Equidade de gênero na capacitação em IA nas empresas

Equidade de gênero na capacitação em IA nas empresas é a prática de desenhar o programa de treinamento para que mulheres cheguem à mesma taxa de matrícula, conclusão e uso frequente da ferramenta que os homens no mesmo cargo — hoje isso não acontece por padrão. No Brasil, mulheres são 29% das matrículas em cursos de IA generativa, um avanço de 1,7 ponto percentual entre 2024 e 2025, segundo o relatório One Year Later: The Gender Gap in GenAI, da Coursera (cobertura TI Inside). O programa que ignora esse gap não forma metade da força de trabalho na mesma velocidade da outra metade — e carrega esse déficit para todos os indicadores de adoção que vêm depois.

Este guia é para RH e T&D que já rodam — ou estão desenhando, a partir do que descreve o guia de capacitação em IA para colaboradores — um programa de capacitação em IA e precisam decidir como fechar essa lacuna dentro da trilha, não como um projeto de diversidade paralelo.

O que é equidade de gênero na capacitação em IA

Equidade de gênero na capacitação em IA não é o mesmo que igualdade de acesso ao curso. Acesso igual — mesma matrícula disponível para todos — já existe na maioria dos programas corporativos hoje. O problema está uma camada abaixo: mesmo com acesso igual, mulheres se matriculam menos, usam a ferramenta com menos frequência depois de treinadas e relatam menos confiança no próprio resultado — não porque aprendem pior, mas por um conjunto de barreiras que o desenho do programa pode reduzir ou reforçar.

Isso é diferente de acessibilidade e inclusão na capacitação em IA, que trata do eixo de deficiência — formato de material, Libras, leitor de tela. Aqui o eixo é gênero: por que a mesma trilha, no mesmo formato, produz taxas de adoção diferentes entre homens e mulheres, e o que fazer a respeito.

Os números que mostram o tamanho do problema

Três conjuntos de dados, de fontes independentes, apontam para a mesma direção: o gap de gênero em IA é real, mensurável e mais estrutural do que "falta de interesse".

Indicador	Valor	Fonte
Participação feminina nas matrículas de IA generativa no Brasil	29% do total, alta de 1,7 p.p. entre 2024–2025	Coursera, One Year Later: The Gender Gap in GenAI, via TI Inside
Participação feminina nas matrículas de IA generativa no mundo	Subiu de 32% para 36% no último ano	Coursera, via CISO Advisor
Uso de IA por mulheres em relação a homens	25% menor	Rembrand Koning (Harvard Business School) et al., via Meio & Mensagem
Posição do Brasil em equilíbrio de gênero em IA entre 48 países	Última colocação (índice HGC-IA de +0,61, contra média global de -0,081)	FGV/IBRE, com base em LinkedIn Economic Graph e Stanford AI Index 2025
Profissionais de IA no Brasil que são homens	Mais de 77% — 7,61 p.p. acima da média global (69,5%)	FGV/IBRE
Empregos femininos em risco de automação, em países de alta renda	9,6% (contra 3,5% dos empregos masculinos)	OIT, via FGV/IBRE
Diferença salarial entre CTOs mulheres e homens em São Paulo	Mulheres ganham, em média, 48% menos	Estudo Plongê (2023), via IT Fórum, citado pela FGV/IBRE

Dois pontos merecem destaque para quem desenha o programa de capacitação, não só para quem lê o dado isolado:

• O avanço existe, mas é lento e desigual. O crescimento de 1,7 p.p. no Brasil é real, mas o país ainda cresce mais devagar que a média global (que foi de 32% para 36% — 4 p.p. — no mesmo período). Sem intervenção deliberada dentro do programa corporativo, o gap não fecha sozinho no ritmo que a adoção de IA está exigindo das empresas.
• O risco de automação recai mais sobre funções onde mulheres estão concentradas. A OIT aponta 9,6% de risco para empregos femininos contra 3,5% para masculinos em países de alta renda — porque mulheres seguem sobrerrepresentadas em funções administrativas e de suporte, exatamente as mais expostas à automação por IA. Isso torna a capacitação em IA para mulheres uma questão de retenção de empregabilidade, não só de paridade.

