Intelligenza Artificiale · Genere · Futuro

Donne, intelligenza artificiale ed il cappello di Ade

“You have to act as if it were possible to radically transform the world.”

— Angela Davis

L’architettura del potere nei sistemi di intelligenza artificiale

“Devi agire come se fosse possibile trasformare radicalmente il mondo”, ce lo dice Angela Davis ed in qualche modo ci suggerisce che coloro che hanno il potere di narrare il mondo hanno anche il potere di definire chi ne fa parte.

Ma c’è una parola che manca quasi sempre, quando si parla di donne ed intelligenza artificiale. Non manca nei report, anzi quelli abbondano, sempre più numerosi, sempre più rigorosi. Non manca nei convegni, dove viene evocata con la solennità che si riserva alle cause giuste. Manca nella domanda che nessuno fa davvero: chi decide cosa viene misurato?

Perché i dati esistono. Il working paper di Harvard Business School, che sintetizza 18 studi su 140k persone in 26 paesi esiste. Il rapporto ILO del 2026 che misura l’esposizione occupazionale, esiste. I dati Eurostat, i report OCSE, le analisi del World Economic Forum: esistono tutti. Ma i dati dicono sempre due cose insieme: quello che misurano e quello che scelgono di non misurare. E nella storia della tecnologia, la seconda categoria è quasi sempre più rivelatrice della prima.

Sono osservatrice curiosa, prima ancora che esperta di innovazione e tecnologia, e sono in grado di riconoscere un pattern quando lo vedo.

86% dei lavoratori più vulnerabili all’AI negli USA sono donne (Brookings)  17% le donne tra gli specialisti ICT in Italia (Eurostat 2024)  <1,5% delle ragazze di 15 anni aspira a carriere ICT vs quasi il 10% dei ragazzi  

Il Pattern Più Antico

Ed il pattern più antico lo scopriamo con Ipazia di Alessandria, che guidava la scuola neoplatonica nel V secolo. Britannica la descrive come la maggiore matematica ed astronoma del suo tempo: lo scrivono le fonti antiche, lo confermano i documenti, lo attestano persino i suoi avversari. E venne uccisa. Venne uccisa nel 415 d.C. da una folla legata all’ambiente del vescovo Cirillo. La storia la ricorda come martire. Meno spesso come ciò che era veramente: una scienziata eliminata non nonostante la sua competenza, ma a causa di essa, perché quella competenza, in quel corpo, in quel ruolo, era diventata insopportabile.

Dodici secoli dopo, Elena Cornaro Piscopia è la prima donna dell’età moderna ad ottenere una laurea universitaria. Anno 1678, Padova. Ma le fu negato il dottorato in teologia – la disciplina che aveva studiato – con una giustificazione di poche parole: era donna. Le proposero la filosofia. Lei accettò, perché non c’era alternativa. Il pattern è già tutto lì, cristallizzato: l’accesso viene concesso, ma entro un perimetro che altri disegnano.

Ada Lovelace, nel 1843, scrive le prime note sull’Analytical Engine di Babbage. Non si limita a tradurre: capisce che la macchina può operare su simboli, non solo su numeri – su qualsiasi sistema di oggetti per il quale si possa trovare una corrispondenza con operazioni formali. È la porta dell’informatica moderna. È il territorio in cui oggi vivono i modelli generativi, i sistemi multimodali, l’intera architettura del pensiero computazionale. Ce lo disse lei, a metà ‘800. La storia dell’informatica la cita come curiosità.

Grace Hopper costruisce il compilatore A-0 e contribuisce alla diffusione di COBOL: trasforma la macchina da oggetto per specialisti in infrastruttura leggibile, avvicinando il linguaggio della macchina al linguaggio umano.

E poi Margaret Hamilton che guida il team che scrive il software di bordo dell’Apollo – non contribuisce, guida – e fonda la disciplina stessa del software engineering, dandole quel nome. Katherine Johnson calcola a mano le traiettorie dei voli Mercury con una precisione tale che i computer dell’epoca non potevano facilmente e sempre garantire. Lo fa in un’istituzione che la obbligava ad usare un bagno separato dai colleghi bianchi, perché era di colore. Karen Spärck Jones inventa l’IDF – l’inverse document frequency – senza la quale i motori di ricerca non avrebbero potuto imparare a distinguere le parole importanti da quelle comuni. È una delle fondamenta storiche algoritmiche su cui poggiano, oggi, i grandi modelli linguistici grazie all’information retrieval ed al trattamento statistico del linguaggio naturale.

