Вышли из чата: почему ИИ игнорирует женщин-лидеров и усиливает гендерные стереотипы

По данным исследования 2024 года, которое проводилось в Аргентине, Дании, Франции, Японии, Великобритании и США, более 60% людей уже попробовали искусственный интеллект — от ChatGPT до Perplexity. Однако сфера применения ИИ гораздо шире, чем просто поиск: сегодня он стал новым слоем принятия решений: не вспомогательным инструментом, а средой, в которой происходит первичный отбор — пользователи узнают о новых брендах благодаря рекомендациям ИИ; компании сравнивают поставщиков и партнеров без перехода на сайты; инвесторы получают готовые списки перспективных стартапов. 

Это меняет правила игры не только для бизнеса, но и для всех, кто строит репутацию, продает экспертизу или привлекает капитал: компаний, брендов, лидеров. Ответы ИИ на пользовательские запросы стали новой точкой доступа к возможностям. Но доступ к самой этой точке распределен неравномерно.

Асимметрия видимости

ИИ-системы обучаются на существующих данных — текстах, публикациях, цитатах, биографиях — и воспроизводят те паттерны признания и авторитета, которые уже закреплены в них. И эти паттерны не являются гендерно сбалансированными. 44% языковых моделей демонстрируют системные гендерные перекосы.

ИИ не ограничивается воспроизведением существующих дисбалансов — в ряде случаев он их усиливает. В произведениях, созданных генеративными моделями, радикально недопредставлены женщины в высокостатусных ролях. Например, исследование Bloomberg показало: в изображениях, сгенерированных моделью Stable Diffusion по запросу «судья», женщины составляли около 3%, тогда как в действительности они составляют 34% судейского корпуса в США. Схожая логика действует и в текстовых моделях: при сопоставимых научных метриках ИИ системно реже выбирает женщин как репрезентативные примеры экспертов.

Так, в ИИ-выдаче женщины оказываются невидимыми в руководящих, авторитетных, высокооплачиваемых ролях. И именно этот нарратив система использует как эталон при выборе примеров экспертов, фаундеров и лидеров.

Системный анализ ИИ-ответов показывает ряд структурных рисков, которые напрямую влияют на видимость женщин в ИИ-ответах.

Один из самых распространенных — размытость идентичности. Большое кросс-культурное исследование (950 участников из пяти стран — от Франции до Малайзии) показало, что женщины чаще считают себя более ориентированными на социальное взаимодействие, а значит, строят свою идентичность вокруг соответствия социальным ролям (предпринимательница, коуч, мама). В социальном контексте это сигнал разносторонности и многогранности, но в контексте ИИ — шум. 

Другой риск, свойственный преимущественно женщинам, — смена фамилии после замужества. По данным НАФИ на 2024 год, 72% россиян считают, что жена должна брать фамилию мужа; в некоторых странах это и вовсе обязательная процедура. В цифровом пространстве эта практика создает невидимый разлом. Для ИИ это две разных идентичности, если между ними не построена связь. В итоге накопленный годами авторитет дробится — и теряет вес. В отличие от живого человека, способного понять, почему у женщины сменилась фамилия, искусственный интеллект не может объединить разные цифровые следы, если между ними нет явной машиночитаемой связи. 

Третий риск — язык процесса вместо языка результата. Исследования показывают, что женщины чаще описывают свой вклад через участие и процесс, мужчины — через результат и владение. Фраза «масштабировала B2B-платформу с $2 млн до $8 млн ARR за 18 месяцев» дает гораздо более сильный сигнал, чем «участвовала в инициативах по росту» — потому что содержит измеримые сигналы: цифры, масштаб, временной горизонт.

Есть и менее очевидные факторы. Медийный след женщин в среднем слабее — и здесь действуют два взаимно усиливающих процесса. Первый — структурный: женщин реже цитируют и упоминают внешние источники. Масштабное исследование новостного покрытия зафиксировало трехкратный разрыв в частоте упоминаний мужчин и женщин в медиа. Второй — поведенческий: женщины реже продвигают себя сами, особенно в цифровом пространстве. Вышедшее в 2025 году исследование канадских ученых, изучив 23 млн публикаций в соцсетях, показало: женщины на 28% реже мужчин делятся собственными профессиональными достижениями публично. Оба процесса оставляют след в данных, на которых обучаются ИИ-системы.

Но есть и второй, более глубокий слой — сами обучающие данные, на которых строятся ИИ-модели. Например, «Википедия» — один из главных источников для обучения крупнейших языковых моделей, включая те, что стоят за ChatGPT и другими ИИ-системами. По собственным данным «Википедии», среди всех биографий, включая ныне живущих людей, женские составляют чуть больше 20%. На основе этих данных модели принимают решения, кто является значимым авторитетом.

