Meta, demandada por dejar que un algoritmo de rendimiento decida quién es despedido en baja médica

Por India Today · 15 de julio de 2026.

Veintiséis empleados de Meta —todos anónimos, todos aún en nómina hasta que sus salidas se hagan efectivas el 22 de julio— han demandado a la compañía ante un tribunal federal de Oakland, California. La denuncia, presentada el lunes, sostiene que Meta usó sistemas internos de IA, paneles de uso de tokens, monitorización de pulsaciones de teclado y rankings de desempeño asistidos algorítmicamente para decidir a quién despedir en el recorte de unos 8.000 puestos (cerca del 10% de la plantilla) anunciado en mayo. El argumento central es simple y, si se confirma, contundente: esas métricas, por diseño, no pueden acumularse cuando un empleado está de baja médica, parental o familiar protegida, o cuando su producción se reduce por una discapacidad. Según la demanda, Meta no habría filtrado esa distorsión antes de usar los datos para decidir despidos, ni habría pausado el sistema para hacer la revisión individualizada que exige la ley. Ocho de los demandantes son mujeres que tomaron baja por maternidad o embarazo; cuatro son hombres con baja parental; uno tomó baja por cuidado de un familiar y después baja por duelo. Un caso especialmente delicado: un empleado dice que un supervisor lo disuadió de tomar una baja por discapacidad ya aprobada por el propio proveedor médico de Meta, advirtiéndole de que hacerlo lo señalaría para el despido. Meta niega los hechos y afirma que las decisiones de plantilla 'las toman personas, no la IA'; conviene subrayar que se trata de alegaciones de una demanda, no de hechos probados, y que la compañía tendrá su oportunidad de responder en el proceso.

Lo que hace interesante este caso no es solo el desenlace judicial —que puede tardar años— sino el mecanismo que describe. No se acusa a Meta de construir una IA que decida despedir por embarazo; se le acusa de algo más sutil y más plausible: diseñar un sistema de medición de productividad que, al no distinguir entre 'trabajó poco porque rinde poco' y 'trabajó poco porque la ley le permite no trabajar', convierte una categoría protegida en una señal de bajo rendimiento por la puerta de atrás. Es el tipo de sesgo que no requiere intención discriminatoria explícita para producir un resultado discriminatorio: los abogados de los demandantes invocan precisamente la doctrina de 'disparate impact' (impacto dispar), que permite impugnar una política aparentemente neutral si perjudica desproporcionadamente a un colectivo protegido. Aquí el argumento es que, al recaer las bajas por embarazo y cuidado familiar mayoritariamente sobre mujeres, un sistema de puntuación ciego a ese contexto termina expulsando a más mujeres que hombres, sin que nadie tuviera que escribir esa regla en ningún código.

Hay un ángulo adicional que la demanda subraya con intención: invoca el repliegue de la administración Trump en la aplicación de la doctrina de impacto dispar, con la Comisión de Igualdad de Oportunidades en el Empleo (EEOC) rebajando la prioridad de estos casos y retirando denuncias de discriminación en curso. El mensaje de los demandantes es que, aunque el árbitro federal se retire del terreno, la vía sigue abierta por ley estatal y por acción individual. Es un recordatorio de que la protección laboral frente a la automatización no depende solo de que exista buena regulación federal, sino de que alguien esté dispuesto a hacerla cumplir; cuando el regulador se aparta, la carga recae en los propios trabajadores y sus abogados, que es exactamente lo que estamos viendo aquí.

Nuestra lectura: este litigio es menos sobre 'la IA discrimina' y más sobre un patrón que venimos señalando en nuestra cobertura de IA y empleo —la automatización del back-office y de la gestión de personas avanza mucho más rápido que los mecanismos de garantía que deberían acompañarla—. Las grandes tecnológicas llevan dos años usando el lenguaje de 'eficiencia' y 'rendimiento' para ejecutar recortes masivos, y cada vez delegan más ese cribado en paneles de actividad, dashboards de uso de herramientas y rankings algorítmicos porque escalan mejor que la evaluación humana caso por caso. El problema no es que la métrica sea mala en sí, sino que se aplica sin las salvaguardas que la propia ley laboral exige desde hace décadas para bajas médicas y parentales, salvaguardas pensadas para un mundo de evaluaciones manuales que ahora chocan con sistemas automatizados que no las incorporan por defecto. Es exactamente el tipo de fricción de corto plazo que hemos defendido que hay que nombrar sin rodeos: la IA no necesita tener intención para producir un resultado injusto, y la responsabilidad de evitarlo sigue siendo humana y corporativa, no técnica. A largo plazo seguimos convencidos de que la automatización del trabajo administrativo puede liberar recursos y tiempo hacia tareas de mayor valor —y hacia la abundancia que defendemos como horizonte—, pero ese tránsito solo será legítimo si las empresas construyen sus sistemas de gestión algorítmica con las mismas protecciones legales que ya existen para las personas, no como un atajo para saltárselas. Si algo debería cambiar tras casos como este, es que el diseño de estos sistemas de puntuación incorpore desde el primer día una capa de revisión que excluya explícitamente los periodos protegidos, en lugar de dejar que sea un tribunal, años después, quien tenga que reconstruir por qué no se hizo.