Queste non sono eccezioni biografiche. Sono una struttura. Un meccanismo che si riproduce con la stessa geometria attraverso i secoli: le donne aprono varchi fondativi nella storia della tecnologia, ed il sistema, con metodi ogni volta nuovi ma sempre riconoscibili, richiude quei varchi o semplicemente li dimentica. Li rende invisibili.

“I dati dicono sempre due cose insieme: quello che misurano e quello che scelgono di non misurare. E nella storia della tecnologia, la seconda categoria è quasi sempre più rivelatrice della prima.”

Il Dato Mal Letto

Ma torniamo al 2026. C’è un numero che circola, viene citato, condiviso, incollato nelle presentazioni. Dice che le donne usano l’intelligenza artificiale generativa circa il 25% in meno degli uomini. Il dato viene da Harvard Business School – è robusto, cross-country, difficile da contestare. Ma il modo in cui viene quasi universalmente letto rivela qualcosa di più interessante dei numeri stessi. Viene letto come ritardo. Come assenza. Come una corsa in cui alcune non hanno ancora trovato i blocchi di partenza. Questa lettura è sbagliata. Non perché il dato sia falso, ma perché sceglie il frame più misero tra quelli disponibili.

Un’analisi OCSE mostra che, a parità di occupazione – stesso settore, stesso datore di lavoro, stesso luogo fisico di lavoro – le donne dichiarano tassi di utilizzo dell’AI inferiori di 20 punti percentuali rispetto agli uomini. L’interpretazione degli autori è concreta: molte donne dichiarano di aver bisogno di formazione prima di sentirsi pronte ad usare lo strumento. Gli uomini, in proporzione significativamente maggiore, sperimentano senza aspettare di sentirsi pronti. Questo a mio avviso non misura la capacità.

Misura il margine di errore percepito come tollerabile. E quel margine, nella storia delle istituzioni e dei mercati del lavoro, non è mai stato uguale.

Anche una ricerca Lean In del 2026 evidenzia un dato significativo: le donne che usano l’AI sul lavoro ricevono meno riconoscimento degli uomini. Lo stesso atto – adottare uno strumento nuovo, integrarlo nel flusso di lavoro, mostrare competenza digitale – produce ricompense diverse a seconda di chi lo compie. Non un po’ diverse. Diverse, strutturalmente, come effetto prevedibile di un sistema che non è neutro rispetto al genere di chi si muove al suo interno.

Nello stesso rapporto si rileva anche che le donne sono il 38% più propense degli uomini a dichiarare riserve etiche sull’AI. Nei commenti online, questo diventa prova di timidezza, di un conservatorismo che rallenta la corsa. Io lo leggo in modo diverso: è il segnale di chi ha imparato, attraverso una memoria collettiva costruita in secoli, che le macchine non sono mai state neutrali. Che ogni sistema porta dentro chi lo ha progettato, chi ha scelto i dati su cui si addestra, chi ha deciso cosa misurare e cosa ignorare. Bene, la vigilanza critica non è irrazionalità. È conoscenza depositata nella pratica.

Vale la pena correggere anche una delle imprecisioni diffuse in circolazione. I dati Randstad sulla Francia vengono spesso citati come “uso quotidiano dell’AI”: 33% delle donne contro 35% degli uomini. Ma il report non parla di uso quotidiano. Parla di accesso ed utilizzo dell’AI nelle mansioni di lavoro, di formazione ricevuta, di capacità percepita. E quello che emerge, guardando meglio il numero di superficie, è questo: solo il 24% delle donne in Francia ha ricevuto formazione sull’AI dal proprio datore di lavoro, contro il 40% degli uomini. Solo il 22% si sente sufficientemente preparata, contro il 38% degli uomini. Non è una differenza di volontà. È una differenza di investimento. Di chi viene considerato abbastanza importante da essere formato.

Formazione, accesso e percezione di competenza — Donne vs Uomini, Francia & OCSE 2026

La Trappola che il Dibattito non Vuole Vedere

C’è ed è una dimensione di questa storia che quasi mai nessuno nomina. Ed è quella che trovo più inquietante. Mentre l’adozione è più bassa, l’esposizione all’impatto è più alta. Non leggermente più alta. Strutturalmente, sistematicamente, indiscutibilmente più alta.

