A los algoritmos y las empresas que los crean no les gustan las mujeres (por ahora)

En 2014, la empresa Amazon empezó a diseñar una herramienta de Inteligencia Artificial para agilizar los procesos de selección y contratación. Cuatro años después abandonó el proyecto porque el algoritmo penalizaba a las mujeres sistemáticamente. No solo las descartaba, sino que castigaba todo el vocabulario vinculado a ellas. ¿Por qué? Porque el entrenamiento se hizo analizando las prácticas de contratación previa que habían tenido durante diez años. Para sorpresa de nadie: se habían contratado a más hombres y éstos accedían a puestos de más categoría. Así que el modelo vinculó contrataciones exitosas a contrataciones de hombres y lo reprodujo. Aunque intentaron corregirlo, no pudieron y lo cancelaron.

 La desigualdad empieza muy pronto y se va ensanchando:

• A los seis años, se manifiesta de forma implícita y explícita que las matemáticas son "cosa de chicos".

• Apenas el 35% de las mujeres en el mundo estudian carreras STEM (acrónimo de Ciencia, Tecnología, Ingeniería y Matemáticas, por sus siglas en inglés) y las profesionales del sector se reducen al 28,2%.

• En inteligencia artificial y machine learning, apenas el 22% de profesionales son mujeres.

• En ciberseguridad, uno de los campos con mayor demanda laboral y salarios más altos, las mujeres son menos de 1 de cada 5 profesionales.

Un estudio de ONU Mujeres (2025) que analizó 133 sistemas de IA de distintos sectores determinó que el 44% presentaba sesgos sexistas, y el 25% mostraba sesgos sexistas simultáneamente con sesgos raciales.

Cuando Facebook generó anuncios de trabajos mejor pagados, los mostró preferencialmente a hombres blancos, mientras que a mujeres y personas negras se les ofrecían posiciones peor remuneradas. Google Search, hasta hace poco, mostraba resultados sexistas y pornográficos para búsquedas que incluían términos como 'niñas negras' o 'latinas'. Hay herramientas de diagnóstico médico que minimizan síntomas en mujeres porque se entrenaron con datos de hombres. A Uber la demandaron porque el sistema de reconocimiento facial que permitía avanzar en el proceso de verificación para conducir, fallaba al reconocer a uno de cada cinco rostros femeninos de piel más oscura, mientras que nunca lo hacía con rostros de hombres blancos.

El lenguaje común que utilizamos para describir el mundo y las formas de interacción están tan infiltrados de sesgos que los datos que extraemos de él perpetúan automáticamente esa discriminación. Un mundo organizado (y cada vez más delegado) por algoritmos concebidos y creados fundamentalmente por hombres es un mundo que tiende a ignorar las necesidades de la mitad de la población por sistema.

Geolocalizada tú, geolocalizado el sesgo

La discriminación que sufren las mujeres en el mundo científico-técnico es global, pero se manifiesta de forma diferentes según la región. Sofía (España, 25 años), Juliana (México, 17 años) y Amara (Kenya, 32 años) son representaciones ficticias que ilustran los datos.

¿Cómo sería su vida si... ? Continuase la tendencia actual en acceso a formación STEM y al mundo laboral en disciplinas científico-técnicas. Si la brecha disminuyese y más mujeres accediesen a formación y profesiones científico-técnicas. Si la brecha creciese y se redujese el número de mujeres con acceso a formación y carreras profesionales científico-técnicas. Puedes verlo 👇

Realidad y desigualdad aumentada

Ya hemos visto que la segregación arranca a los seis años. Pero es que las mujeres racializadas, pertenecientes a pueblos originarios, con discapacidad o de entornos socioeconómicos con dificultades enfrentan aún más barreras. Por ejemplo, una mujer de una zona rural de Bangladesh no solo enfrenta estereotipos de género, sino dificultades de conectividad y acceso a hardware.

Se ha evidenciado que utilizar Inteligencia Artificial para conceder acceso a financiación (créditos) penaliza a las mujeres porque las herramientas se han entrenado con datos sesgados (los créditos se han concedido a los hombres).

Incluso aquellas que llegan al mundo laboral se topan con la brecha salarial, ya sea porque acceden a roles menos visibles y peor pagados o porque, directamente, les pagan menos que a los hombres por el mismo rol. Esta superposición de vulnerabilidades reduce la autonomía personal y crea ciclos de pobreza intergeneracional.

Según la UNESCO, al ritmo actual de progreso, tardará más de un siglo en lograr paridad de género en educación científico-técnica. Más de 100 años más de desigualdad, de talento no utilizado, de problemas sin resolver porque la mitad de la humanidad quedó afuera del proceso.

Es imperativo propiciar la educación científico - técnica de las niñas a temprana edad e imperativo sembrar los entornos profesionales y de investigación de más mujeres en áreas STEM, y que se las reconozca y premie en equidad. De lo contrario, seguiremos infectando el mundo digital del mismo sexismo que ya tiene el analógico.