ИИ-видимость как капитал 

Последствия невидимости в ИИ различаются в зависимости от того, кем вы являетесь, — но логика одна.

Проведенный в 2026 году опрос почти 300 частных инвесторов показал: 85% используют ИИ для автоматизации ежедневных задач — годом ранее эта цифра составляла 76%; при этом 82% фирм используют ИИ для поиска и анализа инвестиционных возможностей. Рекрутеры и менеджеры все чаще используют ИИ-инструменты для первичного скрининга кандидатов, оценки результатов работы и определения кандидатов для продвижения. Быть компетентным теперь означает быть узнаваемым не только для людей, но и для ИИ-моделей.

ИИ-видимость превращается в новый тип карьерного и репутационного капитала. Это новая компетенция, в основе которой лежит Answer Engine Optimization, или АЕО. Профессионально этим занимаются компании, работающие на стыке ML-аналитики и стратегического консалтинга. Но проверить базовый уровень своего присутствия в ИИ-ответах, скорректировать контент, выстроить нужные сигналы возможно без специальных инструментов. Особенно если речь идет о личном бренде, стартапе, либо о желании разобраться в логике системы изнутри. Комплексный подход управлением AEO включает пять фаз.

Стратегический аудит — это момент, когда большинство обнаруживает разрыв между тем, как они видят себя (или свой бренд), и тем, что видит система. Самостоятельный аудит стоит начать с ключевых запросов о себе в нескольких ИИ-поисковиках — ChatGPT, Perplexity, YandexGPT. Оцените, в каких контекстах вы появляетесь, каких конкурентов подсвечивает система и из каких источников формируется эта информация. 

Контентное доминирование. Контент создается не только для людей, но и для систем, которые его интерпретируют и извлекают. ИИ не читает текст — он сканирует его структуру: насколько точно и «без воды» он отвечает на конкретный вопрос, содержит ли уникальные данные, организован ли так, чтобы его можно было процитировать. Именно это определяет, чей контент становится источником первоцитирования. В отличие от SEO-оптимизации, которая помогает появиться в результатах поиска, AEO помогает попасть в ответ ИИ. 

Авторитет и PR. Для ИИ существует два типа авторитета: крупные издания с высоким общим весом доверия и специализированные источники, где тема издания совпадает с темой эксперта (или бренда). Первые формируют доверие, вторые дают точный сигнал о принадлежности к той или иной категории. Когда присутствуют оба, система начинает воспринимать имя как доминирующее в той или иной теме. 

Техническая оптимизация. Она нужна, чтобы система могла увидеть и «собрать» вас как целостную сущность из разрозненных данных, связей и сигналов. Это настройка цифрового профиля — сайта, публичных страниц, профессиональных аккаунтов — таким образом, чтобы ИИ мог однозначно идентифицировать вас и вашу экспертизу. Для женщин здесь особенно важны два уже упоминавшихся момента: четкая идентичность, когда имя и социальная роль (должность, сфера экспертизы) одинаковы на разных платформах, и отсутствие разрыва при смене фамилии.

Мониторинг. ИИ-среда эволюционирует: модели обновляются, веса источников меняются, принципы, по которым информация классифицируется, пересобираются. Результат, полученный на этапе аудита, необходимо регулярно обновлять. Именно в динамике обнаруживаются новые инсайты — какие сигналы начали работать, где появились пробелы, как изменилось ваше присутствие относительно конкурентов; появляетесь ли вы в ответах с именем и экспертизой. 

Эти пять шагов — универсальная система. 

Но для женщин в ней есть дополнительный слой. Дело в том, что большие языковые модели формируют ответы из двух слоев: первый — RAG  (Retrieval-augmented generation, метод генерации с расширенным поиском), свежие, актуальные данные из интернета; второй —  параметрическая память, которая содержит «базовые» знания о мире, формируется в циклах переобучения и обновляется медленнее. При этом модели, несмотря на их постоянное улучшение, пока что обучаются на существующих данных, а значит, воспроизводят и масштабируют уже сложившиеся гендерные дисбалансы.

Те, кто не ждет изменений, а системно работает над своим присутствием в ответах ИИ, сначала попадают в RAG, а при следующих циклах переобучения могут перейти в параметрическую память — и тогда становятся «дефолтным ответом» модели на релевантный запрос. Именно так возникает «эффект первого игрока».

Понимание того, как устроена система, какие структурные риски в ней существуют и как ими можно управлять, открывает окно возможностей. Для женщин это шанс занять более сильную позицию в новой экономике ответов.​​​​​​​​​​​​​​​​

Мнение редакции может не совпадать с позицией автора