¿Tu ATS es ahora un buró de crédito? La demanda contra Eightfold por la FCRA

Una herramienta de puntuación de candidatos con IA puede quedar sujeta a la Fair Credit Reporting Act (FCRA) si reúne datos externos sobre los candidatos en un “informe” de elegibilidad laboral y entrega ese informe a las empresas. Esa es la novedosa acusación de Kistler contra Eightfold AI, una demanda colectiva presentada en enero de 2026 que plantea una pregunta que la mayoría de los fundadores nunca se han hecho: ¿tu software de contratación está actuando en silencio como un buró de crédito? Si un tribunal lo confirma, las obligaciones sobre informes de consumo que casi todas las empresas asocian con las verificaciones de antecedentes —divulgación, consentimiento, una copia del informe y un plazo formal de impugnación— recaerían sobre el cribado ordinario de currículums con IA.

Esta es una teoría jurídica distinta de las demandas por sesgo de las que has oído hablar y, podría decirse, más peligrosa, porque no exige que nadie demuestre que el algoritmo fue injusto. Solo exige demostrar que el algoritmo existía en secreto. A continuación verás qué alega realmente el caso, cómo funciona el criterio de la FCRA y cómo es un pipeline de contratación con IA defendible cuando una persona con nombre y apellido —y no una puntuación oculta— es la dueña de cada rechazo. (Esto es información general, no asesoría legal. Consulta con un abogado sobre tu stack concreto.)

El titular: presuntamente la IA está corriendo “informes de crédito” secretos sobre quienes buscan empleo

La versión corta: una demanda colectiva federal alega que una plataforma de contratación con IA elaboró informes de elegibilidad secretos sobre los candidatos y los rechazó sin decírselo nunca. Kistler contra Eightfold AI se presentó el 20 de enero de 2026 ante el Tribunal Superior de California, condado de Contra Costa (n.º C26-00214), y luego pasó a la jurisdicción federal como Kistler y otros contra Eightfold AI Inc., n.º 3:26-cv-01768 (N.D. Cal.). Las demandantes nombradas son Erin Kistler y Sruti Bhaumik, que litigan en representación de una presunta clase de candidatos a empleo.

Lo que convierte esto en algo más que otra denuncia contra una HR-tech es quién la firma. El caso lo impulsa el bufete de demandantes Outten & Golden LLP junto con la organización sin fines de lucro Towards Justice, y entre los abogados que constan en el expediente figura Jenny R. Yang, expresidenta de la Comisión para la Igualdad de Oportunidades en el Empleo de EE. UU. (EEOC). Towards Justice lo ha calificado como el primer caso de su AI in the Workplace Accountability Project. Que una expresidenta de la EEOC ponga su nombre en una demanda no es casualidad. Es un caso de prueba deliberado y estratégico, y busca sentar precedente.

Lo que está en juego para las personas es sencillo. Como dice Kistler en el comunicado del bufete: “He postulado a cientos de empleos, pero siento que una fuerza invisible me impide que me consideren de forma justa”. Yang enmarca el daño jurídico así: “A trabajadores cualificados de todo el país se les niegan oportunidades laborales con base en evaluaciones automatizadas que nunca han visto y que no pueden impugnar”.

Qué alega realmente la demanda

La demanda alega que la plataforma de Eightfold puntúa a los candidatos y descarta a muchos antes de que una persona los mire siquiera. Según el escrito, Eightfold usa un modelo de lenguaje grande propietario para generar un “Match Score” que valora a cada candidato según su “probabilidad de éxito” en un puesto. La demanda señala que el Match Score “va de 0 a 5” en incrementos de una décima (¶74). Y lo más importante: alega que los candidatos son “a menudo descartados antes de que un ser humano llegue a mirar su candidatura”.