Por que a barreira não é capacidade — é confiança e acesso

O achado mais importante da pesquisa recente sobre o tema não é sobre habilidade técnica: é sobre percepção. A pesquisa "Evidências Globais sobre Lacunas de Gênero e IA Generativa", conduzida por Rembrand Koning (Harvard Business School) com pesquisadores de Stanford e UC Berkeley, encontrou que o menor uso de IA por mulheres não vem de dificuldade em aprender a ferramenta, mas de um "conflito interno" ligado a dois fatores: receio de que usar IA seja lido como falta de competência própria, e desconfiança quanto à segurança e à legitimidade do uso da ferramenta no trabalho (Meio & Mensagem).

Uma pesquisa global da CNBC com SurveyMonkey, feita com 6.330 pessoas em fevereiro de 2026, quantifica esse conflito interno:

• 64% das mulheres relataram nunca usar IA no trabalho, contra 55% dos homens.
• Entre usuários intensivos (várias vezes ao dia), 9% das mulheres contra 14% dos homens.
• 50% das mulheres associam o uso de IA no trabalho a uma forma de desonestidade profissional, contra 43% dos homens.
• 61% das mulheres veem a IA como ferramenta útil e colaborativa, contra 69% dos homens.

Um achado da mesma pesquisa da Harvard Business School é a evidência mais acionável para quem desenha treinamento: quando a mulher já tem senioridade técnica — já teve mais exposição prévia à tecnologia —, o gap de uso praticamente desaparece. Ou seja, o problema não é aptidão fixa; é exposição acumulada. Isso desloca a resposta certa de "curso de reforço de confiança" isolado para desenho de trilha que gera exposição repetida e de baixo risco, o que é, por definição, trabalho de T&D — não um projeto de RH paralelo à capacitação principal.

Essa distinção importa porque a resposta errada mais comum é tratar o gap como problema de autoestima a ser corrigido com palestra motivacional, quando na prática ele se resolve com o mesmo instrumento que resolve qualquer gap de competência: mais prática guiada, em ambiente de baixo risco, com feedback rápido — o núcleo do que já é discutido em engajamento do time no uso de IA, agora aplicado com a variável de gênero explícita no desenho, não implícita.

Onde o viés se reproduz dentro do próprio programa de capacitação

Antes de corrigir o gap de fora para dentro, vale auditar se o programa atual já está introduzindo viés sem intenção. Três pontos recorrentes:

• Exemplos e estudos de caso enviesados por função. Se todo exemplo de "uso avançado de IA" no material vem de áreas onde homens são maioria (engenharia, dados, TI) e nenhum vem de áreas com maioria feminina (RH, atendimento, operações administrativas), o curso comunica implicitamente para quem a ferramenta "é para".
• Vieses do próprio modelo de IA usado como exemplo em aula. Estudos já documentaram que ferramentas como ChatGPT e Llama associam nomes femininos a papéis de "lar" e "família" e nomes masculinos a "negócios" e "carreira" quando não há correção explícita de prompt — se o instrutor usa esses exemplos sem discutir o viés, reforça o estereótipo dentro da própria aula de IA.
• Estrutura de turma que trata "quem já sabe" como pré-requisito silencioso. Quando a trilha assume familiaridade prévia com tecnologia como ponto de partida, quem teve menos exposição — desproporcionalmente mulheres em funções administrativas, segundo os dados da OIT citados acima — começa em desvantagem antes da primeira aula.

Nenhum desses três é intencional na maioria das empresas. Todos são corrigíveis no desenho, sem custo adicional relevante — é auditoria de conteúdo, não reformulação de programa.

