evidoria

← Voltar à navegação

Boa prática Importada

MiDAS — o Algoritmo Automatizado de Fraude ao Subsídio de Desemprego do Michigan Que Acusou Injustamente Dezenas de Milhares de Pessoas

Estados Unidos da América · Lansing · Ver o perfil de Estados Unidos da América

Evidência: Descritivo / autorreportado Top 97% 20/100 · Pergunte a Evidence Copilot sobre esta prática

O sistema MiDAS do Michigan decidiu automaticamente casos de fraude ao subsídio de desemprego sem revisão humana (2013-2015), acusando injustamente mais de 34.000 pessoas com ~85% de erro; acordo de 20 milhões de dólares em 2022.

85 % (approx.)
Taxa de erro nas decisões de fraude (2013-2015)
34000 people (more than)
Pessoas indevidamente acusadas de fraude (2013-2015)
20000000 USD
Valor do acordo extrajudicial da ação coletiva (2022-2024)
78000000 USD (approx.)
Custo comprometido para substituir o MiDAS por um sistema com revisão humana (2022-2024)

Detalhes

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

Contexto

A Agência de Seguro de Desemprego do Michigan implementou o Michigan Integrated Data Automated System (MiDAS) em outubro de 2013 para detetar e decidir automaticamente casos de fraude no subsídio de desemprego, substituindo a revisão humana de casos por um algoritmo que cruzava os dados dos requerentes com os registos salariais dos empregadores.

Resultados

Investigações do Bridge Michigan, da IEEE Spectrum e do auditor-geral do estado concluíram que o sistema emitia decisões de fraude com uma taxa de erro de cerca de 85%, impondo automaticamente penalizações quadruplicadas e encaminhando casos para penhora de salários sem que qualquer ser humano revisse as provas subjacentes; mais de 34.000 pessoas foram indevidamente acusadas entre 2013 e 2015, algumas perdendo as suas casas ou declarando falência.

Conclusões

Uma ação coletiva que se prolongou por quase nove anos (Bauserman v. Unemployment Insurance Agency) chegou duas vezes ao Supremo Tribunal do Michigan; o estado acordou um acordo extrajudicial de 20 milhões de dólares, finalizado entre 2022 e 2024, e a Agência de Seguro de Desemprego comprometeu cerca de 78 milhões de dólares para substituir o MiDAS por um sistema que restabelece a revisão humana das decisões de fraude.

Implementação
Custo indicativo
Muito elevado (> 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.
Tempo até resultados
Longo (> 3 anos) — 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.
Equipa e competências
Michigan Unemployment Insurance Agency (Michigan Department of Labor and Economic Opportunity)

Condições de sucesso

  • 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 falha comuns

  • 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

Onde se enquadra

Tipo de governação
state government agency
Escala
state (Michigan)
Nível de rendimento
high_income

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Práticas semelhantes que podem ser úteis