C’è un dato che, nel panorama di statistiche sull’intelligenza artificiale, colpisce per la sua ostinata immobilità: il divario di genere nel settore tecnologico non si è ridotto in misura significativa a livello globale dal 2010 a oggi. Lo certifica l’AI Index 2026 di Stanford, tra le fonti più autorevoli sullo stato dell’IA nel mondo, che dedica un’intera sezione alla composizione di genere nel settore. (Sajadieh et al., 2026). Un’immobilità che stride con la velocità con cui l’IA stessa sta trasformando il mercato del lavoro, i sistemi educativi, le strutture produttive. Il punto non è solo di equità – sebbene già questo basterebbe – ma di qualità tecnologica, sostenibilità economica e futuro democratico delle tecnologie che stiamo costruendo.

Un ago che non si muove

Per capire la posta in gioco, vale la pena partire da alcuni numeri sul presente. Secondo l’AI Index 2026, l’adozione dell’IA generativa ha raggiunto il 53% della popolazione mondiale in meno di tre anni, una velocità superiore a quella con cui si diffusero il personal computer e internet, mentre l’adozione nelle aziende ha toccato l’88%. Si tratta di una trasformazione profonda del lavoro, non di un fenomeno di nicchia (Sajadieh et al., 2026).

Questa trasformazione, però, non è neutrale rispetto al genere. I guadagni di produttività documentati dall’IA – tra il 14% e il 26% nel supporto clienti e nello sviluppo software – si concentrano in settori dove le donne sono già sottorappresentate. I rischi di sostituzione del lavoro seguono la stessa logica distorta: secondo McKinsey (2026), in Europa la rappresentanza femminile nelle professioni tecnologiche è scesa dal 22% del 2023 al 19% nel 2025, proprio mentre l’IA ridisegnava le mansioni disponibili. Le ristrutturazioni hanno colpito in modo sproporzionato i ruoli – spesso di supporto, assistenza, gestione documentale – in cui le donne erano più presenti. Non si tratta di un effetto collaterale imprevedibile: è il prodotto di un sistema in cui chi progetta le tecnologie e chi le gestisce sono ancora prevalentemente uomini.

C’è poi una questione più sottile, che riguarda il futuro immediato: l’IA sta eliminando il punto di ingresso tradizionale nelle professioni tecnologiche. Uno studio del Digital Economy Lab di Stanford, utilizzando dati ADP su milioni di lavoratori americani, ha documentato che tra il 2022 e il 2025 l’occupazione dei software developer tra i 22 e i 25 anni è calata di quasi il 20%, mentre per i colleghi over 30 è cresciuta tra il 6% e il 12% (Brynjolfsson, Chandar, Chen, 2025). L’IA tende a automatizzare soprattutto le attività più standardizzate e ripetitive, quelle che tradizionalmente formava le competenze junior, lasciando spazio solo a chi ha già esperienza e capacità di giudizio consolidate. Se le donne faticano già ad entrare nel settore, la progressiva chiusura di questo punto di accesso le penalizza in modo ulteriore e sistemico.

Una geografia inattesa

Il quadro globale presenta però alcune fratture che meritano attenzione, perché mettono in discussione le spiegazioni più ovvie. La distribuzione geografica della presenza femminile nell’IA non segue la mappa dello sviluppo economico né quella dei diritti civili. In molti paesi ad alto reddito e storicamente avanzati sul piano della parità formale – come Europa occidentale, Stati Uniti o Giappone – le donne restano significativamente sottorappresentate nel settore tecnologico; mentre in altri contesti il quadro è sorprendentemente diverso.

Il caso dei paesi emergenti o di recente industrializzazione – Arabia Saudita, Egitto, Giordania, ma anche alcune economie dell’Europa orientale – mostra una dinamica inversa. Non si tratta di contesti privi di stereotipi di genere: al contrario, in molti di questi paesi i vincoli culturali sulla vita delle donne sono più stringenti che in Occidente; eppure, la loro presenza nell’IA è comparativamente più alta. In Arabia Saudita la quota di rappresentanza femminile nell’IA ha raggiunto il 32,3%, tra le più alte al mondo (Sajadieh et al., 2026). Nella regione araba più in generale, le donne rappresentano oltre un terzo delle iscrizioni universitarie in informatica, intelligenza artificiale e sviluppo software, in paesi come Egitto, Giordania ed Emirati Arabi (MERIP, 2025); alla King Abdullah University of Science and Technology il 47% dei partecipanti al programma IA è donna (Arab News, 2025).

La spiegazione non sta nell’assenza di barriere culturali, ma probabilmente nella combinazione di due fattori che riescono a bypassarle: la necessità economica reale, ossia l’accesso alle professioni tecnologiche come via concreta di emancipazione e indipendenza economica, e politiche governative esplicite che spingono in quella direzione, come la Vision 2030 saudita. Quando l’urgenza è sufficientemente forte e le istituzioni la sostengono, lo stereotipo non viene necessariamente smontato sul piano culturale, ma può essere aggirato sul piano pratico e i numeri sono in grado di cambiare prima della cultura.