Checklist prático: como desenhar capacitação em IA equânime por gênero

Use esta sequência ao planejar um programa novo ou revisar um em andamento:

1. Meça a matrícula e a conclusão por gênero desde a primeira turma, não só ao final do ano. Sem esse dado segmentado, o gap fica invisível até virar diferença grande demais para corrigir com ajuste fino.
2. Diversifique os exemplos e estudos de caso por função, não só por gênero do apresentador. Inclua casos de uso de IA em RH, atendimento e operações administrativas com o mesmo peso dado a engenharia e dados — é onde a concentração feminina é maior.
3. Crie pontos de entrada de baixo risco antes da prática avaliada. Sandbox sem nota, sessão de prática em grupo pequeno, ou par com colega mais experiente — o objetivo é gerar a exposição repetida que a pesquisa de Harvard identifica como o fator que fecha o gap, antes de qualquer avaliação formal.
4. Nomeie o viés algorítmico explicitamente quando ele aparecer em exemplo de aula. Se um exemplo de prompt gera resposta estereotipada por gênero, use o momento para ensinar a corrigir o prompt — não pule a discussão por desconforto.
5. Combine capacitação técnica com mentoria de exposição, não só conteúdo. Um programa de mentoria reversa em IA — colaboradores mais jovens ou mais expostos à tecnologia ensinando líderes seniores — funciona nos dois sentidos: também cria espaço estruturado para mulheres em posições técnicas praticarem ensino, o que a literatura de exposição associa a mais confiança de uso.
6. Ofereça avaliação sem cronômetro rígido e sem punição por primeira tentativa. Já que metade das mulheres na pesquisa CNBC/SurveyMonkey associa uso de IA a risco de parecer "desonesta" no trabalho, uma avaliação que penaliza erro na primeira tentativa reforça exatamente esse medo em vez de reduzi-lo.
7. Trate liderança feminina em IA como critério de programa, não só de contratação. Se nenhuma mulher aparece como referência técnica dentro do próprio treinamento — instrutora, case, mentora —, o programa comunica, sem querer, que a competência técnica em IA é predominantemente masculina.

Como medir se a equidade está de fato melhorando

Medir capacitação em IA por gênero exige indicadores além da matrícula bruta — do contrário, a empresa comemora inscrição sem saber se o uso real acompanhou:

Métrica	Por que importa
Taxa de matrícula por gênero, por área	Revela se a lacuna é geral ou concentrada em funções específicas
Taxa de conclusão por gênero	Matrícula alta com conclusão desigual indica barreira durante o curso, não na entrada
Frequência de uso pós-treinamento (30/60/90 dias)	O indicador mais próximo de adoção real — o objetivo final do programa
Autoavaliação de confiança antes/depois	Captura a variável psicológica que a pesquisa de Harvard identifica como determinante
Representatividade de mulheres como instrutoras, mentoras ou cases	Sinal de que o programa modela a competência, não só ensina o conteúdo

Essa disciplina de medição é a mesma que sustenta qualquer avaliação de eficácia de treinamento em IA madura — o corte por gênero é uma segmentação a mais dentro de um sistema de medição que, se o programa já tem, custa pouco adicionar. Empresas que ainda não sabem onde estão os gaps de competência antes de segmentar por gênero devem começar pelo diagnóstico de gap de competências em IA, que mapeia o ponto de partida real de cada grupo antes de desenhar a trilha corretiva.

Como a Jetpacks trata equidade de gênero dentro do Flight Plan

Dentro do método Flight Plan — quatro estágios de cerca de duas semanas cada, por área —, a equidade de gênero entra desde o Launchpad: o diagnóstico mapeia não só o gap de competência agregado, mas onde ele se concentra por função e por perfil, porque um mapa de impacto que ignora essa segmentação esconde exatamente o problema que os dados acima mostram. O Flight Plan desenha a trilha por área considerando os pontos de entrada de baixo risco que a exposição repetida exige, e o Booster capacita o time com prática guiada — com a certificação Jetpack Certified marcando quem concluiu, independentemente do ponto de partida. O Mission Control acompanha a métrica de adoção segmentada, não só a taxa geral, para que o gap fique visível enquanto ainda é pequeno o suficiente para corrigir.

Como parceira oficial da Replit no Brasil, a Jetpacks conduz as imersões e workshops oficiais que destravam vibe coding com governança em empresas como Hypera Pharma, Volvo, BMR Medical e C12 Brasil — o mesmo rigor de desenho de trilha se aplica a fechar o gap de gênero na adoção de IA como um todo, não só na parte técnica do programa.

