Dess Carías.
Blog

¿A las mujeres nos cuesta más construir con IA?

En Inspira Network, estoy desarrollando una herramienta digital para fundadoras. El brief que le di a mi LLM explica claramente quién es mi audiencia, el problema que vamos a resolver para ellas, la UX que vamos a ofrecer, mi branding y el tono de comunicación a usar, entre otros detalles; de alguna manera, en algún punto, entre los requisitos y la primera pantalla, aparecen corazones y una invitación a «volver a ti».

El corazón se quita rápido; lo que me toma tiempo es revisar qué otras decisiones tomó el LLM a partir de su idea de quién va a usar el producto. Si empezó a asumir y tomar decisiones sobre algo que estaba tan claro como el texto, el tono y el branding, ¿qué errores voy a encontrar en el backend de la herramienta? ¿Simplificó una función o la complicó más de lo que debía? ¿Se perdió una restricción que ya habíamos acordado? ¿Voy a tener que explicarlo otra vez cuando pasemos de la interfaz al código?

Hace poco encontré un dato que me hizo entrar en todo un agujero negro de investigación. Anthropic cruzó respuestas de una encuesta con registros de uso de Claude. En esa muestra, las mujeres tenían una menor proporción de sesiones en Claude Code y registraban más minutos activos en el chat. Éramos una minoría en la muestra y, sí, esos minutos pueden ser de exploración o colaboración, pero también pueden ser de corrección. Anthropic Economic Index

Todos pasamos por una curva de adaptación al aprender a usar cualquier nueva tecnología. Las herramientas de IA no son la excepción. A diferencia de otras tecnologías, yo diría que en el caso particular de los LLMs, más que una curva, es una carga de adaptación. Hay todo un nuevo trabajo que nos toca hacer para compensar las fallas y los supuestos de las herramientas. En un proyecto largo, esa carga se acumula; a menudo, decisiones que ya estaban resueltas vuelven a abrirse en cada nueva etapa; y así, proyectos que pensabas sacar en una semana terminan ocupándote un mes.

Mi hipótesis es que esta carga de adaptación viene con un impuesto adicional para las mujeres. Basta con preguntarnos quién diseña y quién decide lo que se prueba antes de lanzar estas herramientas. En 19 economías analizadas por LinkedIn y el Foro Económico Mundial, las mujeres ocupaban apenas el 19,3% de los puestos de ingeniería de IA. Y cuando me devuelven 3 tonos de rosa, 2 tipos de fuentes y corazones por todas partes, me pregunto qué fallas detectaríamos si más mujeres pudieran decidir qué productos, qué usuarias y qué formas de trabajar se incluyen en las pruebas.

Para referencia, Global Gender Gap Report 2026.

Para mí, esto tiene consecuencias económicas que afectan directamente a las mujeres y a las comunidades que representan. Si para sacar una app, una herramienta de investigación o un framework tienes que presupuestar semanas de revisión y retrabajo, eso cambia completamente tus metas: qué puedes lanzar, cuánto te cuesta venderlo, qué ideas pospones. Esos proyectos que descartamos antes de empezar difícilmente van a aparecer en una estadística de adopción.

Si estás construyendo algo con IA, y particularmente si eres mujer, me encantaría que me contaras qué querías hacer, qué lograste terminar, en cuánto tiempo y qué parte del proceso ocupó la mayor parte de tu tiempo.

Y si estás trabajando actualmente en algo que involucra IA y te estás enfrentando a este #gendertax, te comparto las instrucciones que puedes cargar a tu modelo para que use el contexto que ya le diste y se haga cargo de revisar su trabajo.

Si no resolvemos la manera en que los productos digitales y tecnológicos se están desarrollando desde el diseño inicial, la brecha de género en STEM está condenada a seguir creciendo.