笔各类资产交易，单家公司获得的回款通常在1万至10万美元之间。不过，这个口径涵盖多种资产交易，不是企业工作记录的统一报价，也不能与Warmly收到的最高30万美元直接比较。

到8月，数据中介寻找的对象已经不只限于倒闭公司。《The Information》采访的创业者称，刚被收购、交易又没有包含数据资产的公司，以及多年没有获得新融资的企业，也会收到接洽。Warmly被收购后收到的四次询价就是其中一例，但它拒绝了所有报价。这些询价和许可交易大多不公开，外界还看不到完整的市场规模，不过买方的做法已经逐渐固定：找到可能愿意变现档案的公司，再把散落在不同软件里的记录整理成模型客户可以使用的数据。

找到可能出售档案的企业后，下一步是把散落的数据提取出来。Mercor的企业数据页面显示，企业可以从50多种软件连接中选择要开放的系统和数据类型，通过只读授权进行一次性提取；随后由中介进行去标识化，再交付给模型客户。Mercor称，回报取决于数据量、连接工具的数量和记录深度，并表示会遮蔽多类敏感标识。决定报价的不只是文本有多少：一张能与代码提交、会议讨论和处理结果对应起来的Jira工单，通常比一份孤立文档更有训练价值。

把数据从不同软件中提取出来，只解决了技术问题。中介还要确认企业是否有权出售或许可这些内容，并把允许的用途写进合同。Protege的数据提供方条款要求卖方确认自己拥有或控制相关数据，并已完成处理个人信息所需的通知、许可或同意；Integral也要求提供数据的企业对数据合法性和第三方许可负责。中介可以搭起许可链，数据提供方仍要为原始内容的权利负责。员工消息、客户记录或会议材料如果受其他协议约束，不能靠一份总括声明自动获得训练许可。

一家公司的工作方式，就这样被拆成一套可以提取、清理和许可的资产。价格不光看记录有多少，还要看不同系统之间的关联能不能保留下来。而这种"组织记忆"，也不用等公司倒闭后才进入训练链。

三、马斯克把员工称作AI的"父母"，Meta先撞上了墙

仍在运转的公司掌握着更连续、更新也更及时的工作记录，可以绕过外部交易，直接让自己的模型学习员工留下的知识和操作过程。

8月11日，埃隆·马斯克在面向SpaceX员工的公司讲话中宣布，将用"全部SpaceX信息"训练Grok。他说，这在某种意义上意味着模型会"在你们身上接受训练"，并把员工称作AI的"父母"：模型将继承他们的思想、想法和信念。

不过，SpaceX没有公布"全部信息"具体包含哪些数据，也没有说明训练何时开始、员工能否退出，以及访问和保留规则；公司也没有确认这项训练已经启动。

Meta的经历则让抽象的"组织知识"变得具体。今年4月曝光的"模型能力计划"（Model Capability Initiative，简称MCI）准备在美国员工的工作电脑上记录鼠标移动、点击、按键和部分屏幕画面，用来训练能够完成办公任务的智能体。Meta对路透表示，这些数据是为了弥补模型在移动鼠标、点击按钮和浏览菜单等操作上的不足，不会用于评估员工表现。

CNBC查阅的内部材料显示，采集范围涉及数百个网站和应用，包括谷歌、领英、维基百科、GitHub、Slack、Atlassian和Meta自有产品。项目团队认为，只有同时记录员工采取了什么操作，以及屏幕上当时出现了什么，模型才可能理解一个办公任务是怎样完成的。这与外部数据中介寻找软件演示视频的逻辑相同，只是采集者变成了员工自己的公司。

争议也随之出现。员工担心，密码、未发布产品资料，以及移民、健康和家庭信息可能被意外纳入；超过1600人签署内部请愿，警告项目带来安全、监管和未授权披露风险。随后，一次访问控制配置错误又使相关数据一度可被公司内部广泛访问。内部安全通知显示，受影响范围涉及约4.5万张Hive表，其中包含完整提示词与转录、私人对话，以及人员和绩效数据。

Meta表示，没有发现这些数据被员工不当访问。公司技术负责人安德鲁·博斯沃思承认，项目实施没有达到隐私审查标准；6月，Meta宣布调查此事，并无限期暂停相关采集。

