Por Verónica Sánchez, Global Capital Markets Leader en Vass
La participación de la mujer en el desarrollo de la IA ha sido significativa, aunque históricamente subrepresentada. Desde los primeros avances en computación hasta el auge actual de la IA, las mujeres han jugado un papel clave, pero han enfrentado barreras estructurales que han limitado su presencia en el campo.
Las pioneras de la IA
Durante los años 80 y 90, la IA experimentó un crecimiento significativo con el desarrollo de algoritmos de aprendizaje automático y redes neuronales. Fue en esa época cuando las mujeres comenzaron a tener una mayor presencia, con pioneras como:
- Ada Lovelace: primera programadora de la historia que diseñó el primer algoritmo para la máquina analítica de Charles Babbage.
- Grace Hopper: desarrolló el primer compilador y sentó las bases de lenguajes como COBOL.
- Fei-Fei Li: cofundadora de ImageNet, uno de los mayores avances en IA para reconocimiento de imágenes en 2009, ayudando a entrenar redes neuronales profundas.
- Cynthia Breazeal: pionera en robótica social e IA centrada en la interacción humano-máquina. Destaca por sus investigaciones sobre robots interactivos, que pueden aprender de la interacción humana, capaces de comprender y responder a emociones humanas.
- Ruth H. Daley: investigadora que contribuyó al desarrollo de modelos de procesamiento del lenguaje natural, la base para muchas aplicaciones de IA modernas como asistentes virtuales, traducción automática y análisis de sentimientos.
Datos sobre la brecha de género en la IA
Los datos reales de la inclusión de la mujer en la tecnología:
- Solo el 22% de los profesionales de IA en el mundo son mujeres.
- En las grandes empresas tecnológicas, la presencia femenina en IA ronda el 15%-25%.
- El nivel de competencias digitales es similar entre géneros, las mujeres están subrepresentadas en carreras STEM (14,3% en informática y 28,3% en ingenierías).
- Solo el 18% de los especialistas digitales en España son mujeres, una cifra inferior a los medios europeos.
Pero hay otros datos que explican esta brecha:
- En la educación superior: las mujeres representan 30-35% de los estudiantes en carreras relacionadas con STEM a nivel mundial vs 65-70% hombres.
- En la fuerza laboral: las mujeres constituyen 25%-30% de la fuerza laboral en sectores STEM vs 70% o más hombres.
Factores que afectan la representación:
- Estereotipos de género.
- Barreras estructurales.
- Iniciativas educativas y de inclusión: como becas y programas de mentoría.
A pesar de estos desafíos, el número de mujeres en STEM está aumentando lentamente gracias a diversas iniciativas de inclusión y cambios culturales en algunas regiones.
Podemos mostrar estrategias para exponer este sesgo de manera más sencilla y clara:
- Documentar la falta de acceso y apoyo a las mujeres.
- Usar testimonios personales y casos reales.
- Subrayar los efectos del sesgo implícito.
- Realizar campañas de sensibilización y advocación y colaborar con instituciones educativas y empresas.
- Criticar la representación mediática.
- Aumentar la visibilidad ética y la lucha contra el sesgo de género y raza en los algoritmos.
Según estudios recientes, las mujeres representan solo el 24 % de la fuerza laboral en áreas STEM, y en el caso de la inteligencia artificial, la cifra se reduce al 22 %.
El resultado de estas discrepancias no solo se observa en las empresas de alta tecnología, donde las mujeres siguen abandonando sus puestos de trabajo a un ritmo alarmante; también en los productos y servicios que crean estas empresas, donde vemos que el sesgo y la desigualdad están inscritos en el código de las tecnologías más utilizadas.
Algunos casos reales que muestran la desigualdad mencionada:
- En el ámbito laboral:
- Amazon diseño un algoritmo para filtrar CV que penalizaba a las candidatas mujeres. El modelo fue entrenado con datos históricos de la empresa, donde predominaban los hombres en los puestos tecnológicos, y daba menor puntuación a términos asociados con mujeres.
