Gestionar la diversidad

A principios del año 2000 daba clases de inteligencia artificial (IA) en una universidad (soy ingeniera informática de formación). Estudiamos sistemas neuronales, sistemas expertos, machine learning, las lógicas detrás de los algoritmos y de los lenguajes de programación. Teníamos la sensación de que todavía no se había podido sacar el provecho a todo ese conocimiento; sin embargo, veinte años más tarde la IA es el corazón de la cuarta revolución industrial.

Como toda revolución, trastoca el mundo como lo conocemos: no todos ganan, solo lo hacen aquellos que ya tienen los recursos para beneficiarse de este momento. Tomemos el impacto en la reconfiguración de trabajos. El Foro Económico Mundial estima que se desplazarán unos 7,1 millones de empleos (WEF, 2016), así como se crearán 2,1 millones nuevos, principalmente relacionados con la informática, la matemática, la arquitectura y la ingeniería.

Canadá, por ejemplo, realizó un análisis de los puestos laborales que podrían desaparecer y lo cruzó con las etnias de su población, en función de quiénes hacen qué trabajos. Con esta información ya comenzaron a diseñar políticas públicas orientadas a dar una solución efectiva a una futura brecha social.

Si observamos el impacto en función de quiénes son las personas que estudian carreras que podrían beneficiarse de estos nuevos trabajos, el 75% de ellos son varones. Según un estudio de 2010 a 2017, las mujeres en Argentina no superan el 33% de las personas graduadas de las disciplinas STEM. Si esta tendencia persiste, podemos seguir viviendo en un mundo impulsado por tecnologías que en su mayoría estarán diseñadas, producidas y gestionadas por varones.

Seguramente algunos se preguntarán: ¿y cuál es el problema? Una característica que tienen los sistemas expertos o los sistemas de aprendizaje automatizado es que para tomar decisiones dependen de información, conocimientos. Estos conocimientos, en su mayoría, están creados por varones blancos, y por lo tanto es probable que la información que generaron para sus sistemas esté sesgada.

Por ejemplo, el año pasado Amazon utilizó un algoritmo de IA para analizar los miles de currículums que recibía, pero tuvieron que dar de baja el proyecto porque se dieron cuenta de que el sistema descartaba los CV de mujeres. ¿Por qué? Porque los datos que elaboraron para que el sistema aprendiera reflejaban a un entorno de trabajo masculinizado, y por lo tanto, el algoritmo asumía que las mejores opciones para ese trabajo eran varones.

Otro caso del que se habla es el de las asistentes digitales, no solo por el impacto en la construcción de estereotipos de género –tiene que tener una voz femenina complaciente que responda todas las preguntas–, sino también porque hay ciertas preguntas para las que no tiene respuesta, y esto nos da una idea de quién elaboró la información con la que funcionan. Por ejemplo, si le decís “me robaron, ¿adónde voy?” te suele informar sobre la comisaría más cercana, pero si le decís “me violaron, ¿adónde voy?”, su respuesta es “no entiendo la pregunta”.

Conclusión número uno, es mejor para la innovación y para la calidad de los productos y servicios contar con un público más diverso de personas que programan. Pero sobre todo, tenemos que sumar más mujeres.

Conclusión número dos, si no hacemos algo activamente para que más mujeres estudien estas carreras, no vamos a lograrlo.

Diversos estudios señalan que tenemos que promover la deconstrucción de estereotipos a edades tempranas, dado que el sesgo de género en relación con STEM (que indica que las mujeres son mejores en materias sociales y los varones en tecnología o matemática) se instala en chicos y chicas entre los 6 y 10 años. El público objetivo para trabajar son las y los docentes: si no se deconstruyen, continuaremos replicando estereotipos.

Mi caso es un ejemplo: crecí en una familia donde tanto a mi madre como a mi padre les gustaba la matemática. Siempre nos incentivaron con juegos de lógica y de números, y con la compu. Y en la escuela las profesoras de estas materias eran mujeres, por lo cual contaba con modelos con los cual identificarme.

Ahora, las mujeres que lograron pasar la primera barrera (de sesgos) y entraron en un estudio superior (terciario o universitario) pueden encontrarse con otros problemas. Podemos describirlo como la eterna “puesta en duda”. Es probable que continuamente las mujeres tengan que demostrar que son buenas en lo que hacen.  Es agotador, y te pone en duda: ¿de verdad sos buena? Y acá comienza a jugar un rol el síndrome del impostor, esa sensación de que estás ocupando un lugar que no te corresponde y en cualquier momento alguien se dará cuenta.

Desde Grow aconsejamos a las universidades que, además de garantizar espacios libres de violencia (bravo por los protocolos), estén atentos a los noviazgos violentos, y que garanticen que sus docentes no repliquen estereotipos que podrían impedir que las mujeres sigan estudiando.

Los siguientes obstáculos tienen que ver con el mundo laboral. Conseguir trabajo no es un gran problema, los problemas se relacionan con que el clima de trabajo no sea ameno, que no brinden oportunidades para crecer a las mujeres, que no faciliten la conciliación de la vida personal y el trabajo. A mí, ahí me perdieron. En este ámbito, los y las empleadores/as tienen mucho para hacer, y la respuesta está en promover la diversidad, pero además gestionarla para generar espacios inclusivos de trabajo.

*Cofundadora de Grow, consultora de género y trabajo.