La demanda también describe los datos que alimentan esa puntuación. Para cada demandante nombrada, alega que Eightfold recopiló “información de informe de consumo, incluidos datos personales, información sobre su educación y experiencia laboral, perfiles de redes sociales, datos de ubicación”, además de inferencias y “datos comparativos de candidatos extraídos de los currículums y perfiles de millones de personas” (¶~100, ¶~107). El alcance de la plataforma, según la demanda, es enorme: cita el propio material de marketing de Eightfold, que afirma que su modelo incorpora “más de 1.500 millones de puntos de datos globales”, incluidos los perfiles de “más de 1.000 millones” de personas.

Una salvedad que conviene dejar clara: esas cifras de mil y pico millones son el corpus de entrenamiento y de referencia que describe Eightfold, repetido en la demanda, no un recuento verificado de personas cuyos datos se usaron indebidamente. La forma precisa de decirlo es que el modelo se entrena sobre un corpus que, según Eightfold, incluye perfiles de más de mil millones de personas. La escala es una alegación, no un hecho probado.

Esto es lo que la demanda, de forma deliberada, no alega: que el algoritmo esté sesgado. Aquí no hay ninguna teoría de discriminación por raza, edad o discapacidad bajo el Título VII. La demanda alega infracciones de la FCRA federal, de la Investigative Consumer Reporting Agencies Act (ICRAA) de California y de la Unfair Competition Law (UCL) de California, con solicitud de juicio con jurado. La teoría es procesal, no se centra en los resultados. El argumento es que existió un sistema de puntuación en secreto y se desplegó sin el proceso que exige la ley. En teoría, un demandado podría tener un algoritmo perfectamente justo y aun así perder este caso.

¿Es un ATS una agencia de informes de consumo bajo la FCRA?

Un sistema de seguimiento de candidatos (ATS) puede quedar sujeto a la FCRA si reúne datos de terceros o inferidos sobre los candidatos en un “informe de consumo” de elegibilidad laboral y lo facilita a las empresas. Una herramienta puramente de primera parte, que actúa únicamente sobre los datos de candidatura de la propia empresa, por lo general no lo está. Pero las herramientas de IA que incorporan redes sociales scrapeadas, datos de ubicación y perfiles comparativos difuminan esa línea, y ese difuminado es justo el centro de la disputa en este caso.

La ley define “informe de consumo” de forma amplia (15 U.S.C. §1681a) como cualquier comunicación de una agencia de informes de consumo que verse sobre el carácter, la reputación, las características personales o el modo de vida de una persona, cuando se utiliza para establecer su elegibilidad para un empleo. La demanda sostiene que reunir datos externos e inferidos en una puntuación de elegibilidad laboral coloca a Eightfold de lleno dentro de esa definición y la convierte en una agencia de informes de consumo (CRA) no registrada.

Que ese argumento prospere se reduce a unas pocas cuestiones en disputa:

• ¿Los datos son de primera parte o de terceros? La FCRA generalmente exime a una empresa que informa “únicamente sobre transacciones o experiencias entre el consumidor y quien elabora el informe”. Si una herramienta solo procesa los datos de candidatura de la propia empresa, probablemente no sea una CRA. Las demandantes argumentan que Eightfold rompe esa exención porque ingiere datos externos scrapeados e inferidos.
• ¿La puntuación se “facilita a un tercero”? Una CRA facilita informes a otros. Eightfold podría argumentar que el Match Score permanece dentro del propio flujo de contratación de la empresa y nunca se entrega a nadie.
• ¿Una “match score” de un LLM es siquiera un informe de consumo? Eightfold podría argumentar que un análisis predictivo no es el tipo de informe reunido que el Congreso reguló en 1970.

Nada de esto se ha decidido todavía. El caso está en fase de alegaciones en el Distrito Norte de California. La teoría de la CRA es novedosa y no ha sido puesta a prueba, y lo más sensato es tratarla como un riesgo vivo, no como una regla asentada.

Eightfold vs. Workday: dos formas distintas en que tu stack de contratación con IA puede acabar en una demanda

Si solo sigues una demanda sobre contratación con IA, estás expuesto por la otra. Kistler contra Eightfold y Mobley contra Workday se ven en el mismo tribunal federal, pero corren sobre teorías opuestas, y tu pipeline tiene que satisfacer a ambas.

El caso Workday trata de si tu herramienta discrimina. Lo cubrimos en detalle en qué significa la demanda contra Workday por contratación con IA para cualquier ATS. El caso Eightfold trata de si tu herramienta siguió el proceso de informes de consumo. Son dos modos de fallo distintos del mismo diseño de fondo: el pipeline opaco, automatizado y sin persona en el circuito que puntúa y descarta candidatos antes de que nadie lea el expediente. Arregla el diseño y reduces la exposición en ambos frentes.

Qué significaría la “acción adversa” de la FCRA si tu herramienta de cribado es una CRA

Si un tribunal decide que tu proveedor de IA es una CRA, las obligaciones sobre informes de consumo no recaen solo en el proveedor. Recaen sobre ti, la empresa, como “usuaria” de informes de consumo. Esa es la parte que se les escapa a los fundadores. Según se ha informado, entre los clientes de Eightfold figuran Microsoft, Morgan Stanley, Starbucks, BNY, PayPal, Chevron y Bayer (estas empresas no son demandadas), pero la FCRA impone obligaciones a cualquier empresa que use un informe cubierto.

Esas obligaciones se agrupan en cuatro bloques:

1. Divulgación. Un aviso escrito claro y visible de que se obtendrá un informe de consumo, en un documento independiente.
2. Autorización. El consentimiento escrito del candidato antes de que se cree ningún informe.
3. Aviso previo a la acción adversa. Antes de rechazar, entrega al candidato una copia del informe junto con un “Resumen de tus derechos bajo la FCRA” y un plazo razonable (habitualmente cinco días hábiles o más) para impugnarlo.
4. Aviso final de acción adversa. Tras rechazar, notifica al candidato, identifica a la CRA, declara que la CRA no tomó la decisión y comunica el derecho a una copia gratuita del informe en un plazo de 60 días y el derecho a impugnar su exactitud.

Las demandantes alegan que no recibieron nada de esto. Pasa esa checklist por tu propio embudo con honestidad. Si una herramienta de IA puntúa a los candidatos y tu pipeline rechaza automáticamente las puntuaciones bajas, y nunca le has enviado a un candidato una copia de su “informe” ni un plazo de impugnación, estás haciendo exactamente lo que esta demanda señala, sin importar cómo se resuelva finalmente la cuestión de la CRA.

Esto no es un riesgo hipotético. En 2023, la EEOC llegó a un acuerdo con iTutorGroup por 365.000 dólares por un software que rechazaba automáticamente a candidatos de mayor edad. Aquel fue un caso antidiscriminación, no un caso FCRA, así que la teoría es distinta, pero la lección se sostiene: la responsabilidad por el rechazo automático es real, y reguladores y demandantes la están buscando activamente.

El patrón defendible: una persona es dueña de cada rechazo

Lo más protector que puedes hacer es convertir a una persona con nombre y apellido en la barrera obligatoria antes de cualquier rechazo, con un motivo escrito y una marca de tiempo. La teoría de Eightfold apunta a una arquitectura muy concreta: una puntuación opaca que descarta automáticamente a los candidatos antes de que nadie vea el expediente. El inverso defendible es directo. La IA asiste a un revisor humano, el revisor emite una recomendación que puedes explicar en lenguaje llano, y una persona con nombre y apellido es la dueña de la decisión final, con un fundamento registrado.

La persona en el circuito ya no es solo una buena experiencia para el candidato. Entre la teoría de la FCRA de este caso, la teoría de responsabilidad del agente en Workday y el requisito explícito de supervisión humana en la Ley de IA de la UE para sistemas de contratación de alto riesgo, se está convirtiendo en una restricción de diseño con fuerza legal. Si no puedes demostrar que una persona —y no una puntuación de caja negra— tomó la decisión, estás asumiendo riesgo bajo al menos tres regímenes distintos.

