evidoria

← Volver al listado

Buena práctica Importada

MiDAS — el Algoritmo Automatizado de Fraude por Desempleo de Michigan Que Acusó Injustamente a Decenas de Miles de Personas

Estados Unidos · Lansing · Ver el perfil de Estados Unidos

Evidencia: Descriptivo / autodeclarado Top 97% 20/100 · Pregunte a Evidence Copilot sobre esta práctica

El sistema MiDAS de Michigan resolvió automáticamente fraudes por desempleo sin revisión humana (2013-2015), acusando injustamente a más de 34.000 personas con ~85% de error; acuerdo de 20 millones de dólares en 2022.

85 % (approx.)
Tasa de error en las resoluciones de fraude (2013-2015)
34000 people (more than)
Personas acusadas indebidamente de fraude (2013-2015)
20000000 USD
Importe del acuerdo extrajudicial de la demanda colectiva (2022-2024)
78000000 USD (approx.)
Coste comprometido para sustituir MiDAS por un sistema con revisión humana (2022-2024)

Detalles

Madurez
Descontinuada
Promotor
Michigan Unemployment Insurance Agency (Michigan Department of Labor and Economic Opportunity)
Período
2013–2015 (deployment); 2015–2024 (litigation and settlement)
Palabras clave
unemployment insurance, fraud detection, benefits administration

Contexto

La Agencia de Seguro de Desempleo de Michigan implantó el Michigan Integrated Data Automated System (MiDAS) en octubre de 2013 para detectar y resolver automáticamente casos de fraude en las prestaciones por desempleo, sustituyendo la revisión humana de los casos por un algoritmo que cruzaba los datos de los solicitantes con los registros salariales de los empleadores.

Resultados

Investigaciones de Bridge Michigan, IEEE Spectrum y el auditor general del estado determinaron que el sistema emitía resoluciones de fraude con una tasa de error de aproximadamente el 85%, imponiendo automáticamente sanciones cuadruplicadas y remitiendo los casos a embargo salarial sin que ningún humano revisara las pruebas subyacentes; más de 34.000 personas fueron acusadas indebidamente entre 2013 y 2015, algunas perdiendo su vivienda o declarándose en bancarrota.

Conclusiones

Una demanda colectiva que se prolongó casi nueve años (Bauserman contra la Unemployment Insurance Agency) llegó dos veces al Tribunal Supremo de Michigan; el estado acordó un acuerdo extrajudicial de 20 millones de dólares, finalizado entre 2022 y 2024, y la Agencia de Seguro de Desempleo comprometió unos 78 millones de dólares para sustituir MiDAS por un sistema que restablece la revisión humana de las resoluciones de fraude.

Implementación

Coste indicativo
Muy alto (> 5 M€) — The state agreed to a $20 million class-action settlement (finalized 2022-2024) and committed roughly $78 million to replace MiDAS with a system restoring human review.
Tiempo hasta resultados
Largo (> 3 años) — MiDAS deployed October 2013, active fraud-flagging 2013-2015; Bauserman v. UIA litigation ran nearly nine years, reaching the Michigan Supreme Court twice, with settlement finalized 2022-2024.
Personal y competencias
Michigan Unemployment Insurance Agency (Michigan Department of Labor and Economic Opportunity)

Condiciones para el éxito

  • Restoring mandatory human review of every fraud determination before penalties are imposed, as the state committed to do in the replacement system
  • An effective appeals process before penalties (quadrupled fines, wage garnishment) are applied
  • Independent, adversarial testing/auditing of automated fraud-detection accuracy before statewide rollout

Modos de fallo comunes

  • No human review of algorithmic fraud determinations before quadrupled penalties and wage garnishment were imposed
  • Approximately 85% of fraud determinations were later found to be erroneous
  • No effective appeals process for accused claimants before financial harm occurred
  • Nearly nine years of litigation were required before the state acknowledged and remedied the harm

Dónde encaja

Tipo de gobernanza
state government agency
Escala
state (Michigan)
Nivel de ingresos
high_income

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Prácticas similares que pueden serle útiles