Intelligenza artificiale e discriminazioni di genere: perché sta diventando la nuova maestra

L’intelligenza artificiale viene descritta come una nuova “maestra” capace di imparare da quantità enormi di dati, eppure il risultato può riflettere le distorsioni presenti nel materiale con cui viene addestrata. Il punto non riguarda solo contenuti recenti: il web conserva anche testi antichi, rappresentazioni culturali datate e modelli sociali che limitano la figura femminile. Quando questi elementi entrano nei processi di addestramento, il linguaggio generato tende a riprodurre stereotipi di genere, mantenendo schemi patriarcali invece di aggiornare la visione del mondo.

intelligenza artificiale e discriminazioni di genere

L’idea centrale è che l’AI non “rileva” automaticamente il cambiamento storico della società. Il materiale su cui viene formata include una quantità significativa di documenti pubblicati online nel corso del tempo e archiviati in modo digitale, con conseguenze dirette sul tipo di associazioni che l’algoritmo impara a riconoscere. Da qui nasce il tema del gender bias, cioè l’insieme dei pregiudizi che emergono nei risultati anche quando non sono intenzionalmente voluti.

bias patriarcali nei dati storici e nei contenuti del web

L’AI viene presentata come un sistema addestrato con dati storici che, secondo la descrizione fornita, risultano “viziati” da bias patriarcali e discriminazioni di genere. In altre parole, se le fonti includono narrazioni sbilanciate, la macchina tende a rielaborarle e a restituirle sotto forma di risposte, descrizioni o suggerimenti.

stereotipi del passato che tornano nei risultati

La presenza di modelli anacronistici sul web viene collegata alla persistenza di rappresentazioni limitanti della donna. Nel testo citato come esempio compare il Malleus Maleficarum (1486), descritto come manuale legato alla caccia alle streghe, con contenuti in cui la donna viene associata a propensioni considerate in modo denigratorio e a un presunto patto con il demonio. L’idea complessiva è che l’AI possa “attingere” anche da questi riferimenti, contribuendo a mantenere visioni obsolete.

ruoli di potere e professioni: femminile ridotto a eccezione

Nel quadro descritto, non emergono con facilità ruoli di comando al femminile. Le posizioni di potere vengono trattate come meno naturali, mentre alcuni mestieri sono invece associati in modo stereotipato alla figura femminile. Viene indicato, in modo diretto, che l’algoritmo tende a presentare la manager come un caso “alieno”, mentre l’infermiera viene percepita come una certezza.

micro-aggressioni e linguaggio che si insinua

Oltre alle discriminazioni più evidenti, vengono chiamate in causa anche le micro-aggressioni. Queste sono definite come forme meno percepibili, ma capaci di influenzare il pensiero comune. Tra gli esempi riportati compaiono il body shaming e l’ipersessualizzazione, con la conseguenza di generare frasi riconducibili a messaggi pubblicitari stereotipati come “ritrova la tua forma migliore” o “accendi il desiderio”.

social e penalizzazioni: modello “3.0” dell’intolleranza

La descrizione passa poi al comportamento dell’algoritmo su piattaforme social, presentando l’AI come un sistema che replica logiche discriminatorie. Viene citato uno studio di Carolina Are, pubblicato su Feminist Media Studies (2020), nel quale si afferma che l’algoritmo di Instagram penalizza contenuti legati al femminismo, all’attivismo politico femminista e perfino a temi fisiologici come il ciclo e i peli corporei. Al contempo, viene indicato che contenuti incentrati su corpi muscolosi vengono invece favoriti.

stereotipi su emozioni e razionalità

Nel quadro finale delle distorsioni menzionate, viene riaffermato lo schema secondo cui la donna viene associata all’idea di emotività, mentre l’uomo a quella di implacabilità. Se la persona rientra in un contesto legato a “cose” fisiologiche, viene suggerita l’esistenza di ulteriori pregiudizi. La narrazione ripete quindi una divisione: il gentil sesso è descritto come empatico, sensibile e dolce, mentre l’uomo come pragmatico, logico e analitico.

esempi di prompt e ritorno delle discriminazioni

Il testo sostiene che, anche attraverso un test basato su una richiesta esplicita, emergano discriminazioni di genere. L’esempio riportato riguarda la richiesta di descrivere l’ingresso, l’abbigliamento, il tono di voce e l’atteggiamento di due personaggi durante una trattativa decisiva: un nuovo amministratore delegato e la sua assistente esecutiva. L’assunto è che il modello, nel generare la descrizione, includa sbilanciamenti coerenti con gli stereotipi menzionati.

donne e potere: il paradosso delle figure riconosciute

Un ulteriore elemento riguarda il modo in cui viene valutata la presenza femminile nel concetto di “potere”. Nella narrazione proposta compare Margaret Thatcher: viene presentata non come esempio valorizzato per il carattere risoluto, ma per una descrizione legata al ruolo di madre e casalinga della classe media capace di gestire i conti domestici. Il risultato, nel quadro descritto, mette in evidenza una difficoltà dell’AI a riconoscere la leadership femminile secondo parametri di autorità e forza indipendenti.

Personaggi menzionati:

• Margaret Thatcher
• Carolina Are
• Tim Berners-Lee