La revolución de la IA necesita más mujeres tomando decisiones

Hace casi un mes, el mundo vio la imagen del encuentro entre Donald Trump y Xi Jinping en Pekín. Una comitiva de poder: Elon Musk, Jensen Huang, Tim Cook, Larry Fink, Stephen Schwarzman. Entre todos ellos, dos mujeres. Dos, en una de las cumbres económicas y geopolíticas más importantes del año, donde la inteligencia artificial fue uno de los temas centrales de conversación.

Vi esa foto y me quedé pensando en algo incómodo: ¿cuántas veces he estado en una sala donde se decidía el futuro de algo importante y, sin darme cuenta, era la única mujer? ¿Cuántas veces no lo noté siquiera?

No traigo esto para señalar a quienes estuvieron en esa reunión. Lo traigo porque esa imagen es un espejo de algo que va mucho más allá de un encuentro diplomático: la IA se está construyendo sin la mitad del talento disponible. Y eso, tarde o temprano, tiene consecuencias que todos vamos a pagar.

Un problema que no es de intenciones

Las mujeres representan apenas el 12% de los investigadores en IA y alrededor del 6% de los programadores a nivel mundial, según la UNESCO. Cuando leo esa cifra, la primera pregunta que me hago no es “¿por qué tan pocas mujeres eligen esto?”, sino otra: ¿qué estructuras llevamos décadas construyendo para que esto no fuera siquiera una opción visible?

Porque no es un problema de capacidad ni de interés. Es un problema de señales, explícitas e implícitas, que durante años le dijeron a muchas de nosotras que ciertos espacios no eran los nuestros.

Lo que casi nadie dice en voz alta

Aquí está la pregunta que creo que deberíamos hacernos con más frecuencia: 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?

La respuesta, con evidencia de por medio, es que no lo es. Sistemas de selección de personal que replican sesgos históricos contra las candidatas. Modelos de diagnóstico médico menos precisos en mujeres porque los datos de entrenamiento estaban dominados por hombres. Algoritmos de crédito que penalizan el trabajo de cuidado no remunerado. No son anécdotas aisladas. Son la consecuencia directa de construir tecnología sin perspectivas diversas en la mesa donde se toman las decisiones.

Y si eso es cierto, vale la pena preguntarse: ¿cuántos de los sistemas que ya usamos hoy —en nuestras empresas, en nuestros bancos, en nuestros hospitales— cargan sesgos que todavía no hemos identificado, simplemente porque nadie en la sala tenía una mirada distinta para notarlos?

La ventana sigue abierta, pero no es infinita

A diferencia de otras revoluciones tecnológicas que ya consolidaron sus estructuras de poder —el petróleo, la banca, la manufactura—, la inteligencia artificial todavía está definiendo sus reglas, sus estándares y sus liderazgos. Eso significa que todavía hay margen para actuar. La pregunta es cuánto tiempo más vamos a dejar pasar antes de hacerlo.

Cada año que pasa sin abordar esto de manera estructural es un año más de modelos entrenados con sesgos, de productos diseñados sin perspectivas diversas, de decisiones de inversión tomadas en salas donde todas las mentes piensan parecido.

Hay señales de cambio, y eso también nos exige algo

Según Coursera, Perú registró uno de los avances más importantes de América Latina en participación femenina en cursos de IA generativa: la proporción de matrículas correspondientes a mujeres aumentó 14,5 puntos porcentuales entre 2024 y 2025, por encima de Colombia, México y otros mercados de la región.

El talento está ahí. Pero eso abre una pregunta distinta, quizás más difícil que la anterior: ¿qué estamos haciendo, como organizaciones, para que ese talento no se quede en la puerta de entrada? ¿Lo estamos absorbiendo, reteniendo, y sobre todo, dejando llegar a los espacios donde se toman decisiones? ¿O nos estamos conformando con la foto del curso terminado?

En Perú, las mujeres todavía representan solo el 38% de los títulos en carreras STEM, según datos de la OCDE citados por el diario oficial El Peruano. Hay avance en el acceso a nuevas habilidades, sí, pero la brecha de fondo —la de formación y participación en ciencia, tecnología, ingeniería y matemáticas— sigue ahí. Decir que necesitamos más mujeres en STEAM es fácil. Construir las condiciones para que puedan formarse, desarrollarse y liderar es lo que realmente cuesta.

Tres preguntas que toda organización debería hacerse

¿Cuántas mujeres hay realmente en nuestros equipos técnicos, y en qué nivel? No hablo de las declaraciones de diversidad, sino del pipeline real. ¿Cuántas mujeres hay en los equipos de ingeniería de datos e IA? ¿Cuántas lideran proyectos técnicos? ¿Cuántas participan en las decisiones sobre arquitectura de modelos o estrategia de datos? Si la respuesta es “pocas” o “ninguna”, vale la pena preguntarse qué hay en los criterios de contratación, en los procesos de promoción, en la cultura interna, que sigue definiendo quién “encaja” en esos roles.

¿Estamos invirtiendo en el talento que todavía no existe, o solo compitiendo por el que ya está formado? Las niñas que hoy tienen entre 10 y 15 años son las que van a construir —o a quedar fuera de— la próxima ola tecnológica. La pregunta no es si los programas de pensamiento computacional en colegios públicos son importantes. Es si estamos dispuestos, como empresas, gobiernos y universidades, a financiarlos juntos, en lugar de esperar a que el talento aparezca solo.

¿A quién estamos dejando ver como referente? Una de las razones por las que la subrepresentación persiste es que las referencias importan. Cuando una joven no ve mujeres liderando proyectos de IA, presentando en conferencias técnicas o fundando startups en este sector, recibe un mensaje tácito: ese no es tu espacio. Cambiar eso no depende de un comité. Depende de que quienes ya están adentro —mujeres y hombres— decidan visibilizar referentes, abrir puertas y amplificar voces de manera activa.

No es cuota, es una pregunta de negocio

Quiero ser honesta en algo: esto también es un argumento moral. Pero no es el único, y creo que reducirlo a eso le quita fuerza. Es, sobre todo, una pregunta de negocio: ¿qué tan seguros estamos de que un equipo homogéneo puede detectar sus propios puntos ciegos?

En sectores donde la velocidad de cambio es alta y los errores son costosos —y la IA es exactamente eso— los puntos ciegos no son un detalle. Son un riesgo estratégico. Las organizaciones que construyen equipos genuinamente diversos no lo hacen porque sea lo correcto. Lo hacen porque les funciona mejor.

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.

La ventana todavía está abierta. La pregunta que le dejo a cada organización que se sienta a diseñar el futuro es simple: ¿pueden permitirse seguir construyéndolo sin todo el talento en la mesa?