Ha egy cég AI-val „objektíven” pontozza a teljesítményt, az még nem jelenti azt, hogy igazságosan is teszi. Egy friss per azt állítja: elég egy rosszul kezelt adatmező, és a védett távollét hátránnyá válik.

Mi történt

26 volt Meta-alkalmazott csoportos pert indított, mert szerintük a vállalat belső AI-eszközökkel rangsorolta a dolgozókat a leépítések előtt, de nem zárta ki a szülői vagy orvosi szabadságon lévőket a teljesítményértékelési listákból. A kereset logikája egyszerű: ha valaki védett távolléten van, kevesebb friss teljesítményadatot termel, és egy automatizált pontozás ezt könnyen „gyengébb teljesítményként” értelmezheti.

A perben szereplő leépítések májusban történtek, amikor a Meta a teljes létszám nagyjából 10 százalékát, körülbelül 8 000 embert tervezett elküldeni. A felperesek azt állítják, hogy egy belső „AI-eszközkonstelláció” — többek között a Metamate nevű belső AI-asszisztens, dolgozók által betanított AI-ügynökök, valamint belső irányítópultok (például AI tokenhasználati mutatókkal) — segített „pontozni, rangsorolni és kiválasztani” az elbocsátandókat.

Miért fontos

A kulcskérdés itt nem az, hogy egy chatbot „kirúgott-e” embereket, hanem az, hogy az AI-val támogatott teljesítménymérés hogyan csúszhat át diszkriminációba. Gondolj rá úgy, mint egy automata osztályzógépre: ha nem tudja, hogy valaki igazoltan hiányzott, a kevesebb beadott dolgozat miatt rosszabb jegyet ad. Munkahelyi környezetben ez különösen kényes, mert a szülői és egészségügyi távollétek sok országban (és az USA-ban is) jogilag védettek, vagyis elvileg nem lehetnek negatív következményeik. A per állítása szerint a rendszer nemcsak „nem vette figyelembe” a védett távollétet, hanem a pontozás logikáján keresztül ténylegesen büntette is.

Mire figyelj

  1. Mit jelentett a gyakorlatban az „AI rangsorolás”? A Meta álláspontja az, hogy a szervezeti döntéseket emberek hozták, nem az AI. Ettől még a perben az lehet a lényeg, hogy az AI-val előállított listák mennyire terelték a döntéshozókat, és volt-e érdemi emberi felülvizsgálat.
  2. Milyen adatokat használtak a pontozáshoz? A tokenhasználat, belső eszközhasználati metrikák vagy aktivitási mutatók önmagukban félrevezetők lehetnek: nem minden munkakör „mérhető” ugyanúgy, és a távollét eleve lyukakat hagy az adatokban.
  3. Hogyan kezelik a cégek a védett távollétet az algoritmusokban? A per rávilágít egy általános mintára: ha a HR- és teljesítményrendszerekben nincs explicit szabály a védett státuszok kizárására vagy korrekciójára, a „semleges” automatizmus is aránytalan kárt okozhat.

A következő hónapokban az lesz igazán beszédes, hogy a bírósági folyamat mennyire kényszeríti ki az átláthatóságot: nemcsak azt, milyen modelleket használtak, hanem azt is, hogyan nézett ki a döntési lánc ember és algoritmus között.