Femmes et IA : les chiffres d’un déséquilibre qui fragilise l’innovation

L’intelligence artificielle ne se résume pas à des modèles, à des puces ou à des applications. Elle est aussi façonnée par les personnes qui la conçoivent, la déploient et l’utilisent. Or, en février 2025, les femmes y demeurent nettement minoritaires. Cette situation pose une question sociale, celle de l’accès à un secteur stratégique, mais aussi une question très concrète de qualité : comment créer des outils utiles à tous si certaines expériences sont peu présentes dans les équipes, les données ou les usages ?

Les données relayées par le mouvement JFD, pour Join Forces & Dare, dessinent un déséquilibre qui commence bien avant l’entrée sur le marché du travail. Il s’observe dans l’orientation scolaire, dans les formations scientifiques, dans l’adoption des assistants génératifs et jusque dans les images produites par certains outils. Aucune statistique ne suffit, à elle seule, à expliquer un phénomène aussi vaste. Ensemble, elles signalent toutefois un risque clair : que l’IA reproduise les inégalités qu’elle pourrait aussi contribuer à réduire.

Des femmes encore minoritaires dans l’IA

Le chiffre le plus frappant concerne l’emploi : les femmes représentent 22 % des professionnels de l’intelligence artificielle dans le monde. Cette proportion ne doit pas être interprétée comme un taux propre à la France. Elle décrit un constat mondial sur les effectifs du secteur, dont les contours peuvent inclure des métiers très différents, de la recherche au développement logiciel, en passant par la science des données, le produit ou la gouvernance.

Cette minorité est importante à regarder au-delà de la seule question de représentation. L’IA est appelée à intervenir dans le travail, l’éducation, la santé, les services publics, les médias ou encore l’accès à l’information. Les profils qui participent aux choix techniques et organisationnels peuvent influer sur les problèmes jugés prioritaires, les jeux de données retenus, les tests réalisés et les risques anticipés.

Les principaux repères disponibles illustrent les différentes étapes de cet écart.

Le mouvement JFD formule ainsi une interrogation essentielle : l’intelligence artificielle sera-t-elle un levier de progrès partagé ou prolongera-t-elle des inégalités déjà installées ? La réponse dépend autant de la technologie que des politiques éducatives, des pratiques de recrutement et des règles de conception appliquées aux outils.

Le décrochage commence bien avant le premier emploi

L’IA recrute largement parmi les personnes formées aux STEM, acronyme qui désigne les sciences, les technologies, l’ingénierie et les mathématiques. Lorsqu’un déséquilibre apparaît dans ces parcours, il se répercute mécaniquement dans les métiers techniques les plus recherchés.

En Europe, les femmes représentent 35,8 % des diplômés en STEM. Ce chiffre ne signifie pas que les femmes seraient absentes des sciences, mais il montre qu’elles restent minoritaires dans un ensemble de disciplines qui alimente directement l’écosystème de l’IA. La part peut ensuite diminuer au fil des spécialisations, notamment vers l’informatique, l’ingénierie ou la recherche en apprentissage automatique.

L’étude relayée par JFD souligne aussi le rôle des stéréotypes : 82 % des femmes interrogées disent y avoir été confrontées durant leur formation. Ces stéréotypes peuvent prendre des formes ordinaires, mais répétées : associer spontanément les mathématiques ou le code aux garçons, orienter davantage les filles vers les sciences humaines, sous-estimer leurs ambitions techniques ou leur proposer moins de rôles modèles dans ces domaines.

Le phénomène ressemble à un entonnoir. À chaque étape, de l’école primaire aux choix de spécialités, puis aux études supérieures et au premier emploi, une part des jeunes femmes peut se détourner des filières scientifiques et numériques. La réforme du baccalauréat entrée en vigueur en 2021 a, selon les chiffres cités, été associée à une baisse de plus de 28 % du nombre de filles dans les filières scientifiques. Cet indicateur rappelle que les choix d’organisation scolaire peuvent avoir des effets très concrets sur la diversité des viviers de recrutement.

L’enjeu n’est pas de pousser toutes les élèves vers l’informatique. Il est de garantir que celles qui souhaitent s’y engager ne renoncent pas sous l’effet de représentations limitantes, d’un manque d’accompagnement ou de l’absence de personnes auxquelles elles peuvent s’identifier.