- LinkedIn descubrió que se mostraban puestos abiertos a más varones que mujeres porque los varones buscaban nuevas oportunidades laborales más a menudo.
- En el ámbito salud, ciertos modelos de IA usados en diagnósticos médicos tenían menor precisión en mujeres, los datos con los que fueron entrenados contenían más información sobre pacientes masculinos. Siendo un problema en enfermedades cardiovasculares, donde las diferencias biológicas entre sexos pueden alterar síntomas y patrones de riesgo.
Las mujeres en IA
La brecha digital entre géneros se ha ampliado, el 71% de los trabajadores cualificados en IA son hombres y el 29 % mujeres, lo que representa una diferencia de 42% en la brecha de género en detrimento de las mujeres en la fuerza laboral.
Cuando se trata de habilidades en IA, las mujeres no solo tienen un 5% menos de probabilidades de que se les ofrezcan oportunidades de habilidades en IA, sino que también se sienten menos seguras (30%) que los hombres (35%) de que la capacitación que han recibido las ha preparado adecuadamente para utilizar la tecnología en sus carreras.
Esta brecha digital de género no solo es grave, sino crítica, las mujeres representan solo entre el 15 y el 34% del talento en IA en todos los niveles de experiencia, esto genera la exclusión de la mitad de nuestra fuerza laboral del futuro del trabajo en sí.
Iniciativas para reducir la brecha digital:
- el apoyar la educación en STEM,
- visibilizar a mujeres pioneras en IA,
- crear oportunidades de mentoría y capacitación.
Objetivos para reducir la brecha digital
- Aumentar la cantidad y la tasa de mujeres en los emprendimientos y la innovación en la IA será clave para que el desarrollo de la IA sea inclusivo y motorizado por un elevado número de empresas.
- Aumentar la tasa de mujeres en los equipos de IA, ciencia de datos e ingeniería de software.
- Educar a los varones en el sector de tecnología sobre los sesgos de género, para que puedan evaluar con una lente de género los datos, las decisiones de diseño y el contexto social en el que se está usando la toma de decisiones algorítmica.
Estereotipos de género en el desarrollo de la IA
Uno de los aspectos más debatidos en los últimos años es la feminización de la IA, es decir, la tendencia a diseñar asistentes virtuales y sistemas de IA con voces, nombres y características asociadas a lo femenino. Este fenómeno no es accidental, sino que responde a dinámicas socioculturales preexistentes que perpetúan estereotipos de género en la tecnología.
Este diseño responde a una visión tradicional de género en la que las mujeres han sido socialmente asignadas a roles de cuidado y servicio:
- Alexa y Siri: en sus versiones iniciales utilizaban exclusivamente voces femeninas. Esto refuerza la percepción de que la ayuda y el soporte son roles femeninos.
- Google Assistant: el diseño inicial optó por una voz femenina por defecto.
- Asistentes en el sector empresarial: chatbots diseñados para atención al cliente tienden a usar nombres y voces femeninas, mientras que los sistemas de IA orientados a la seguridad y análisis financiero suelen adoptar voces masculinas.
- Motores de búsqueda, cuando realizamos búsquedas, si indicamos, por ejemplo, “jefe y secretaria” el buscador nos va a mostrar jefe-hombre y mujer-secretaria, en automático. Y hay oficios que son pensados como eminentemente masculinos. Si buscamos “astronauta”, van a aparecer solamente hombres, y ya hay astronautas mujeres.
- Traductores, si queremos traducir algo de inglés a español siempre la herramienta va a ofrecer el resultado en masculino.
Abordar la brecha de género en tecnología requiere un enfoque integral que combine cambios en la educación, políticas laborales, regulaciones gubernamentales y compromisos éticos en el desarrollo tecnológico.
No se trata solo de aumentar la participación de las mujeres en STEM, sino de transformar la cultura organizacional y social para garantizar la igualdad de oportunidades en todos los niveles del sector tecnológico.
Fuentes:
