Executive Summary
Краткое резюме
- Women are ~22% less likely than men to adopt generative AI — consistent across 18 studies, 25 countries, and 143,000+ individuals (Harvard Business School, 2024).
- Женщины на ~22% реже мужчин осваивают генеративный ИИ — устойчивый результат в 18 исследованиях, 25 странах, свыше 143 000 человек (Гарвардская школа бизнеса, 2024).
- The divide shows up in usage rates, enthusiasm, trust, workplace support, and downstream outcomes like productivity and career advancement.
- Разрыв проявляется в показателях использования, энтузиазме, доверии, поддержке на рабочем месте и последующих результатах — производительности и карьерном росте.
- Driven primarily by self-assessed knowledge and confidence, not by access, income, or education — self-assessed knowledge alone explains ~75% of the gap (BIS, 2024).
- Главная причина — самооценка знаний и уверенность, а не доступ, доход или образование: самооценка знаний объясняет ~75% разрыва (BIS, 2024).
- At least one common assumption is falsified: pure digital literacy interventions widen the gap, not close it.
- Как минимум одно расхожее предположение опровергнуто: чистые меры по повышению цифровой грамотности увеличивают разрыв, а не сокращают его.
- Without deliberate intervention, AI may amplify existing gender inequalities rather than reduce them.
- Без целенаправленного вмешательства ИИ рискует усилить существующее гендерное неравенство, а не сократить его.
Part 1 — The Evidence
Часть 1 — Доказательства
1.1 Key Numbers at a Glance 1.1 Ключевые цифры
| Statistic | Figure | Source | Показатель | Цифра | Источник |
|---|---|---|---|---|---|
| Lower odds of using generative AI, women vs. men | 22% | HBS meta-analysis, 2024 | Меньше шансов использовать генеративный ИИ, женщины vs. мужчины | 22% | Мета-анализ HBS, 2024 |
| Men vs. women who used gen-AI in prior 12 months (US) | 50% vs. 37% | NY Fed / BIS, 2024 | Мужчины vs. женщины, использовавшие ген-ИИ за 12 месяцев (США) | 50% vs. 37% | NY Fed / BIS, 2024 |
| Gen-AI adoption: men vs. women (UK) | 43% vs. 28% | Deloitte, 2024 | Освоение ген-ИИ: мужчины vs. женщины (Великобритания) | 43% vs. 28% | Deloitte, 2024 |
| Daily AI use at work: men vs. women | 33% vs. 27% | Lean In, 2025 | Ежедневное использование ИИ на работе: мужчины vs. женщины | 33% vs. 27% | Lean In, 2025 |
| Share of gender gap explained by self-assessed knowledge alone | ~75% | BIS Working Paper, 2024 | Доля гендерного разрыва, объясняемая самооценкой знаний | ~75% | BIS Working Paper, 2024 |
| Higher productivity gain: male vs. female academics after ChatGPT | +6.4 pp | PNAS Nexus, 2025 | Бо́льший рост производительности: мужчины vs. женщины в науке | +6,4 п.п. | PNAS Nexus, 2025 |
1.2 Global Adoption Rates 1.2 Глобальные показатели освоения
The gender gap in AI adoption is not a US anomaly — it appears consistently across geographies.
Гендерный разрыв в освоении ИИ — не американская аномалия: он устойчиво проявляется в разных странах.
| Study / Source | Men | Women | Исследование | Мужчины | Женщины |
|---|---|---|---|---|---|
| US — NY Fed (2024, N≈890) | 50% | 37% | США — NY Fed (2024, N≈890) | 50% | 37% |
| UK — Deloitte (2024) | 43% | 28% | Великобритания — Deloitte (2024) | 43% | 28% |
| Global — Oliver Wyman Forum (2024, N=25,000, 16 countries) | ~58% weekly | ~51% weekly | Глобально — Oliver Wyman Forum (2024, N=25 000, 16 стран) | ~58% еженед. | ~51% еженед. |
| Denmark — Humlum & Vestergaard (2025, N=18,000) | Baseline | 16–20 pp lower | Дания — Humlum & Vestergaard (2025, N=18 000) | Базис | На 16–20 п.п. ниже |
| HBS meta-analysis (18 studies, 143,008 people, 25 countries) | Odds ratio baseline | 22% lower odds | Мета-анализ HBS (18 исследований, 143 008 чел., 25 стран) | Базовый OR | На 22% ниже |
Exception: BCG survey of San Francisco tech workers found senior women in technical roles were 12–16% more likely to use generative AI than male counterparts. Junior women in non-technical roles were 21% less likely — pointing to seniority and professional confidence as powerful moderators. The gap is not fixed by gender; it is moderated by context.
Исключение: Опрос BCG среди техработников Сан-Франциско показал: старшие женщины на технических должностях на 12–16% чаще используют генеративный ИИ, чем их коллеги-мужчины. Младшие женщины на нетехнических должностях — на 21% реже. Это указывает на стаж и профессиональную уверенность как мощные модераторы.
1.3 Attitudes and Emotional Responses 1.3 Отношение и эмоциональные реакции
The gap is not just behavioral — it reflects deeply different emotional orientations. The optimism gap persists even among AI experts.
Разрыв не только поведенческий — он отражает глубоко различные эмоциональные установки. Разрыв в оптимизме сохраняется даже среди экспертов по ИИ.
| Attitude | Men | Women | Source | Установка | Мужчины | Женщины | Источник |
|---|---|---|---|---|---|---|---|
| More excited than concerned about AI | 15% | 7% | Pew, 2025 | Больше воодушевлены, чем обеспокоены | 15% | 7% | Pew, 2025 |
| More concerned than excited about AI | 46% | 55% | Pew, 2025 | Больше обеспокоены, чем воодушевлены | 46% | 55% | Pew, 2025 |
| AI will have positive impact on the US | 22% | 12% | Pew, 2025 | ИИ окажет позитивное воздействие | 22% | 12% | Pew, 2025 |
| Feel "energized" about AI at work | 26% | 20% | Lean In, 2025 | Чувствуют «заряд энергии» от ИИ на работе | 26% | 20% | Lean In, 2025 |
| Worry AI use feels like "cheating" | 43% | ~50% | CNBC/SurveyMonkey, 2026 | Беспокоятся, что использование ИИ — «читерство» | 43% | ~50% | CNBC/SurveyMonkey, 2026 |
1.4 The Workplace Feedback Loop 1.4 Петля обратной связи на рабочем месте
Organizational dynamics actively reinforce individual-level differences, creating a self-compounding cycle.
Организационная динамика активно усиливает индивидуальные различия, создавая самовоспроизводящийся цикл.
| Workplace Factor | Men | Women | Source | Фактор | Мужчины | Женщины | Источник |
|---|---|---|---|---|---|---|---|
| Daily AI use at work | 33% | 27% | Lean In, 2025 | Ежедневное использование ИИ | 33% | 27% | Lean In, 2025 |
| Praised by colleagues for AI use | 23% | 18% | Lean In, 2025 | Коллеги хвалят за использование ИИ | 23% | 18% | Lean In, 2025 |
| Encouraged by manager to use AI | 37% | 30% | Lean In, 2025 | Руководитель поощряет использование ИИ | 37% | 30% | Lean In, 2025 |
| Received company-sponsored AI training | Higher | 35% less likely | Accenture, 2024 | Получили корпоративное обучение ИИ | Чаще | На 35% реже | Accenture, 2024 |
1.5 Self-Assessed Knowledge and AI Literacy 1.5 Самооценка знаний и ИИ-грамотность
Self-assessed AI knowledge is the single largest explained driver — accounting for ~75% of the gap. Crucially, this is about confidence, not demonstrated ability.
Самооценка знаний об ИИ — единственный наиболее значимый объясняющий фактор, объясняющий ~75% разрыва. Принципиально важно: речь идёт об уверенности, а не о реальных способностях.
- Only 0.2% of female LinkedIn members listed AI skills vs. 0.4% of men — a 138% gap in AI literacy signaling (OECD/LinkedIn, 2023).
- Лишь 0,2% участниц LinkedIn указали навыки ИИ против 0,4% мужчин — разрыв 138% в сигнализировании ИИ-грамотности (OECD/LinkedIn, 2023).
- 43% of women said they don't use AI because they "don't know what it is" vs. 32% of men (Australian media literacy study, 2024).
- 43% женщин не используют ИИ, потому что «не знают, что это такое», против 32% мужчин (Австралия, 2024).
- Post-intervention, gender differences in AI literacy scores disappear (Kong et al., 2023; Kim & Kwon, 2024) — the gap is malleable, not fixed.
- После вмешательства гендерные различия в ИИ-грамотности исчезают (Kong et al., 2023; Kim & Kwon, 2024) — разрыв пластичен, а не фиксирован.
1.6 Structural Vulnerability: Job Displacement Risk 1.6 Структурная уязвимость: риск вытеснения
Women's concerns are grounded in occupational reality. Their roles face disproportionately higher disruption from AI automation.
Опасения женщин обоснованы профессиональной реальностью. Их должности непропорционально сильнее затронуты автоматизацией ИИ.
| Risk Factor | Figure | Source | Фактор риска | Цифра | Источник |
|---|---|---|---|---|---|
| AI disruption risk: female- vs. male-dominated occupations | 29% vs. 16% | ILO, 2025 | Риск вытеснения: женские vs. мужские профессии | 29% vs. 16% | ILO, 2025 |
| Women's jobs facing significant AI exposure (high-income countries) | 41% of women's jobs | WEF/LinkedIn, 2025 | Должности женщин под значительным воздействием ИИ | 41% должностей | WEF/LinkedIn, 2025 |
| Share of 6.1M workers facing high AI exposure + low adaptive capacity who are women | 86% | Brookings, 2025 | Доля женщин среди 6,1 млн работников с высоким ИИ-риском и низкой адаптивностью | 86% | Brookings, 2025 |
1.7 Downstream Consequences 1.7 Последствия разрыва
The adoption gap is already translating into measurable performance divergence.
Разрыв в освоении уже превращается в измеримые различия в результатах.
- After ChatGPT's emergence, male researchers' productivity gain was 6.4 pp higher than female researchers' (Tang et al., PNAS Nexus, 2025).
- После появления ChatGPT рост производительности учёных-мужчин оказался на 6,4 п.п. выше, чем у коллег-женщин (Tang et al., PNAS Nexus, 2025).
- In an RCT with 17,000 Kenyan entrepreneurs given free ChatGPT access, women were still 13% less likely to engage (HBS, 2024).
- В RCT с 17 000 кенийских предпринимателей с бесплатным ChatGPT женщины всё равно на 13% реже его использовали (HBS, 2024).
- Oxford Internet Institute found that digital literacy improvements widened the gap — men's usage jumped from 19% to 43%, women's from 17% to 29% (Stephany & Duszynski, 2026).
- Oxford Internet Institute обнаружил: повышение цифровой грамотности увеличивает разрыв — использование ИИ мужчинами выросло с 19% до 43%, женщинами — с 17% до 29% (Stephany & Duszynski, 2026).
Part 2 — Understanding the Causes
Часть 2 — Понимание причин
No single explanation suffices. The gap is driven by interlocking structural, institutional, psychological, and historical factors.
Причины разрыва невозможно объяснить каким-то одним фактором. Разрыв обусловлен взаимосвязанными структурными, институциональными, психологическими и историческими факторами.
2.1 Structural and Material Causes 2.1 Структурные и материальные причины
Occupational exposure asymmetry Well-evidencedАсимметрия профессионального воздействия Хорошо доказано
Female-dominated occupations face objectively higher AI disruption risk (29% vs. 16%, ILO 2025), while AI tools were designed primarily around the workflows of male-dominated fields. The asymmetry is structural: AI augments the work it was designed for.
Профессии с преобладанием женщин объективно подвержены большему риску вытеснения ИИ (29% vs. 16%, ILO 2025), тогда как инструменты ИИ проектировались прежде всего под рабочие процессы мужских профессий. Асимметрия структурна: ИИ усиливает ту работу, под которую был создан.
Resource and training constraints Well-evidencedРесурсные ограничения и обучение Хорошо доказано
Women are 35% less likely to receive company-sponsored AI training (Accenture, 2024) and less likely to have discretionary time to experiment. Access to AI tools is not the binding constraint — institutional investment is.
Женщины на 35% реже получают корпоративное обучение ИИ (Accenture, 2024) и реже располагают свободным временем для экспериментов. Ограничивающий фактор — не доступ к инструментам ИИ, а институциональные инвестиции.
System design exclusion Well-evidencedИсключение через дизайн систем Хорошо доказано
AI systems were built predominantly by a ~70–78% male workforce. This shapes which tasks tools handle well and whose communication styles they understand. 44% of 133 AI systems analyzed showed gender bias (UC Berkeley Haas, 2019).
Системы ИИ созданы преимущественно мужчинами (~70–78% рабочей силы). Это определяет, с какими задачами инструменты справляются лучше и чьи стили коммуникации понимают. 44% из 133 проанализированных ИИ-систем показали гендерную предвзятость (UC Berkeley Haas, 2019).
2.2 Institutional and Systemic Causes 2.2 Институциональные и системные причины
The training and recognition feedback loop Well-evidencedПетля обучения и признания Хорошо доказано
Companies invest training resources where they see the highest current usage; current usage is higher among men; therefore training flows disproportionately to men; therefore their usage grows faster. This is self-reinforcing without deliberate correction.
Компании вкладывают ресурсы в обучение там, где видят наибольшее текущее использование; использование выше среди мужчин; следовательно, обучение непропорционально достаётся мужчинам — и их использование растёт быстрее. Без сознательного вмешательства цикл самовоспроизводится.
Representation in production Well-evidencedПредставленность в производстве Хорошо доказано
UNESCO's 2019 report I'd Blush If I Could documented how AI voice assistants were systematically designed with female names, voices, and submissive response patterns — positioning women as the helpful service layer, not the powerful user.
Доклад ЮНЕСКО 2019 года I'd Blush If I Could зафиксировал: ИИ-голосовые помощники систематически создавались с женскими именами, голосами и покорными моделями ответов — позиционируя женщин как полезный сервисный слой, а не как мощного пользователя.
2.3 Psychological Causes 2.3 Психологические причины
The confidence gap (not a knowledge gap) Well-evidencedРазрыв в уверенности (не в знаниях) Хорошо доказано
Self-assessed AI knowledge explains ~75% of the adoption gap (BIS, 2024). Men systematically overestimate their tech abilities; women systematically underestimate theirs — even at equivalent actual competence levels (British Cohort Study 1970, IZA 2025; N=17,000+). Impostors syndrome is disproportionately prevalent in STEM: 97.5% of women in STEM graduate programs report moderate-to-severe impostor experiences (Shin, 2025).
Самооценка знаний об ИИ объясняет ~75% разрыва в освоении (BIS, 2024). Мужчины систематически переоценивают свои технические способности; женщины — систематически недооценивают, даже при равных реальных компетенциях (British Cohort Study 1970, IZA 2025; N=17 000+). Синдром самозванца непропорционально распространён в STEM: 97,5% женщин в аспирантуре STEM сообщают об умеренных или тяжёлых его проявлениях (Shin, 2025).
Risk perception: rational, not irrational Well-evidencedВосприятие риска: рациональное, а не иррациональное Хорошо доказано
Women are 11% more likely to perceive AI's risks as outweighing benefits (Borwein et al., PNAS Nexus, 2026; N≈3,000). When an experiment guaranteed net positive employment effects, the gender gap in AI support disappeared entirely. Women's skepticism is evidence-responsive, not irrational.
Женщины на 11% чаще считают, что риски ИИ перевешивают выгоды (Borwein et al., PNAS Nexus, 2026; N≈3000). Когда эксперимент гарантировал чистый положительный эффект для занятости, гендерный разрыв в поддержке ИИ полностью исчез. Скептицизм женщин — доказательно-обоснованный, а не иррациональный.
Gendered adoption pathways (UTAUT) Well-evidencedГендерные пути освоения (UTAUT) Хорошо доказано
Men and women reach the same adoption decision through different psychological routes. Men's adoption is driven more by perceived usefulness and play. Women's adoption is driven more by ease of use and social influence. Implication: generic "AI is useful" messaging targets men's pathway only. Effective outreach to women requires social proof, community, and ease-of-use framing.
Мужчины и женщины приходят к одному и тому же решению об освоении ИИ через разные психологические пути. Освоение мужчинами больше определяется воспринимаемой пользой и игровым мотивом. Освоение женщинами — лёгкостью использования и социальным влиянием. Вывод: стандартные сообщения «ИИ полезен» адресованы только мужскому пути. Эффективное обращение к женщинам требует социальных доказательств, сообщества и акцента на простоте.
2.4 Cultural and Historical Causes 2.4 Культурные и исторические причины
The 1984 inflection point Well-evidencedПереломный момент 1984 года Хорошо доказано
In 1984, women earned 37% of US computer science degrees — the historical peak. The subsequent collapse to ~18% coincided with personal computers being marketed as "boys' toys." Women's representation in biology, chemistry, and mathematics continued rising during the same period, isolating the cause to computing's cultural coding, not innate aptitude (Margolis & Fisher, MIT Press, 2002).
В 1984 году женщины получали 37% дипломов по информатике в США — исторический максимум. Последующее падение до ~18% совпало с появлением персональных компьютеров, которые продавались как «игрушки для мальчиков». При этом представленность женщин в биологии, химии и математике в тот же период продолжала расти — это изолирует причину в культурном кодировании вычислений, а не в врождённых способностях (Margolis & Fisher, MIT Press, 2002).
Goal congruity: who AI is "for" Well-evidencedКонгруэнтность целей: для кого ИИ Хорошо доказано
Computer science and AI are perceived as least compatible with communal goals (helping others, working with people) — goals more central to women's gender identity. Countries requiring mandatory STEM coursework show smaller gender disparities, but gaps closed fully only when women found a culture of belonging — not just skills.
