En un momento en que los algoritmos deciden quién trabaja, quién recibe crédito y cómo se diagnostica una enfermedad, la composición de los equipos que los construyen deja de ser un detalle administrativo para convertirse en una cuestión de justicia y eficacia. La escasa presencia de mujeres en el desarrollo de inteligencia artificial no solo refleja una inequidad histórica, sino que limita la capacidad de los sistemas para detectar sus propios errores. Perú registra avances alentadores en formación femenina, pero la pregunta que persiste es si las organizaciones están dispuestas a convertir e
Mujeres en IA: la diversidad como estrategia para detectar sesgos tecnológicos
Construir el futuro con la mitad del talento disponible no es ambición. Es desperdicio.
Mark
¿Por qué importa tanto que haya mujeres en los equipos que desarrollan IA si el algoritmo debería ser neutral de todas formas?
Mimi
Porque los algoritmos no son neutrales. Se construyen con decisiones humanas en cada paso: qué datos se usan, cómo se interpretan, qué se considera un "resultado correcto". Si todos en la sala tienen la misma experiencia de vida, van a pasar por alto los mismos problemas.
Luke
Pero el artículo dice que "la diversidad por sí sola no garantiza sistemas libres de sesgos". Entonces, ¿cuál es exactamente el mecanismo? ¿Más mujeres automáticamente detectan más sesgos?
Mimi
No automáticamente. Pero equipos con diferentes perspectivas tienen más probabilidad de cuestionar supuestos que un grupo homogéneo daría por sentado. Es sobre ampliar la capacidad de ver problemas.
Mark
Los números de Perú muestran que más mujeres están tomando cursos de IA. ¿Eso es suficiente?
Mimi
No. Galindo lo deja claro: el problema no termina en la formación. Termina cuando esas mujeres llegan a posiciones donde pueden tomar decisiones sobre tecnología. Ahora mismo, muchas se quedan en la puerta de entrada.
Luke
¿Hay datos sobre cuántas mujeres capacitadas en IA en Perú terminan en puestos de liderazgo o desarrollo? El artículo no lo dice.
Mimi
No, no lo dice. Solo sabemos que participación en cursos subió 14,5 puntos porcentuales. Qué pasa después es la pregunta sin respuesta.
Mark
Entonces el verdadero desafío es retención y ascenso, no solo acceso a la formación.
Mimi
Exactamente. Y eso requiere que las organizaciones cambien cómo contratan, desarrollan carreras y distribuyen poder de decisión.
Luke
El artículo cita a UNESCO sobre que mujeres son minoría entre investigadores en IA, pero no da números específicos. ¿Cuál es la proporción real?
Mimi
No se especifica. Lo que sabemos es que es una "proporción minoritaria", pero eso podría significar 30%, 20%, o 10%. La magnitud del problema no está clara.
Mark
¿Y si las mujeres que entran a IA simplemente no quieren permanecer en el sector?
Mimi
Esa es una pregunta válida que el artículo no responde. Podría ser falta de oportunidades, cultura laboral, o ambas. Pero Galindo sugiere que es responsabilidad de las organizaciones mantener ese talento.
Le Pouls
- Los algoritmos de IA ya operan en hospitales, bancos y ministerios, pero fueron diseñados mayoritariamente sin voces femeninas en la sala, lo que compromete su neutralidad desde el origen.
- Los sesgos no son accidentes: emergen de los datos, de las decisiones de diseño y de implementaciones que un equipo homogéneo puede no cuestionar porque sus puntos ciegos son compartidos.
- Perú muestra una señal prometedora: la participación de mujeres en cursos de IA generativa creció 14,5 puntos porcentuales entre 2024 y 2025, y el 38% de las titulaciones STEM ya corresponden a mujeres.
- Sin embargo, la formación sin acceso a liderazgo es potencial desperdiciado: el verdadero desafío está en garantizar que ese talento llegue a donde se toman las decisiones tecnológicas.
- El argumento ya no es solo moral sino pragmático: construir el futuro de la IA con la mitad del talento disponible no es ambición, es ineficiencia estructural.
En un momento en que los algoritmos deciden quién trabaja, quién recibe crédito y cómo se diagnostica una enfermedad, la composición de los equipos que los construyen deja de ser un detalle administrativo para convertirse en una cuestión de justicia y eficacia. La escasa presencia de mujeres en el desarrollo de inteligencia artificial no solo refleja una inequidad histórica, sino que limita la capacidad de los sistemas para detectar sus propios errores. Perú registra avances alentadores en formación femenina, pero la pregunta que persiste es si las organizaciones están dispuestas a convertir ese talento en poder real de decisión.
La inteligencia artificial ya decide quién consigue empleo, quién accede a un crédito, cómo se diagnostica una enfermedad y qué estudiantes avanzan. Estas tecnologías operan en hospitales, bancos y ministerios de educación. Y sin embargo, quienes las construyen siguen siendo mayoritariamente hombres.
Para Jheniffer Galindo, especialista en desarrollo empresarial de Bluetab, esto no es un problema secundario de representación. La composición de los equipos que diseñan sistemas de IA tiene consecuencias directas en la calidad y el sesgo de esas herramientas. Los sesgos pueden originarse en los datos de entrenamiento, en las decisiones de desarrollo o en la implementación real. Equipos con perspectivas diversas amplían la capacidad de detectar esos problemas y cuestionar supuestos que un grupo homogéneo podría dar por válidos.
