Resposta direta: é ser, na maioria das salas em que decido sobre IA, a única mulher entre quem decide — não entre quem apresenta. No Brasil, apenas 4,7% dos cargos executivos de inteligência artificial são ocupados por mulheres, bem abaixo da média global de 13,3%. É um número pequeno o bastante para eu sentir na prática, reunião após reunião, mesmo depois de mais de 30 anos em tecnologia.
O que chama atenção não é a lacuna em si — lacuna de gênero em tecnologia não é novidade para ninguém que trabalha nisso há décadas. É a direção que ela toma conforme a decisão fica mais estratégica. Mulheres já são 39,2% da força de trabalho em TIC no Brasil e ocupam 35,2% dos cargos de diretoria e gerência do setor. Na liderança de IA especificamente, esse número cai para menos de um sétimo disso. Quanto mais a decisão molda o que a tecnologia vai fazer — não só operar —, menos mulheres estão na sala.
Principais aprendizados
- No Brasil, mulheres lideram apenas 4,7% dos cargos executivos de IA — bem abaixo dos 13,3% da média global —, mesmo ocupando 39,2% da força de trabalho e 35,2% da liderança geral em TIC.
- A lacuna não é uniforme: ela piora exatamente na camada de decisão mais estratégica, que é onde se define o que a IA vai priorizar, não só como ela vai operar.
- A pergunta que mais recebo numa sala nova não é sobre gênero — é um teste de autoridade disfarçado de pergunta técnica, e aprendi a responder isso antes de ser perguntada, não depois.
- Menos diversidade em quem decide IA significa menos gente perguntando, antes do sistema ir para produção, “isso funciona igual para quem não é como a maioria de quem construiu isso?”
- O que mudou minha trajetória não foi o mercado abrir espaço na velocidade que deveria — foi eu parar de esperar por isso e construir a própria mesa de decisão, o que hoje é a HAIA.
Por que a liderança de IA tem menos mulheres do que o resto da tecnologia?
Porque IA não é só mais um sistema para operar — é a camada que decide o que prioriza, o que ignora e para quem. Cargo de liderança de TI em geral já teve décadas para reduzir parte do desnível de gênero: hoje mulheres ocupam mais de um terço da diretoria e gerência do setor no Brasil. Liderança de IA é uma função muito mais nova, e funções novas tendem a repetir o padrão de quem já estava no topo antes de qualquer política de diversidade existir.
Isso importa além da representatividade em si. Um modelo de crédito, um sistema de triagem de currículo, um assistente de atendimento — todos carregam as premissas de quem definiu prioridade e critério de sucesso antes da primeira linha de código. Menos diversidade na mesa que decide não é um problema apenas de justiça: é um risco de governança, porque reduz a chance de alguém perguntar, antes do sistema ir ao ar, se aquele critério funciona igual para quem não está representado na sala que o desenhou.
O que muda, na prática, quando você é a única mulher que decide?
Não muda o que você sabe. Muda o que você precisa provar antes de alguém aceitar discutir estratégia com você. Ao longo de mais de 30 anos em projetos de tecnologia — de CRM a IA conversacional, de programas de milhões de reais a diagnóstico de maturidade para empresa média —, a pergunta que recebo com mais frequência numa sala nova não costuma ser sobre o problema de negócio. É uma pergunta técnica pontual, testando se eu de fato entendo a arquitetura antes de qualquer um aceitar ouvir a recomendação.
Aprendi a tratar isso como parte do trabalho, não como injustiça a ser reclamada em toda reunião. Chego preparada para a pergunta técnica antes de alguém fazer, o que também me deixou mais rigorosa do que talvez precisasse ser — e essa exigência extra, com o tempo, virou um dos meus diferenciais reais, não só uma defesa. A diferença entre reclamar do padrão e construir método em cima dele é uma decisão que se repete várias vezes por ano, não uma vez só.
O que fazer com isso, se você lidera hoje?
Não trate diversidade na liderança de IA como item de compliance a ser resolvido com uma vaga na diretoria. Trate como controle de risco: quem decide o que o modelo prioriza precisa incluir gente que enxerga ângulos diferentes do problema, porque pontos cegos de quem decide viram pontos cegos do sistema — e esses só aparecem depois que o dano já foi feito a alguém que não estava representado na mesa.
Na prática, isso significa duas coisas concretas antes de aprovar qualquer iniciativa de IA que toque decisão sobre pessoas — crédito, contratação, atendimento, priorização de caso. Primeiro, perguntar explicitamente quem validou o critério de sucesso do modelo, e se esse grupo reflete quem vai ser afetado por ele. Segundo, não confundir presença em apresentação com presença em decisão — o que mudou minha própria carreira não foi ser convidada a apresentar mais vezes, foi passar a ser quem aprova o escopo antes da apresentação existir.
Perguntas frequentes
Mulheres estão sub-representadas na liderança de IA no Brasil?
Sim. Apenas 4,7% dos cargos executivos de inteligência artificial no país são ocupados por mulheres, contra uma média global de 13,3% — mesmo com mulheres representando 39,2% da força de trabalho em TIC e 35,2% da liderança geral do setor.
Essa sub-representação afeta a qualidade das decisões de IA?
Afeta o risco de pontos cegos. Quem define critério de sucesso de um modelo carrega premissas próprias — e um grupo pouco diverso tem menos chance de perguntar, antes do sistema entrar em produção, se aquele critério funciona igual para quem não está representado ali.
O que uma empresa pode fazer na prática para ampliar isso?
Tratar a composição de quem aprova critério de sucesso de IA como parte da governança do projeto, não como pauta de RH separada — e verificar, antes de aprovar escopo, quem validou aquele critério e se esse grupo reflete quem será afetado pela decisão.
Ser mulher ajudou ou atrapalhou a carreira de Gillian em IA?
As duas coisas, em momentos diferentes. Exigiu provar mais antes de ser ouvida em estratégia, mas essa exigência extra também formou um rigor técnico que hoje é diferencial — e foi parte do motivo de eu ter decidido construir minha própria mesa de decisão em vez de esperar um lugar na de outra pessoa.
Sobre decisões difíceis e sobre construir a própria mesa em vez de esperar um convite, escrevi também sobre o processo seletivo que não ganhei e o mandato de governança que ganhei no lugar dele. Do lado institucional, a HAIA detalha a decisão mais difícil que já tomei como gestora de projetos — outro momento em que autoridade teve que ser conquistada antes de ser reconhecida.
Gillian Pellegrino é fundadora da HAIA e consultora executiva de IA aplicada para empresas de médio porte, depois de mais de 30 anos em tecnologia. Se sua empresa está definindo quem decide critério de sucesso do próximo projeto de IA, o Diagnóstico Gratuito de Maturidade de IA da HAIA é um ponto de partida estruturado para essa conversa.
