- Veintiséis empleados acusan a Meta de utilizar sistemas internos de inteligencia artificial, métricas de productividad y datos de actividad para seleccionar trabajadores en una reducción de personal.
- La empresa rechaza las acusaciones y asegura que las decisiones organizacionales fueron tomadas por personas, no por sistemas de IA.
- Más allá del litigio, el caso expone un riesgo central para MadTech: convertir señales aparentemente neutrales en decisiones de alto impacto sin controles sobre contexto, sesgos y datos sensibles.
Durante años, Meta ha construido parte de su negocio alrededor de una promesa: utilizar grandes volúmenes de datos para identificar señales, predecir comportamientos y optimizar resultados. Una nueva demanda presentada en California coloca esa misma lógica bajo una pregunta mucho más incómoda: ¿qué sucede cuando el scoring deja de ordenar anuncios y comienza a influir en quién conserva su empleo?
Veintiséis empleados de Meta, identificados de manera anónima, presentaron una demanda ante la Corte de Distrito del Norte de California en la que aseguran que la compañía utilizó sistemas internos asistidos por inteligencia artificial para integrar la lista de trabajadores afectados por los recortes anunciados en mayo de 2026. Los demandantes fueron notificados de su salida, pero continuaban empleados al momento de presentar el recurso; sus separaciones estaban programadas para comenzar el 22 de julio.
La demanda todavía no demuestra que Meta haya delegado los despidos a un algoritmo. Se trata de acusaciones que deberán ser examinadas judicialmente y, en buena medida, mediante procesos individuales de arbitraje. Meta sostiene que los señalamientos “carecen de mérito” y que las decisiones sobre su fuerza laboral fueron tomadas por personas, no por inteligencia artificial.
Sin embargo, el caso podría convertirse en uno de los primeros grandes litigios en Estados Unidos que examine directamente el papel de la IA en una reducción masiva de personal. Y ahí se encuentra la señal que las compañías de marketing, publicidad, datos y tecnología no deberían pasar por alto.
La ventaja ya no está en adoptar IA primero, sino en entender sus consecuencias antes que los demás. Descubre la Comunidad de Adtech.
La acusación: medir presencia como si fuera desempeño
De acuerdo con la demanda, Meta no habría utilizado una sola herramienta, sino una combinación de sistemas para puntuar, comparar y ordenar empleados. Entre ellos aparecen Metamate —un asistente interno basado en un modelo de lenguaje—, agentes llamados “second brain”, tableros sobre consumo de tokens de IA, datos sobre actividad en dispositivos corporativos y herramientas algorítmicas para evaluaciones de desempeño y procesos de calibración.
Los demandantes aseguran que entre las variables consideradas figuraban la producción, los resultados de evaluaciones previas, el volumen de código, la adopción de herramientas de IA y el consumo de tokens. El problema, argumentan, es que una persona en licencia médica, parental o familiar no podía acumular esas señales al mismo ritmo que un empleado presente durante todo el periodo de medición.
La tesis central no es necesariamente que el sistema recibiera una instrucción explícita para identificar trabajadores con discapacidad o problemas de salud. La acusación es más compleja: las ausencias protegidas habrían quedado registradas indirectamente como una reducción en actividad, producción o adopción tecnológica. En otras palabras, el estado de salud no tenía que aparecer como una columna dentro del modelo; podía manifestarse mediante variables proxy.
Todos los demandantes habían tomado, solicitado o recibido autorización para alguna licencia protegida, o habían pedido ajustes relacionados con una discapacidad durante los 24 meses anteriores a los recortes. Cerca de la mitad había utilizado permisos vinculados con embarazo, maternidad, paternidad, cuidados familiares o duelo, según la información recopilada por Associated Press.
Julieta Ruiz
La verdadera señal para MadTech: el riesgo está en los datos intermedios
La demanda no afirma que las herramientas laborales descritas sean las mismas que Meta utiliza para publicidad, segmentación o medición de campañas. Tampoco existe evidencia pública que permita establecer esa relación.
La relevancia para MadTech se encuentra en otro punto: la lógica operativa es familiar.
Las plataformas publicitarias trabajan constantemente con señales indirectas. Un clic puede representar interés; una visita puede anticipar intención de compra; el tiempo de visualización puede utilizarse como señal de relevancia. El negocio funciona optimizando indicadores que actúan como aproximaciones de un resultado que no siempre puede observarse directamente.
El riesgo aparece cuando esa misma mentalidad se traslada sin suficientes barreras a decisiones relacionadas con contratación, desempeño, promociones, compensaciones o despidos. En esos escenarios, una señal incompleta ya no solo modifica el CPM, el alcance o el retorno de una campaña: puede afectar el ingreso, la cobertura médica, la estabilidad migratoria o los derechos laborales de una persona.
