Uber multado con 825 millones de euros por el regulador neerlandés por desactivaciones de conductores impulsadas por algoritmos.
La autoridad neerlandesa de protección de datos (Autoriteit Persoonsgegevens, AP) ha multado a Uber con 825 millones de euros por utilizar un algoritmo automatizado para desactivar cuentas de conductores sin supervisión humana adecuada, una violación directa del Reglamento General de Protección de Datos (RGPD) de la UE. La multa, anunciada el 21 de agosto de 2026, es una de las mayores sanciones por RGPD hasta la fecha y señala un endurecimiento regulatorio hacia los procesos opacos de toma de decisiones basados en IA.
Qué sucedió
Según el regulador, el sistema de Uber terminaba automáticamente las cuentas de conductores basándose en evaluaciones algorítmicas de su comportamiento, incluyendo detección de fraude o métricas de rendimiento. La AP determinó que Uber no proporcionó suficiente transparencia sobre cómo se tomaban esas decisiones, ni ofreció a los conductores un canal efectivo para impugnar las desactivaciones. Esto vulnera el Artículo 22 del RGPD, que otorga a los individuos el derecho a no ser sometidos a decisiones basadas únicamente en procesamiento automatizado que produzcan efectos legales (como la terminación de un contrato) sin intervención humana.
Detalles clave
- Monto de la multa: 825 millones de euros (aproximadamente 960 millones de dólares al tipo de cambio actual).
- Regulador: Autoriteit Persoonsgegevens (Autoridad Neerlandesa de Protección de Datos).
- Vulneración: Desactivaciones automatizadas de cuentas sin revisión humana significativa ni salvaguardas para los conductores.
- Impacto del RGPD: Posiblemente bajo el Artículo 22, que restringe la toma de decisiones totalmente automatizada con consecuencias legales.
Implicaciones para los agentes de IA
Este fallo es una llamada de atención para cualquier equipo que despliegue agentes de IA que tomen decisiones con consecuencias importantes sobre las personas. Si tu agente se utiliza para aprobar préstamos, clasificar candidatos o, como en el caso de Uber, terminar cuentas, debes asegurarte de:
1. Incorporar revisión humana en el proceso para decisiones adversas. 2. Proporcionar a los afectados explicaciones claras de la lógica de la IA. 3. Establecer un proceso de apelación sencillo. 4. Auditar el cumplimiento del Artículo 22 del RGPD y normativas similares.
Para los desarrolladores, esto implica diseñar sistemas que registren los insumos de decisión, proporcionen explicabilidad y tengan mecanismos de anulación manual. La era de ejecutar un algoritmo como una caja negra ha terminado: los reguladores están vigilando.
📖 Lee la fuente completa: HN AI Agents
👀 Ver también

Claude carece de memoria de ingeniería: Incidente de guardia revela falta de recuerdo episódico en procesos de depuración
Un desarrollador pasó 10 horas depurando un problema de ráfaga de Kafka en un monorepo de 1500 archivos, solo para darse cuenta de que había resuelto exactamente el mismo problema 4 meses antes, revelando que los asistentes de codificación con IA como Claude carecen de memoria episódica para las travesías de depuración pasadas.
Notas de migración de OpenClaw 2026.9.6: fragmentos con replace:true, claves de configuración retiradas y modelos de sesión estrictos
Un mantenedor de un cliente WebSocket personalizado detalla tres cambios disruptivos entre OpenClaw 2026.9.1 y 2026.9.6: fragmentos duplicados del asistente, una clave de configuración retirada que bloquea la CLI y selecciones estrictas del modelo de sesión.

llama.cpp con cuantización Q8_0 obtiene una aceleración de 3.1x en GPUs Intel Arc con la corrección de reordenamiento SYCL.
Una corrección para el backend SYCL de llama.cpp lleva la cuantización Q8_0 en GPUs Intel Arc del 21% al 66% del ancho de banda de memoria teórico, logrando 15,24 tokens/segundo frente a 4,88 tokens/segundo anteriormente en una Arc Pro B70 con Qwen3.5-27B.

Debate MCP vs Habilidades: Comprender los Roles y el Verdadero Problema de la Degradación del Contexto
Una publicación de Reddit aclara que MCP proporciona herramientas, autenticación y dirección de contexto para agentes de IA, mientras que las Habilidades son prompts reutilizables que definen el comportamiento del agente. El autor argumenta que ambos son necesarios e identifica la degradación del contexto como un problema crítico donde los agentes olvidan instrucciones.