Al contrario, nei paesi ad alto sviluppo storico, sistemi educativi e culturali stratificati continuano a operare come barriere informali che le politiche faticano a scalfire. McKinsey documenta che in Europa la quota di donne laureate in programmi tech è in leggera crescita — il 33% dei laureati triennali e il 39% dei dottorandi — ma la loro presenza nei ruoli tecnologici continua a scendere: la pipeline dalla laurea al lavoro è calata di 20 punti percentuali, spezzando il legame tra istruzione e occupazione (McKinsey, 2026). Il confronto suggerisce che il problema non è biologico né cognitivo, ma narrativo e sistemico: è la storia che si racconta intorno alla tecnologia, chi la racconta, e a chi è indirizzata.

Il bias non è solo nei dati

La sottorappresentazione femminile nell’IA non è soltanto una questione di giustizia occupazionale, ma ha conseguenze dirette sulla qualità e l’equità delle tecnologie prodotte. I sistemi di IA apprendono dai dati che ricevono e riflettono le prospettive di chi li progetta. I gruppi omogenei di progettatori producono tecnologie con angoli ciechi, che si traducono in discriminazioni operative: algoritmi di selezione del personale che penalizzano i curriculum di donne, sistemi di riconoscimento facciale con tassi di errore più alti sulle donne, modelli linguistici che riproducono stereotipi sui ruoli di genere. Non è un problema di intenzioni, ma un problema di composizione dei gruppi di lavoro. La ricerca documenta sistematicamente una riduzione dei bias nei prodotti sviluppati da gruppi eterogenei dal punto di vista del genere (Interface EU, 2024). 

Il fenomeno ha una dimensione di circolo vizioso che richiede attenzione: la scarsa presenza di donne nell’IA produce tecnologie che amplificano bias di genere, le quali a loro volta riducono la fiducia e l’interesse delle donne verso queste tecnologie, riproducendo la sottorappresentazione (Interface EU, 2024). Spezzare questo ciclo richiede interventi su più livelli simultaneamente.

La fabbrica degli stereotipi

Uno degli snodi concettuali più rilevanti per comprendere la persistenza del gender gap tecnologico è quello che in psicologia sociale viene chiamato “effetto Pigmalione”: le aspettative degli adulti plasmano le aspirazioni e le performance dei bambini. Se insegnanti, genitori e media trasmettono l’idea che la tecnologia sia un territorio maschile, le bambine interiorizzano questa narrazione e orientano altrove le proprie ambizioni. Lo ricorda anche un recente editoriale dell’ASviS (Giovannini, 2026), che sottolinea come gli stereotipi di genere operino come profezie autorealizzanti: limitano prima le aspettative, poi le scelte, infine i ruoli sociali. I dati lo confermano: solo il 5% delle ragazze tra i 13 e i 17 anni indica la tecnologia come prima scelta professionale, contro il 62% dei loro coetanei maschi (Microsoft Research, 2024; PwC, 2025). Eppure, le ragazze che partecipano a programmi di coding prima dei 13 anni sono significativamente più propense dei loro pari a scegliere un percorso universitario in informatica (Girls Who Code / AIR, 2024). Questo dato dimostra che il problema non è l’attitudine, ma le possibilità di accesso precoce e il racconto che lo accompagna.

La scuola come terreno decisivo

In questo quadro, le politiche educative diventano un campo di intervento fondamentale. Alcune esperienze internazionali mostrano che è possibile agire con efficacia. L’Estonia ha avviato già negli anni Novanta il programma Tiigrihüpe (“Balzo della tigre”), che ha connesso a internet tutte le scuole e introdotto l’informatica fin dalle elementari prima che si consolidassero le aspettative di genere su chi “appartiene” a quel mondo. I risultati, misurati decenni dopo, sono tra i più solidi d’Europa: le donne rappresentano il 41,7% dei laureati STEM e il 47,9% degli scienziati e ingegneri occupati e la quota di specialiste ICT è cresciuta di oltre 8 punti percentuali tra il 2014 e il 2024, il progresso più rapido registrato in Europa (Eurostat, 2024). Il caso estone non dimostra che la parità sia automatica, ma che intervenire presto, prima che gli stereotipi si sedimentino nel sistema educativo, produce effetti strutturali duraturi.