FAQ

Qual é o gap de gênero na capacitação em IA no Brasil hoje?

Mulheres representam 29% das matrículas em cursos de IA generativa no Brasil, um avanço de 1,7 ponto percentual entre 2024 e 2025, segundo a Coursera. O ritmo brasileiro é mais lento que o global, que passou de 32% para 36% no mesmo período — sem ação deliberada da empresa, o gap não fecha no ritmo da própria adoção de IA.

Por que as mulheres usam menos IA no trabalho, se a capacidade técnica é a mesma?

Pesquisa de Harvard Business School, Stanford e UC Berkeley encontrou que o menor uso não vem de dificuldade de aprendizado, mas de um conflito interno ligado a receio de parecer menos competente e desconfiança quanto à legitimidade do uso da ferramenta — fatores que diminuem quando a mulher tem mais exposição prévia e prática guiada de baixo risco.

Equidade de gênero na capacitação em IA é a mesma coisa que acessibilidade?

Não. Acessibilidade trata do eixo de deficiência — formato de material, Libras, compatibilidade com leitor de tela. Equidade de gênero trata de por que a mesma trilha, no mesmo formato acessível, ainda produz taxas diferentes de matrícula, conclusão e uso entre homens e mulheres — são dois eixos de inclusão distintos, com barreiras e soluções diferentes.

Como medir se um programa de capacitação em IA está sendo equânime por gênero?

Segmentando por gênero pelo menos quatro métricas: taxa de matrícula por área, taxa de conclusão, frequência de uso real 30/60/90 dias após o treinamento e autoavaliação de confiança antes e depois do curso. Matrícula alta com uso baixo depois indica que a barreira está na confiança, não no acesso.

Mulheres estão mais expostas a perder o emprego por automação de IA?

Em países de alta renda, a OIT estima que 9,6% dos empregos femininos estão em ocupações de alto risco de automação, contra 3,5% dos masculinos — porque mulheres seguem sobrerrepresentadas em funções administrativas e de suporte, as mais expostas. Isso torna a capacitação em IA para mulheres também uma questão de retenção de empregabilidade.

O que muda no desenho do curso para reduzir o gap de confiança?

Pontos de entrada de baixo risco antes da avaliação formal — sandbox sem nota, prática em grupo pequeno, par com colega mais experiente — porque a pesquisa mostra que exposição repetida, não conteúdo adicional, é o que fecha o gap. Avaliação sem cronômetro rígido e sem punição na primeira tentativa também ajuda, já que metade das mulheres associa uso de IA a risco de parecer "desonesta" no trabalho.

Programas de capacitação só para mulheres funcionam melhor do que turmas mistas?

Não há consenso de que turma segregada por gênero seja superior — o fator que a pesquisa aponta como decisivo é exposição prática de baixo risco, alcançável dentro de turma mista com desenho adequado. Iniciativas dedicadas (como bootcamps e mentorias voltadas a mulheres) cumprem outro papel: aceleram exposição em quem parte de um déficit maior, e podem coexistir com o programa corporativo principal em vez de substituí-lo.

Conclusão: fechar o gap é desenho de trilha, não campanha de data comemorativa

O gap de gênero na capacitação em IA não vem de diferença de capacidade — os dados mostram repetidamente que é diferença de exposição e de confiança, ambas corrigíveis dentro do desenho normal de um programa de T&D. Uma empresa que mede matrícula, conclusão e uso real segmentados por gênero, que diversifica exemplo e caso de uso por função, e que cria prática guiada de baixo risco antes da avaliação formal já está fazendo a correção certa — sem precisar de um programa de diversidade paralelo à capacitação principal.

Se sua empresa quer saber onde esse gap está concentrado antes de desenhar a trilha corretiva, o diagnóstico gratuito da Jetpacks, uma conversa de 30 a 45 minutos, mapeia o gap de adoção por área e por perfil dentro do método Flight Plan — para que a equidade de gênero na capacitação em IA seja parte do desenho desde o Launchpad, não um ajuste feito depois que o gap já apareceu nos números de uso.