L’ILO ha rilevato nel 2026 che il 28% delle occupazioni femminilizzate è esposto alla GenAI, contro il 16% di quelle maschili. Il 16% dei lavori femminili cade nella fascia di rischio più alta – quella in cui la trasformazione sarà più rapida, più profonda, meno governabile – contro appena il 3% di quelli maschili. Brookings stima che negli Stati Uniti circa 6,1 milioni di lavoratori combinino alta esposizione all’AI e bassa capacità di adattamento: l’86% di questi lavoratori è composto da donne, concentrate soprattutto tra impiegate in ruoli amministrativi, segretariali e di supporto d’ufficio, che l’AI può sostituire più rapidamente.

Fermiamoci su questo numero: 86%. Non è una tendenza. È già una configurazione. È la mappa di chi paga il costo della trasformazione tecnologica senza aver avuto accesso agli strumenti per governarla.

Ma non perché le donne siano meno capaci di adattarsi. Piuttosto perché l’accesso alla formazione – quello che consente di muoversi con l’AI invece di essere mossi da essa – è stato distribuito secondo logiche che i dati ora rendono visibili con una chiarezza che fa sobbalzare.

Il collo di bottiglia, rivelano i dati OCSE, si forma prestissimo. Pensate che a quindici anni, meno dell’1,5% delle ragazze nell’area OCSE aspira a diventare professionista ICT – Information and Communication Technology – contro quasi il 10% dei ragazzi. Le ragazze non ottengono risultati inferiori nei test scientifici – anzi in molti paesi li superano. Quello che manca non è la capacità. È l’immaginario che forma il pattern: chi viene rappresentato in quei ruoli, chi viene indicato come modello, chi riceve il messaggio, implicito ma potentissimo, che quel territorio gli appartiene.

In Italia, un paese che parla di AI ogni giorno su ogni testata, le donne sono il 17% degli specialisti ICT. Meno di 1 su 5.

La statistica è molto chiara ma nessuno vuole guardarla e considerarla davvero.

Esposizione all’impatto dell’AI: il paradosso strutturale — ILO 2026, Brookings Institution

Chi Sta Costruendo il Futuro, Adesso

Le donne ci sono. Sono già dentro l’AI, ne posso essere testimone, sono nei punti in cui si costruisce il senso, non solo nei punti in cui si distribuisce il prodotto. Fei-Fei Li ha creato ImageNet – il dataset che ha reso possibile la rivoluzione del deep learning, che ha insegnato alle macchine a vedere il mondo. Ha detto una cosa che mi è rimasta impressa:

“There’s nothing artificial about artificial intelligence.”

Non c’è niente di artificiale nell’intelligenza artificiale. Porta dentro chi la progetta, chi la finanzia, chi decide cosa vale come dato e cosa non vale, chi sceglie i corpi e le vite su cui viene sperimentata. Oggi con World Labs lavora sulla spatial intelligence – la capacità delle macchine di ragionare ed interagire con lo spazio tridimensionale. È anche cofondatrice di AI4ALL, nata con un obiettivo preciso: fare in modo che la prossima generazione di ricercatori AI somigli all’umanità che quell’AI dovrebbe servire.

Dal canto suo Regina Barzilay ha sviluppato MIRAI, addestrato su quasi due milioni di mammografie per stimare il rischio di tumore al seno anni prima che i segnali diventino visibili ad occhio umano. Questa non è rappresentanza. È la dimostrazione concreta che la presenza delle donne nell’AI cambia le domande che la tecnologia decide di affrontare. Cambia cosa viene considerato abbastanza urgente da valere un investimento in ricerca.

Joy Buolamwini ha fatto qualcosa che richiede un tipo particolare di coraggio: ha mostrato, con dati rigorosi e riproducibili, che i sistemi commerciali di classificazione del genere funzionavano significativamente peggio sui volti delle donne dalla pelle più scura. Il paper Gender Shades, scritto con Timnit Gebru, non era militanza. Era scienza applicata del tipo più scomodo – quella che dimostra che l’errore non è casuale, che le conseguenze non si distribuiscono in modo uguale, e che i sistemi usati per assunzioni, diagnosi e sorveglianza amplificano discriminazioni già esistenti. L’Algorithmic Justice League che ha fondato non chiede macchine buone. Chiede macchine verificabili, e la differenza è abissale.

Amanda Askell lavora ad Anthropic sull’allineamento e sul fine-tuning dei modelli – addestrandoli ad essere più onesti, a sviluppare tratti caratteriali robusti, a mantenere queste proprietà anche quando la potenza computazionale scala. Sta decidendo, letteralmente, che tipo di AI vogliamo costruire. Non come user, come architetta.