In Italia, il Decreto n. 221 del 9 dicembre 2025, entrato in vigore l’11 febbraio 2026, introduce le nuove Indicazioni Nazionali per il curricolo del primo ciclo: tra le novità più significative, l’introduzione dell’informatica già dalla scuola primaria. Il documento esplicita, nella sezione dedicata alla scuola primaria, l’importanza di un approccio inclusivo all’informatica “anche evitando stereotipi di genere” (Decreto MIM n. 221/2025). È un’apertura che merita di essere colta: l’informatica viene introdotta non come competenza neutra e strumentale, ma con un riconoscimento della sua dimensione culturale e delle sue implicazioni per la parità. Tuttavia, la norma lascia aperta la questione di come questo principio si traduca in pratica didattica. Dichiarare l’obiettivo di evitare stereotipi non equivale a fornire strumenti per farlo: servono programmi di formazione docenti, materiali didattici che rappresentino figure femminili nelle professioni digitali, attività strutturate che mettano ragazze e ragazzi nelle stesse condizioni di accesso e di fiducia. Senza un investimento concreto, la buona intenzione rischia di restare sulla carta. L’esempio internazionale mostra del resto che i risultati migliori si ottengono non quando si aggiunge la questione di genere a un curriculum esistente, ma quando si ripensa l’intero contesto di apprendimento in chiave inclusiva, a partire dalla formazione degli insegnanti e alla sensibilizzazione delle famiglie.

Competenze e sostenibilità: un legame strutturale

Il tema della sostenibilità digitale, sempre più presente nei documenti strategici europei e nazionali, non può essere separato da quello della parità di genere. Un ecosistema tecnologico sostenibile deve affrontare il fenomeno nella sua complessità, dalla minimizzazione dell’impatto ambientale alla distribuzione equa dei benefici e i rischi della transizione digitale. La sostenibilità digitale, in altre parole, non è solo una questione ambientale o economica: è anche sostenibilità sociale, ovvero la capacità di un sistema tecnologico di non lasciare indietro intere categorie di persone nella distribuzione dei suoi benefici. Una società che esclude metà della propria popolazione dalle professioni più strategiche del prossimo decennio non è sostenibile, perché è inefficiente, oltre che ingiusta. Il World Economic Forum nel suo Global Gender Gap Report 2025 stima che al ritmo attuale serviranno 123 anni per raggiungere la piena parità di genere a livello globale (WEF, 2025). Intervenire sul gender gap nell’IA non è quindi un obiettivo settoriale: è una delle leve più potenti per accelerare un processo che, lasciato ai meccanismi spontanei del mercato, procede a una velocità che nessuna generazione vivente vedrà completata.

Superare il divario di genere nell’intelligenza artificiale significa lavorare contemporaneamente su almeno tre piani: il racconto culturale (chi viene rappresentato come soggetto del digitale), le strutture formative (a partire dalla scuola primaria, con insegnanti preparati e materiali inclusivi), e le politiche istituzionali (che garantiscano accesso equo agli strumenti, alla formazione continua, alla progressione di carriera). Non si tratta di azioni compensative o di quote: si tratta di rimuovere barriere artificiali (culturali, narrative, strutturali) che limitano il potenziale di metà della popolazione e, con esso, il potenziale delle tecnologie che quella popolazione, se inclusa, contribuirebbe a rendere più intelligenti, più eque, più umane. 

IA e parità di genere: una questione unica

C’è un ultimo punto che vale la pena esplicitare: la parità di genere nell’IA non è semplicemente un obiettivo settoriale da affiancare agli altri obiettivi di uguaglianza, ma una questione che si intreccia con la parità di genere in senso lato, in modo strutturale e bidirezionale. Le professioni legate all’IA sono oggi tra le più remunerative e strategiche del mercato del lavoro. Escluderne le donne significa perpetuare e probabilmente ampliare il divario economico di genere: non solo nei salari, ma nell’accesso al potere decisionale, alla proprietà intellettuale, all’influenza sulla forma che prenderanno le tecnologie del prossimo decennio. 

Dall’altro lato, i sistemi di IA stanno diventando infrastrutture sociali, che regolano l’accesso al credito, al lavoro, alla sanità, all’istruzione. La sottorappresentazione femminile nell’IA non produce solo tecnologie meno buone in astratto: produce tecnologie che, concretamente, funzionano peggio per le donne, restringono le loro opportunità, confermano gli stereotipi che le hanno escluse dalla loro progettazione. È un circolo che si chiude su sé stesso.

Rompere questo circolo significa riconoscere che lavorare sulla parità nell’IA è lavorare sulla parità tout court: sugli stereotipi che si formano nell’infanzia, sui modelli di ruolo che mancano nell’adolescenza, sulle barriere strutturali che si incontrano nel mondo del lavoro, sulla distribuzione del potere nelle istituzioni. L’IA è diventata uno specchio in cui si riflettono le disuguaglianze di genere, ma può anche diventare, se affrontata con questa consapevolezza, uno strumento per nominarle, misurarle e, finalmente, cambiarle.

Co-autori:

– Agnese Macori (Dipartimento di Ingegneria Informatica, Automatica e Gestionale A. Ruberti, Sapienza Università di Roma)

– Daniel Raffini (Dipartimento di Ingegneria Informatica, Automatica e Gestionale A. Ruberti, Sapienza Università di Roma)