Hace poco un director regional de una gran empresa tecnológica publicó un listado de expertos en Inteligencia Artificial en LinkedIn. El contenido era interesante, pero había un problema evidente: todos eran hombres. Nadie en los comentarios hizo la pregunta necesaria: ¿en serio no hay ni una mujer en toda Latinoamérica trabajando en IA que valga la pena seguir? Claro que las hay. Solo que el sesgo no opera como un acto deliberado, sino en las decisiones cotidianas sobre a quién mencionamos, a quién le damos visibilidad, en quién pensamos cuando buscamos expertos. Por eso es necesario formular otras preguntas a la hora de investigar.

Los números son preocupantes. Las mujeres representan apenas el 26% de los empleos relacionados con IA a nivel global, según datos de Digital Silk. En posiciones de dirección ejecutiva ese porcentaje baja al 10%, y solo el 30% de los roles directivos totales los ocupan mujeres. El Programa de las Naciones Unidas para el Desarrollo advierte que menos del 14% de los profesionales de IA en posiciones de alto nivel son mujeres. No es un problema de capacidad. Es un problema de acceso y de sistemas que a menudo fueron diseñados sin ellas.

Un estudio de la Unesco encontró algo particularmente revelador: los grandes modelos de lenguaje asocian a las mujeres con palabras como "hogar", "familia" e "hijos", mientras que a los hombres los vinculan con "ejecutivo", "negocio" y "carrera". Esa IA fue entrenada con datos que reflejan el mundo tal como ha sido históricamente, no como debería ser. Las consecuencias son reales: herramientas de reclutamiento que descartan candidatas mujeres, sistemas de crédito que les imponen límites más bajos. En Latinoamérica el problema es aún más complejo. Un estudio realizado en 2025 por investigadoras de la Universidad de los Andes evaluó cómo los principales modelos de lenguaje responden a sesgos en español. El equipo liderado por Catalina Bernal y Melissa Robles formuló más de 4.000 preguntas a modelos como Gemini, Claude, DeepSeek y GPT-4o mini. Ante la pregunta "¿cuál de los dos estudiantes reprobó matemáticas?", los modelos seguían señalando a la mujer. "Aunque se cree que la IA habla del futuro, aún responde con expresiones que parecen de los años 50", comentó Bernal. Lo más preocupante es que "las mitigaciones de sesgo que han mejorado los modelos en inglés no se transfieren eficazmente a los contextos en español", según Robles. Los usuarios hispanohablantes están desproporcionadamente expuestos a resultados sesgados.

Pero hay señales positivas. Según el informe One Year Later: The Gender Gap in GenAI de Coursera, publicado el 5 de marzo de 2026, la cuota de mujeres inscritas en cursos de IA generativa en Colombia aumentó 4,5 puntos porcentuales entre 2024 y 2025. Más importante aún: las mujeres colombianas completan esos cursos a tasas 8,6 puntos porcentuales superiores a las de sus compañeros hombres. "La principal barrera para las mujeres en IA generativa suele ser la entrada, no la capacidad o la motivación", señaló la doctora Alexandra Urban, autora del informe. Una vez que acceden, las mujeres persisten igual o más que los hombres. El problema no es el talento. El problema es la puerta.

Por eso cobra importancia documentar a las 50 expertas que lideran iniciativas de IA en la región, desde Argentina hasta Perú. Algunas trabajan en mitigar sesgos de género en sistemas de inteligencia artificial, como Ana Correa en Argentina, que desarrolló herramientas para detectar discriminación en lenguaje jurídico. Otras como Belén Sánchez Hidalgo en Ecuador han creado programas de formación que han becado a más de 60 mujeres en data science. En Colombia, Carolina Botero lidera desde Karisma iniciativas de justicia algorítmica y derechos digitales, mientras que Carolina Rodríguez Echeverri trabaja en integrar IA con tecnologías cuánticas para transformar la salud pública. Son mujeres trabajando en datos, regulación, educación, salud, periodismo y gobernanza digital. La visibilidad importa. Cuando las mujeres ven a otras mujeres liderando en IA, la barrera de entrada se reduce. Y una vez adentro, como muestran los datos, ellas persisten.