La OCDE denomina “gestión algorítmica” al uso de software para automatizar o apoyar funciones tradicionalmente realizadas por responsables humanos. En una investigación basada en más de 6,000 empresas, encontró una adopción especialmente elevada en Estados Unidos: 90% de los gerentes consultados afirmó que su organización utilizaba al menos una herramienta para instruir, supervisar o evaluar trabajadores. El organismo también identificó preocupaciones relacionadas con la falta de explicabilidad, la responsabilidad poco clara y la protección insuficiente de la salud de los empleados.
Del uso secundario de datos al “function creep”
Otro punto crítico es el cambio de finalidad de los datos. La demanda sostiene que Meta desplegó un programa de monitoreo capaz de capturar señales como actividad del teclado y el mouse, contenido en pantalla, historial de navegación, mensajes y correos electrónicos en dispositivos corporativos. Los demandantes alegan que esa información alimentó herramientas internas de IA y terminó influyendo en el proceso de reducción de personal. Meta no ha aceptado esa interpretación.
Para las empresas intensivas en datos, este escenario debería resultar conocido. La información puede recopilarse inicialmente para seguridad, productividad, capacitación de modelos o mejora operativa y, posteriormente, reutilizarse para una decisión diferente. Ese desplazamiento de propósito, conocido como function creep, es uno de los principales riesgos en ecosistemas donde distintas bases, plataformas y proveedores comparten señales.
En términos de MadTech, la pregunta de cumplimiento ya no puede limitarse a “¿tenemos permiso para recopilar este dato?”. También debe incluir: “¿para qué decisiones podrá utilizarse después?”, “¿qué inferencias permite generar?” y “¿qué consecuencias tendría combinarlo con otra fuente?”.
El marco de gestión de riesgos de IA del Instituto Nacional de Estándares y Tecnología de Estados Unidos propone incorporar la confiabilidad desde el diseño, desarrollo, uso y evaluación de los sistemas. Esto implica gobernar, mapear, medir y gestionar los riesgos durante todo el ciclo de vida, no únicamente revisar el resultado después de que una decisión ya afectó a alguien.
Adtech
Cinco controles que MadTech debería aplicar antes del siguiente algoritmo
Las empresas deberían comenzar por identificar qué sistemas influyen en decisiones de alto impacto, incluso cuando la herramienta únicamente “recomienda”, prioriza o clasifica personas. El inventario debe incluir modelos desarrollados internamente, dashboards, sistemas de terceros, agentes y automatizaciones integradas en plataformas empresariales.
Después, será necesario separar las métricas operativas de la información relacionada con licencias, salud, embarazo, discapacidad o cuidados familiares. Eliminar una categoría explícita no es suficiente si otras variables pueden reconstruirla indirectamente.
También se requieren pruebas de impacto antes y después del despliegue. La auditoría no debe limitarse a comprobar si el modelo funciona técnicamente, sino examinar quién obtiene sistemáticamente peores resultados, qué proxies podrían explicar la diferencia y si existe una alternativa menos perjudicial.
La revisión humana debe contar con contexto, autoridad real para cambiar la recomendación y una obligación de documentar la decisión. Un gerente que solo confirma una lista que no comprende no constituye una salvaguarda suficiente.
Finalmente, cada organización debe definir límites claros para el uso secundario de datos. La información recopilada para seguridad, analítica, capacitación o colaboración no debería trasladarse silenciosamente a un sistema de evaluación laboral.
Julieta Ruiz
La próxima crisis de IA podría empezar dentro de la empresa
El proceso contra Meta apenas comienza y ningún tribunal ha determinado que la compañía haya utilizado IA para discriminar trabajadores. Pero la demanda ya expuso una tensión que el sector tecnológico suele minimizar: una métrica puede ser estadísticamente correcta y, aun así, resultar injusta cuando ignora el contexto humano que la produjo.
Para MadTech, el aprendizaje no es abandonar la automatización. Es dejar de asumir que más señales equivalen automáticamente a mejores decisiones.
La industria ha dedicado años a perfeccionar la capacidad de encontrar patrones invisibles. Su siguiente desafío será reconocer cuándo esos patrones no deberían convertirse en una recomendación, un ranking o una sentencia.
La IA ya no solo está transformando las campañas: está cambiando cómo se toman las decisiones dentro de las empresas. Únete a la Comunidad y accede al análisis que conecta tecnología, negocio, regulación y poder antes de que llegue al resto de la industria.