SpaceX和Meta所处的阶段并不相同：前者公开了一个范围仍然模糊的训练计划，后者已经把员工操作变成数据，并在访问控制和员工接受度上撞了墙。但两件事说的是同一个变化：员工不光在用AI工具，他们每天怎么判断、怎么点按钮、怎么写消息，也开始被公司当成训练材料。而模型越是要学习"谁在什么岗位、面对什么情况做出什么选择"，光靠删掉姓名就越难保证安全。

四、删得越干净，数据可能越不好用

把工作记录用于训练之前，最直接的处理办法是删掉姓名、邮箱、电话号码和账户信息。Mercor称，它能够识别并遮蔽60多类敏感标识符，原始数据不会直接交给模型实验室或其他买家。Integral给出的例子是，用另一个印度姓名替换记录里的印度姓名，在隐藏具体身份的同时，尽量保留数据原有的语境。

但企业工作记录最有价值的部分，往往不是一句话本身，而是这句话由谁在什么阶段说出，随后触发了什么动作。一段工程师讨论只有与工单、代码修改和测试结果连在一起，才能解释问题如何解决；一次客户沟通只有保留对方的行业、需求和后续决策，才可能展示销售或服务流程。姓名可以替换，但岗位、时间、项目、客户关系和跨系统关联很难都删干净。

比如，一条档案写着：某人在特定日期参加了一场只有三个人的并购会议，随后修改文件并联系客户。熟悉公司的人只要结合会议名单和工作分工，就可能判断出他是谁。可如果连职位、日期、项目和动作顺序也一并抹去，剩下的聊天碎片又很难告诉模型，一项任务究竟怎样向前推进。

Integral联合创始人舒布·辛哈对《The Information》说，数据清洗过度就会失去价值。以一张Jira工单为例，如果职位、时间顺序和与代码提交的链接都被删除，它就会变成无法前后对应的文本碎片；保留这些关系，重新识别和敏感信息泄露的风险又会上升。

欧洲数据保护委员会对AI模型提出的标准比"去掉名字"严格得多。它要求逐案判断：通过模型直接或间接认出某个人，或者从模型中提取个人数据的可能性，是否已经非常低。如果只是用代号替换姓名，还能借助其他信息对应到个人，那只是"假名化"，仍然属于个人数据处理。

匿名化处理的是"还能不能认出某个人"，并不回答"公司能不能把这些内容拿去训练"。即使一套档案已经很难对应到具体个人，公司仍要说明：它是否有权把员工、客户和合作伙伴原本用于日常工作的内容，改作模型训练或对外许可？

五、数据在公司手里，训练权却不一定

企业通常确实对办公系统中的数据拥有较强的控制权。Slack的用户条款就把授权用户提交的消息和文件归入客户组织的"客户数据"，由组织决定如何管理。但同一份条款也要求企业告知用户，取得必要的权利和同意，并保证数据传输与处理符合相关要求。平台把数据交给企业控制，并没有同时替企业取得每名员工、客户和合作伙伴对所有新用途的授权。

Slack对AI应用还有另一套规则。它提供的Data Access API使用短期令牌，让应用在用户发起请求时临时调取相关消息；接入方不得复制、存储这些内容，也不得用它们训练模型。企业把历史档案另行导出，再交给数据中介或模型公司，是另一种用途，需要单独取得相应权利。Slack开放检索接口，并不等于认可企业把这些消息用于训练。

所以，要判断企业能不能出售工作记录，得一项一项看这些内容最初的收集目的和承诺：员工是否被告知，客户资料能否改作训练，第三方文件是否受保密协议约束，模型公司又能保存多久、能否转授权。数据中介可以要求卖方声明有权提供数据，也可以禁止买家重新识别个人，但原有义务不会因为文件转手而消失。

美国联邦贸易委员会（FTC）曾警告，企业如果悄悄修改条款，把原先收集的数据改用于第三方共享或AI训练，可能触犯美国消费者保护规则。这一意见不能直接套用到中国企业，但它提出的问题同样存在：企业最初为了办公、客户服务或项目协作收集内容，后来改作模型训练，已经改变了数据用途，需要重新审视原有承诺和授权。

Warmly最终拒绝了四次报价。那封邮件给代码和记录开出了最高30万美元的价，却没有回答：这些记录中，哪些真的能卖，哪些不能。