Иск подан в федеральный суд Калифорнии. По утверждению истцов, Meta не поручала менеджерам решать, кого сокращать, — за неё это делал алгоритм. Внутренняя AI-система сформировала списки при массовом увольнении 8 000 сотрудников. Проблема в том, что в эти списки, по данным истцов, непропорционально часто попадали люди с инвалидностью и те, кто находился в отпуске по уходу за ребёнком.
Контекст
Meta — не исключение из тренда. Крупные технологические компании давно автоматизируют кадровые решения: performance review, stack ranking, распределение задач, оценка вовлечённости — всё это обрабатывается алгоритмами. Шаг от «оценки производительности» к «рекомендации на сокращение» небольшой, и многие HR-отделы этот шаг уже сделали.
Проблема алгоритмической дискриминации в найме и увольнении не новая. Системы машинного обучения, обученные на исторических кадровых данных, воспроизводят паттерны прошлого — и усиливают их. Если компания раньше непропорционально увольняла определённые группы, алгоритм усваивает этот паттерн как норму. Без явных защитных правил он просто продолжает его.
Ключевой юридический вопрос дела: несёт ли компания ответственность за дискриминацию, если дискриминирует алгоритм, а не конкретный менеджер? Американское законодательство — ADA (права людей с инвалидностью), FMLA (декретный отпуск) — смотрит на исходы, а не на механизм. «Так решил алгоритм» не является правовой защитой.
Аналитика
Этот иск важен не только для Meta. Он потенциально задаёт прецедент для всей отрасли: автоматизированные кадровые решения начинают встречать юридическое сопротивление. В ЕС AI Act прямо относит системы, влияющие на трудоустройство и увольнение, к высокорисковым — с требованием прозрачности, объяснимости и аудита на предвзятость. США идут к похожей логике через прецедентное право.
Механизм ошибки алгоритма в таких кейсах типичный. Системы оценки производительности работают по прокси-метрикам: активность в корпоративных инструментах, количество закрытых задач, количество встреч, коммиты. Декрет и больничный напрямую обнуляют эти показатели — не потому что человек хуже, а потому что его не было на рабочем месте. Без явного исключения этих периодов из расчёта алгоритм воспринимает отсутствие как снижение ценности сотрудника.
Для компаний, строящих AI-first процессы, это урок с конкретным выводом: автоматизация решений о людях требует другого уровня проверки, чем автоматизация операционной рутины. Human-in-the-loop в кадровых вопросах — это уже не просто best practice, а, вероятно, будущее юридическое требование во многих юрисдикциях.
Кейсы применения в бизнесе
B2B-SaaS стартап. Вы используете HR-платформу с AI-функциями для оценки команды. Практический шаг — запросить у поставщика документацию по disparate impact testing: большинство серьёзных платформ проводят такой аудит, но не публикуют его без явного запроса. Добавьте внутреннее правило: любое кадровое решение на основе AI-рекомендации утверждается живым менеджером с письменным обоснованием.
Корпорация с legacy-инфрой. Если в компании уже работают системы people analytics, проверьте технически: исключены ли периоды декрета, больничного и accommodation из расчёта производительности — или они обрабатываются как нулевые значения? Это исправляется на уровне данных, но требует явной политики и повторного аудита исторических решений.
SMB в КР/СНГ. Малый бизнес редко задумывается об «алгоритмической дискриминации», но использует зарубежные HR-сервисы с AI-функциями. Стоит проверить, какие автоматические рекомендации они генерируют, и убедиться, что финальное слово в кадровых вопросах остаётся за человеком — не только из юридической осторожности, но и потому что трудовое законодательство КР возлагает ответственность за решение об увольнении на работодателя, а не на его инструменты.
Кейсы в личной жизни
Разработчик / инженер в крупной компании. Ваша «видимость» в корпоративных системах — активность в Slack, коммиты, участие во встречах — может формировать алгоритмическую оценку вашей ценности. Декрет, болезнь, уход за родственниками обнуляют эти метрики. Полезно знать, какие данные о вас собирает работодатель, и есть ли в политике компании явное исключение для защищённых периодов.
HR-специалист. Если вы внедряете AI-инструменты для оценки команды, добавьте в процесс явный этап проверки на смещение — особенно для сотрудников с нестандартными обстоятельствами. Это снижает юридический риск для компании и делает процесс защищаемым при споре.
Студент / джуниор на этапе поиска работы. При выборе работодателя стоит спрашивать прямо: как принимаются решения об оценке производительности и повышении? Есть ли апелляционный процесс против алгоритмических решений? Компании, которые затрудняются ответить, скорее всего, не имеют ни прозрачного процесса, ни защитных механизмов.
Как применить сегодня
- Если вы HR или руководитель: проверьте, как ваши системы оценки обрабатывают периоды декрета, больничного и accommodation — они должны исключаться из метрик, а не засчитываться как нулевая производительность.
- Установите правило: финальное решение об увольнении — только человек. AI предоставляет данные и аналитику, но не принимает решение.
- Запросите у поставщика HR-AI отчёт по disparate impact — анализ того, не попадают ли защищённые группы в рекомендации системы непропорционально часто.
- Если разрабатываете внутренние HR-инструменты: добавьте явные exclusion rules для защищённых периодов в обучающие данные и в логику расчёта метрик производительности.
- Следите за развитием дела — оно, вероятно, определит стандарт раскрытия информации об AI-системах в кадровых решениях для всей индустрии, в том числе за пределами США.