Информатика и ИИ воспринимаются как наименее совместимые с коммунальными целями (помощь другим, работа с людьми) — целями, более значимыми для женской гендерной идентичности. Страны с обязательным курсом STEM показывают меньшие гендерные различия, но разрывы закрывались полностью только там, где женщины находили культуру принадлежности — а не просто навыки.
Part 3 — Synthesis
Часть 3 — Синтез
The mechanisms are interlocking Механизмы взаимосвязаны
The gender AI gap is a system: historical socialization creates early experience deficits → lower self-efficacy → amplified AI anxiety → reduced adoption → limited skill development → widened productivity gap → reinforced rational concern about AI's economic threat → further reduced engagement. Structural barriers produce psychological anxiety; psychological anxiety reinforces institutional underinvestment; institutional underinvestment deepens historical disadvantage.
Гендерный ИИ-разрыв — это система: историческая социализация создаёт дефицит раннего опыта → низкая самоэффективность → усиленная ИИ-тревога → меньшее освоение → ограниченное развитие навыков → расширение разрыва в производительности → усиление рационального беспокойства об экономических угрозах ИИ → ещё меньшее вовлечение. Структурные барьеры порождают психологическую тревогу; тревога закрепляет институциональное недовложение; недовложение углубляет историческое неравенство.
What the evidence suggests about intervention Что данные говорят о вмешательстве
- Optimism shifts outperform skills training. Increasing societal AI optimism raised young women's AI use from 13% to 33%; pure digital literacy improvements paradoxically widened the gap (Stephany & Duszynski, 2026).
- Изменение оптимизма эффективнее обучения навыкам. Рост общественного оптимизма в отношении ИИ поднял использование ИИ среди молодых женщин с 13% до 33%; чистое повышение цифровой грамотности парадоксально расширило разрыв (Stephany & Duszynski, 2026).
- Outcome certainty closes the gap. When experiments guaranteed net positive employment effects, gender skepticism disappeared (Borwein et al., 2026).
- Определённость результата закрывает разрыв. Когда эксперименты гарантировали чистый положительный эффект для занятости, гендерный скептицизм исчезал (Borwein et al., 2026).
- What does not work: Generic digital literacy programs that provide capability without cultural belonging. The Oxford Internet Institute finding — that men benefit proportionally more from the same literacy intervention — should be required reading for anyone designing AI upskilling programs.
- Что не работает: Стандартные программы цифровой грамотности, дающие компетентность без культуры принадлежности. Данные Oxford Internet Institute о том, что мужчины пропорционально больше выигрывают от одних и тех же программ, должны быть обязательным чтением для всех, кто проектирует программы повышения ИИ-квалификации.
The open question Открытый вопрос
Is the gender AI gap closing or widening? The picture is genuinely mixed. OpenAI reported approximate gender parity in active ChatGPT users by mid-2025, but personal-use gaps widened in UK panel data between 2023 and 2024. The most concerning evidence is downstream: AI may already be functioning as a multiplier of existing advantage. A 6.4 pp productivity divergence between male and female researchers, emerging within months of a single tool's release, is not a rounding error. It is the early signal of a trajectory.
Гендерный ИИ-разрыв сужается или расширяется? Картина неоднозначна. OpenAI сообщила о примерном гендерном паритете среди активных пользователей ChatGPT к середине 2025 года, однако в британских панельных данных разрыв в личном использовании увеличился между 2023 и 2024 годами. Наиболее тревожные свидетельства — последующие: ИИ, возможно, уже функционирует как усилитель существующих преимуществ. Разрыв в производительности на 6,4 п.п. между учёными-мужчинами и женщинами, возникший в течение нескольких месяцев после появления одного инструмента, — не погрешность округления. Это ранний сигнал траектории.
Sources Источники
| Authors | Year | Title / Journal | Авторы | Год | Название |
|---|---|---|---|---|---|
| Otis et al. | 2024 | Global Evidence on Gender Gaps and Generative AI. HBS Working Paper 25-023 | |||
| Aldasoro et al. | 2024 | The gen AI gender gap. BIS Working Paper No. 1197 | |||
| Borwein et al. | 2026 | Explaining women's skepticism toward AI. PNAS Nexus | |||
| Tang et al. | 2025 | Gender disparities in the impact of generative AI. PNAS Nexus | |||
| Humlum & Vestergaard | 2025 | The labor market effects of AI. PNAS | |||
| Stephany & Duszynski | 2026 | Women Worry, Men Adopt. arXiv 2601.03880 | |||
| Lean In | 2025 | Women and AI: The Gender Gap in AI Adoption and Recognition | |||
| Pew Research Center | 2025 | How the US Public and AI Experts View AI. N=5,410 + 1,013 experts |