Queste donne non sono eccezioni che confermano una regola. Sono la dimostrazione che quando le donne hanno accesso – accesso reale, non quello consentito entro un perimetro disegnato da altri – cambiano le domande che la tecnologia pone, i problemi che decide di risolvere, i valori che porta dentro la propria architettura.

“Non è una corsa. È una struttura di potere.”

Margaret Hamilton, al Computer History Museum, ha descritto gli anni del programma Apollo con una frase che ho riletto molte volte: “There was no choice but to be pioneers; no time to be beginners.” Non c’era scelta se non essere pioniere. Non c’era tempo per essere principianti. Bene, quella frase non è una nota storica. È piuttosto una diagnosi del nostro presente.

Ogni donna che entra in un campo tecnico oggi sa – nel corpo, nella pratica quotidiana, nel modo in cui le viene o non le viene chiesto di giustificare la propria competenza – che il margine di errore tollerato non è lo stesso. Che la prova di capacità viene richiesta ancora, di nuovo, e ancora. Che sperimentare subito, senza sentirsi pronte, senza formazione, senza rete – come fanno statisticamente in proporzione maggiore gli uomini – è un gesto che ha costi diversi per chi non parte dalla stessa posizione di presunzione di competenza.

La Risposta Giusta

Ma la soluzione che circola più spesso in convegni e post – più donne che adottano l’AI, più in fretta – è comunque una risposta sbagliata ad una domanda mal posta. Non perché l’adozione non conti. Conta, certo. Ma questa domanda mal posta converte un problema strutturale in un obbligo individuale, e scarica su ogni singola donna il peso di correggere un’asimmetria costruita in secoli da decisioni collettive.

La risposta giusta è più difficile e più necessaria. Bisogna che la formazione sull’AI venga distribuita con la stessa urgenza con cui si investe in infrastrutture – ma non come benefit aziendale opzionale, piuttosto come necessità primaria. Bisogna che il riconoscimento segua la competenza reale, non la competenza percepita attraverso filtri di genere. Bisogna che le donne siano presenti – non come quota rosa, ma come voce – là dove si costruiscono architetture, si scelgono dataset, si definiscono benchmark, si scrivono le policy che regolano chi viene servito dalla tecnologia e chi viene ottimizzato via da essa.

Teniamo bene a mente che l’AI non è uno strumento neutro che aspetta di essere usato. È un’infrastruttura che porta dentro le scelte di chi la costruisce. Ogni dataset è una decisione su cosa conta. Ogni sistema di allineamento è una decisione su quali valori devono prevalere. Ogni benchmark è una decisione su cosa misura il successo. E se quelle decisioni vengono prese in stanze dove le donne sono meno di 1 su 5 – come ci dicono i dati italiani ed europei, come ci dicono i numeri sulla ricerca scientifica, come ci dice la geometria stessa del potere tecnologico – non stiamo perdendo solo talento. Stiamo costruendo un futuro con una visione parziale, convinti di descrivere l’umanità intera.

Da curiosa e studiosa, so riconoscere questo errore. L’ho visto in ogni epoca in cui una parte della conoscenza umana veniva esclusa dalla stanza in cui si decideva il mondo. Non è mai finita bene per nessuno – nemmeno per chi pensava di stare vincendo.

Ma questo pattern così antico, immutabile da sempre, almeno questa volta, potrebbe essere reversibile. Ed allora vorrei invitare tutte le donne a ricordare sempre le parole di Angela Davis: “devi agire come se fosse possibile trasformare radicalmente il mondo”. E per quanto vogliano farci indossare, da sempre, il cappello di Ade che ci ammanta di invisibilità, sta a noi scegliere se accettare di indossarlo oppure lasciarlo finalmente cadere, definitivamente.

Fonti

Harvard Business School Working Paper “Global Evidence on Gender Gaps and Generative AI”; OECD Digital Economy Outlook 2024, Vol. 2; Lean In Research 2026; ILO “Gen AI, Occupational Segregation and Gender Equality in the World of Work” 2026; Brookings Institution; World Economic Forum Gender Parity Reports 2025–2026; Eurostat ICT Specialists 2024; EIGE dati Italia; Stanford HAI (Fei-Fei Li); MIT CSAIL (Regina Barzilay); Algorithmic Justice League (Joy Buolamwini); Anthropic (Amanda Askell); Britannica (Hypatia, Ada Lovelace); Computer History Museum (Margaret Hamilton, Katherine Johnson); BCS — The Chartered Institute for IT (Karen Spärck Jones). L’Errore Guardando al Futuro