La brecha comienza antes del mercado laboral. Según cifras de la UNESCO, las mujeres representan una proporción minoritaria entre investigadores y programadores vinculados a IA. El problema recorre todo el trayecto: desde el acceso a carreras tecnológicas hasta los puestos de liderazgo donde se deciden inversiones y prioridades.
Perú, sin embargo, muestra señales de cambio. La participación femenina en cursos de IA generativa creció 14,5 puntos porcentuales entre 2024 y 2025, y el 38% de las titulaciones STEM corresponden a mujeres, según datos de Coursera y la OCDE.
Pero Galindo plantea la pregunta incómoda: ¿qué sucede después? El desafío real no es solo la formación, sino garantizar contrataciones genuinas, trayectorias claras de carrera y acceso a posiciones de decisión. Sin eso, los números de formación se convierten en potencial desperdiciado. Su conclusión es directa: la revolución de la IA no necesita más mujeres por solidaridad. La necesita porque construir el futuro con la mitad del talento disponible no es ambición. Es desperdicio.
La inteligencia artificial está redefiniendo cómo se toman decisiones sobre quién consigue un empleo, quién recibe un crédito, cómo se diagnostica una enfermedad, qué estudiantes avanzan en la escuela. Estas tecnologías ya están operando en hospitales, bancos, empresas de recursos humanos y ministerios de educación. Y sin embargo, quienes las construyen siguen siendo mayoritariamente hombres.
Este desequilibrio no es un problema secundario de representación. Según Jheniffer Galindo, especialista en desarrollo empresarial de Bluetab, la composición de los equipos que diseñan sistemas de inteligencia artificial tiene consecuencias directas en la calidad y el sesgo de esas herramientas. Cuando un algoritmo que va a decidir sobre empleos, salud, crédito, educación y seguridad se construye sin perspectivas diversas en la sala, la pregunta que queda sin respuesta es simple: ¿qué tan neutral puede ser realmente?
Los sesgos en inteligencia artificial no aparecen por accidente. Pueden originarse en los datos utilizados para entrenar los sistemas, en las decisiones tomadas durante el desarrollo, o en cómo se implementan las herramientas en el mundo real. Galindo sostiene que equipos multidisciplinarios con diferentes experiencias y perspectivas amplían la capacidad para detectar estos problemas, cuestionar supuestos que parecen obvios y evaluar impactos que un grupo homogéneo podría no ver. La diversidad por sí sola no garantiza sistemas libres de sesgos, pero es una herramienta poderosa para identificarlos.
La brecha de género en tecnología comienza mucho antes de que alguien ingrese a trabajar en una empresa. Según cifras de la UNESCO citadas por Galindo, las mujeres representan una proporción minoritaria entre investigadores y programadores vinculados con inteligencia artificial. El problema se extiende desde el acceso a carreras tecnológicas, pasando por la formación especializada, hasta las oportunidades de desarrollo profesional. Y se agrava cuando se llega a los puestos de liderazgo, donde se toman decisiones sobre inversión, diseño de productos y prioridades tecnológicas.
Perú, sin embargo, muestra señales de cambio. De acuerdo con datos de Coursera, la participación de mujeres peruanas en cursos relacionados con inteligencia artificial generativa aumentó 14,5 puntos porcentuales entre 2024 y 2025. Cifras de la OCDE indican que el 38% de las titulaciones en carreras STEM —ciencia, tecnología, ingeniería y matemáticas— corresponden a mujeres. Estos números sugieren que más mujeres están adquiriendo las competencias técnicas necesarias.
Pero Galindo plantea una pregunta incómoda que va más allá de estos avances en formación: ¿qué sucede después? Cuando las mujeres capacitadas ingresan al mercado laboral, ¿qué hacen las organizaciones para que ese talento no se quede en la puerta de entrada? El desafío real comprende oportunidades de contratación genuinas, caminos claros de desarrollo de carrera, y acceso a posiciones desde las cuales se toman decisiones sobre tecnología. Sin estos elementos, los números de formación se convierten en potencial desperdiciado.
Para Galindo, aumentar la presencia femenina en inteligencia artificial no debe plantearse únicamente como una cuestión de equidad o justicia social, aunque ambas importan. El argumento es más pragmático: la industria necesita incorporar una mayor variedad de conocimientos y experiencias para construir sistemas más robustos y confiables. Su conclusión es directa: la revolución de la inteligencia artificial no necesita más mujeres por solidaridad. La necesita porque construir el futuro con la mitad del talento disponible no es ambición. Es desperdicio.
Citations marquantes
Cuando una tecnología que va a mediar decisiones sobre empleo, salud, crédito, educación y seguridad se diseña sin diversidad real en los equipos que la construyen, ¿qué tan neutro puede ser realmente el resultado?— Jheniffer Galindo, Business Development Manager de Bluetab
¿Qué estamos haciendo, como organizaciones, para que ese talento no se quede en la puerta de entrada?— Jheniffer Galindo
Envie de l'histoire complète ?
Lire l'original sur Diario Correo ↗
World & Diplomacy