Así es exactamente como está construida la vertical de contratación de Kit. En Kit, la IA asiste, no decide. Sus funciones de IA producen resúmenes de candidaturas y analizan los CV para mostrarle información a un revisor; no emiten un rechazo automático, y ninguna “puntuación de match de 0 a 5” controla el pipeline. Las revisiones son cualitativas y explicables: un revisor registra una recomendación en una escala con nombre (no rotundo, no, neutral, sí, sí rotundo) vinculada a una persona y a una etapa concretas, no un opaco “73 % de coincidencia” sin justificación. Y cada rechazo es un evento atribuido y auditado, con un fundamento escrito obligatorio y el nombre de la persona que lo decidió. Ese rastro de decisión —quién revisó, qué recomendó, quién decidió y por qué— es exactamente la documentación que necesitarías para demostrar que una persona tomó la decisión.

Cómo estructurar tu pipeline: una checklist para fundadores

No necesitas esperar a un fallo judicial para blindar tu stack de contratación. Seis movimientos cubren casi toda la exposición:

1. Nunca rechaces automáticamente con base solo en una puntuación de IA. Convierte a una persona en la barrera obligatoria antes de cualquier rechazo. Una decisión registrada con un fundamento, o una recomendación de un revisor, debe preceder a todo “no”.
2. Sustituye las puntuaciones opacas por recomendaciones explicables. Si no puedes explicar en lenguaje llano por qué se avanzó o rechazó a un candidato, no dejes que un número guíe la decisión.
3. Mantén un rastro de auditoría. Registra quién revisó, qué recomendó, quién decidió, el fundamento y las marcas de tiempo. Un historial reconstruible es tu mejor prueba de que una persona tomó la decisión.
4. Añade divulgación y consentimiento en el momento de la candidatura. Incluye una divulgación, un enlace a la política de privacidad y un plazo de retención, aunque creas que estás fuera del alcance de la FCRA. Es un seguro barato y una mejor experiencia para el candidato. Kit lo trae de serie como una configuración de consentimiento de primera clase.
5. Conoce qué ingiere tu proveedor de IA. Si una herramienta scrapea redes sociales, ubicación o datos de terceros y puntúa la elegibilidad, da por hecho que la cuestión de la FCRA está viva. Exige al proveedor certificaciones contractuales de cumplimiento de la FCRA.
6. Recuerda que las obligaciones recaen sobre ti. Si alguna vez se considera que una herramienta es una CRA, las obligaciones de acción adversa te alcanzan a ti como usuaria. Diseña tu pipeline de modo que nunca seas tú quien rechaza automáticamente con base en una puntuación de caja negra.

Cómo está construido Kit para esto

Kit es un ATS nativo de IA diseñado bajo la premisa de que una persona es dueña de cada decisión de contratación. La IA lee rápido para que tu equipo lea con más criterio; nunca decide a oscuras. Los resúmenes de candidaturas y el análisis de CV hacen aflorar la señal, las recomendaciones cualitativas del revisor sustituyen a las puntuaciones opacas, y un fundamento obligatorio más una persona responsable de la decisión cierran cada rechazo. El seguimiento de visualización del CV incluso registra que una persona realmente abrió el expediente. El resultado es el rastro de auditoría que esta demanda está definiendo, de forma implícita, como el estándar de diligencia.

Si ahora mismo estás evaluando herramientas de contratación con IA, hazle una sola pregunta a cada proveedor: ¿puede rechazar a un candidato automáticamente antes de que una persona lea la candidatura? Si la respuesta es sí, estás ante la arquitectura sobre la que se construyen dos demandas federales. Si la respuesta es no, y puedes demostrarlo con un registro de decisión, estás construyendo el pipeline defendible. Esa es la apuesta sobre la que está construido Kit.

El caso Eightfold puede tardar años en resolverse, y la teoría de la CRA puede sobrevivir o no. Pero la dirección es inequívoca: la puntuación secreta se está convirtiendo en un pasivo, y las decisiones explicables y a cargo de una persona se están convirtiendo en el requisito. Puedes empezar gratis y estructurar tu contratación en torno a esa realidad hoy mismo.