Metamate es el modelo que Meta usa para medir productividad: rastrea líneas de código, tareas cerradas y participación en proyectos para producir puntuaciones que alimentan decisiones sobre recortes de personal. La demanda presentada por veintiséis exempleados en una corte federal de California argumenta que esta herramienta nunca diferenció entre trabajadores improductivos y personas en tratamiento de cáncer o en licencias protegidas.

El proceso es fácil de describir pero difícil de aceptar. El modelo genera calificaciones sin ajustar por bajas médicas, licencias por discapacidad o cuidado de familiares. Alguien recibiendo quimioterapia y alguien que dejó de esforzarse terminan clasificados igual.

Las separaciones iban a comenzar alrededor del veintidós de julio de dos mil veintiséis. Los exempleados piden detenerlas mientras el caso avanza por la vía judicial. Meta niega las acusaciones y asegura que todas las decisiones las tomaron personas, no la inteligencia artificial.

Esa afirmación revela el punto ciego. ¿Cómo se persigue la discriminación cuando una puntuación algorítmica se interpone entre el empleado y el decisor humano?

La respuesta está en la naturaleza de las leyes existentes. Normas como la FMLA exigen ajustes razonables para casos individuales. Un modelo que no incorpora la variable de estado protegido no puede hacer esos ajustes por construcción.

He visto en diferentes contextos cómo los números generados por estas herramientas se vuelven incuestionables. Los gerentes prefieren seguir la puntuación antes que defender una excepción que el modelo no registra.

Esto recuerda las cuotas de producción en civilizaciones antiguas, donde tablillas de arcilla mostraban objetivos que no contemplaban sequías ni enfermedades. Las piedras no mienten, y esos registros arqueológicos confirman que ignorar el contexto humano en las métricas no es nuevo. El tema merece seguir explorándose porque revela constantes que trascienden la tecnología actual.

El argumento de Meta, aunque técnicamente cierto, no resuelve el problema de fondo. Si las personas vieron las bajas puntuaciones de colegas en licencia médica y decidieron proceder igual, entonces tanto el modelo como la cultura organizacional contribuyen al resultado.

La tendencia se repite. La Unión Europea suavizó partes de su ley de IA mediante el paquete Ómnibus Digital, posponiendo requisitos hasta dos mil veintisiete. Como se explora en The Generosity in the Doorway al analizar quién redacta los términos, la regulación a menudo llega tarde al debate real sobre el control.

Todavía no tengo claro el equilibrio exacto entre métricas útiles y protecciones efectivas. Merece explorarse una solución que fuerce una revisión humana cuando se detecta estado protegido, de modo que la puntuación ni siquiera entre al cálculo general de recortes.

¿Qué significa esto para las protecciones laborales cuando las decisiones se filtran a través de capas algorítmicas?

Esta pregunta obliga a reconsiderar si las leyes escritas para un mundo de supervisión directa pueden adaptarse a dinámicas donde la rendición de cuentas se fragmenta entre código y juicio humano. El espacio entre supervisión declarada y supervisión real es donde ocurren la mayoría de los daños.

Las piedras no mienten, pero los historiadores a veces sí. ¿Nos debería preocupar más que las personas confiaran en el número sin cuestionar su origen?