In California, ventisei ex dipendenti di Meta hanno avviato una causa federale che accusa l’azienda di aver usato sistemi basati su intelligenza artificiale per selezionare il personale da licenziare, discriminando in modo sproporzionato chi si trovava in congedo medico o aveva disabilità. Secondo il documento depositato lunedì a Oakland, Meta si sarebbe affidata a metriche di produttività e a dati sull’uso di token AI per decidere chi tenere e chi mandare via durante i tagli di massa.

Non è la prima volta che un algoritmo finisce sotto accusa per decisioni sul lavoro, ma qui il dettaglio tecnico è eloquente: l’azienda avrebbe monitorato il “consumo di token” generato dai dipendenti. Nel gergo dei large language models, i token sono le unità elementari di testo — parole o parti di esse — che un modello processa. Se un’organizzazione tiene traccia di quanti token un impiegato produce interagendo con gli strumenti interni, può trasformare quella cifra in un indicatore di produttività. Ma un simile indicatore è cieco al contesto: chi rallenta perché assiste un familiare, chi è in cura o semplicemente chi lavora in modo meno verboso rischia di apparire meno performante.

La vicenda tocca un nervo scoperto per qualsiasi impresa che oggi stia valutando di portare modelli linguistici in casa, in un’ottica on-premise e self-hosted. Spostare l’inference e il fine-tuning sotto il proprio controllo fisico è una scelta spesso motivata da esigenze di sovranità dei dati, compliance GDPR e TCO nel medio periodo. Ma il caso Meta mostra che il controllo tecnico non basta: serve un controllo di processo. Se un’azienda esegue un LLM sui propri server per analizzare le comunicazioni interne e alimentare metriche decisionali, si assume per intero la responsabilità di eventuali effetti discriminatori. Non può scaricare la colpa su un provider cloud o su un black-box vendor.

L’accusa segnala un cortocircuito più ampio. I reparti HR stanno adottando strumenti basati su AI per semplificare valutazioni, colloqui e persino piani di riduzione del personale. Ma la trasparenza di questi sistemi resta bassa, e la loro validazione statistica è spesso insufficiente. Il rischio non è solo legale: c’è un rischio reputazionale e culturale che può erodere la fiducia dei dipendenti. Chi sviluppa pipeline interne si trova così a dover bilanciare automazione e diritti, un equilibrio che richiede architetture capaci di registrare, spiegare e correggere le decisioni automatiche.

Dal punto di vista strutturale, la notizia consolida una tendenza: il crinale tra efficienza operativa e sorveglianza algoritmica si sta assottigliando. Le aziende che investono in hardware per inference — dalle GPU consumer alle workstation con più schede — dovrebbero chiedersi non solo quanti token al secondo riescono a processare, ma anche quali dati vengono raccolti, come vengono aggregati e se le metriche costruite sopra quei token possono produrre distorsioni. La sovranità dei dati non è soltanto un baluardo contro accessi esterni: è anche la capacità di garantire che i dati restino uno strumento di gestione e non diventino un’arma a doppio taglio.