Meta-Klage: Wenn KI bei Entlassungen zum Diskriminierungsrisiko wird

Damit ist der zentrale Sachverhalt noch nicht gerichtlich entschieden. Für Unternehmen ist der Fall trotzdem ein nützlicher Warnhinweis: Ein Mensch am Ende eines Prozesses beseitigt kein Diskriminierungsrisiko, wenn Daten, Scores und Vorauswahl bereits systematisch verzerrt sind.

Was behauptet wird – und was nicht feststeht

Nach den Berichten von AP und Reuters werfen die Kläger Meta vor, unter anderem Aktivitätsdaten, Leistungsbewertungen und Nutzungsmesswerte in KI-gestützten Auswahlverfahren verwendet zu haben. Wer wegen Krankheit, Behinderung, Schwangerschaft oder familiärer Pflichten abwesend war, konnte bestimmte Aktivitätswerte naturgemäß nicht sammeln.

Diese Angaben sind Behauptungen aus einer Klage. Sie beweisen weder, wie die internen Systeme genau funktionierten, noch dass Meta gegen geltendes Recht verstoßen hat. Metas Gegenposition gehört deshalb zur Einordnung: Das Unternehmen bezeichnet die Vorwürfe als unbegründet und betont menschliche Entscheidungshoheit.

Warum ein neutrales Merkmal trotzdem riskant sein kann

Ein Score muss keine geschützte Eigenschaft direkt enthalten, um eine Gruppe unterschiedlich zu treffen. Anwesenheit, Tastaturaktivität, Ticketzahl oder AI-Token-Nutzung können von Arbeitszeit, Rolle, Behinderung oder genehmigter Abwesenheit beeinflusst werden. Ohne Kontext wird aus einem scheinbar objektiven Messwert ein schlechter Stellvertreter für Leistung.

Welche Kontrollen HR-Systeme brauchen

Zweck und Datenbasis dokumentieren: Jede Kennzahl braucht eine fachliche Begründung. Daten, die vor allem Anwesenheit messen, dürfen nicht stillschweigend Leistung ersetzen.

Geschützte Abwesenheiten neutralisieren: Medizinische, familiäre oder andere rechtlich geschützte Zeiten müssen vor Bewertung und Ranking korrekt behandelt werden.

Auswirkungen messen: Auswahlquoten und Fehler nach relevanten Gruppen prüfen. Die EEOC weist darauf hin, dass auch softwaregestützte Beschäftigungsentscheidungen Diskriminierungsregeln erfüllen müssen.

Einzelfallprüfung ermöglichen: Der verantwortliche Mensch braucht Kontext, Änderungsbefugnis und eine dokumentierte Begründung – nicht nur einen vorgegebenen Score.

Audit und Widerspruch: Datenherkunft, Modellversion, Regeln, Freigaben und Korrekturen müssen nachvollziehbar sein. Betroffene brauchen einen klaren Weg, falsche Daten oder Entscheidungen anzufechten.

Die wichtigste Managementfrage

Nicht „Hat ein Mensch geklickt?“ ist entscheidend. Die bessere Frage lautet: Konnte der Mensch erkennen, welche Daten zur Auswahl führten, ihre Grenzen prüfen und eine fehlerhafte Empfehlung tatsächlich stoppen? Wenn das nicht möglich ist, bleibt die Entscheidung eine Black Box mit menschlicher Unterschrift.