Rendre les carrières de l’IA visibles

Pour Laurence Devillers, professeure d’IA et d’éthique à Sorbonne Université, la sensibilisation doit commencer tôt. Familiariser les enfants avec l’intelligence artificielle et la robotique dès l’école primaire peut contribuer à élargir leur imaginaire. Pour les petites filles en particulier, voir des femmes ingénieures, chercheuses, entrepreneuses ou expertes de l’IA est un moyen concret de rendre ces trajectoires pensables.

Ce besoin de modèles ne remplace pas l’enseignement des fondamentaux. Il le complète. Comprendre ce qu’est une donnée, comment un algorithme classe des informations ou pourquoi une réponse générée peut être erronée constitue une forme de culture générale numérique, utile quel que soit le futur métier envisagé.

ChatGPT : un écart d’usage qui peut devenir un écart d’opportunités

La fracture ne concerne pas seulement celles et ceux qui fabriquent l’IA. Elle apparaît également chez les utilisateurs. À l’échelle mondiale, les femmes ne représentent que 33 % des utilisateurs de ChatGPT. En France, 53 % des hommes déclarent utiliser des outils d’IA au moins une fois par semaine, contre 40 % des femmes.

Ces deux chiffres ne mesurent pas exactement la même chose : le premier porte sur la composition mondiale des utilisateurs de ChatGPT, le second sur une fréquence d’usage en France. Ils convergent néanmoins vers le même constat, celui d’une adoption moins fréquente des outils d’IA par les femmes.

Pourquoi cet écart mérite-t-il l’attention ? Parce que les assistants génératifs deviennent des instruments de travail et d’apprentissage. Ils peuvent aider à synthétiser un document, trouver une première formulation, préparer une présentation, expliquer un concept ou générer des idées. Ils ne remplacent ni l’expertise ni le jugement humain, et leurs réponses doivent être vérifiées. Mais une pratique régulière permet d’apprendre à formuler de bonnes requêtes, à repérer les erreurs et à connaître les limites de l’outil.

Si une partie de la population accède moins souvent à ces usages, le risque est de créer un décalage supplémentaire en matière de compétences numériques, de productivité perçue ou de confiance face aux transformations du travail. L’objectif n’est donc pas seulement de compter les utilisateurs, mais de favoriser un accès réel à la formation, aux équipements et à des cas d’usage pertinents pour tous les métiers.

Quand les données et les produits reproduisent les stéréotypes

Les biais de genre dans l’IA ne sont pas nécessairement le résultat d’une intention discriminatoire. Ils peuvent naître des données d’entraînement, des choix de catégorisation, de l’absence de tests sur certains publics ou d’une représentation déséquilibrée du monde réel dans les contenus disponibles en ligne.

Les générateurs d’images sont particulièrement parlants, parce qu’ils rendent ces biais visibles. Selon les chiffres cités, Stable Diffusion ne comporte que 3 % d’images de juges femmes parmi les représentations générées, alors que les femmes représentent entre 35 et 40 % des juges aux États-Unis. Lorsqu’un utilisateur demande l’image d’un juge et obtient presque toujours un homme, l’outil ne se contente pas d’illustrer un préjugé : il peut aussi contribuer à le banaliser.

Les biais peuvent également résulter de ce qui a été oublié au moment de concevoir un produit. La première application Santé d’Apple, lancée en 2014, ne proposait pas de suivi menstruel. Cette absence avait suscité des critiques, avant que l’entreprise n’ajoute par la suite cette fonctionnalité. L’exemple montre qu’un produit peut être techniquement sophistiqué tout en passant à côté d’un besoin essentiel pour une part importante de ses utilisateurs.

Dans l’IA générative, un modèle apprend des régularités statistiques à partir de très grandes quantités de contenus. Si ces contenus associent plus souvent l’autorité aux hommes, le soin aux femmes, ou certaines professions à un seul genre, le système peut reproduire ces associations. Corriger le problème exige donc de regarder plusieurs niveaux à la fois : la qualité des données, la manière de tester les résultats, les consignes données au modèle et la diversité des équipes qui évaluent les sorties.

De l’école aux entreprises, des leviers concrets pour agir

La réponse ne peut pas reposer sur les seules jeunes femmes, sommées de s’adapter à un secteur construit sans elles. Elle implique les établissements scolaires, les entreprises, les organismes de formation et les responsables publics.

À l’école, un premier levier consiste à déconstruire les stéréotypes dès l’enfance. Cela suppose de présenter les sciences et l’informatique comme des domaines ouverts, de rendre visibles des parcours féminins et de veiller à ce que les conseils d’orientation ne limitent pas les ambitions. Les ateliers de programmation, de robotique ou de culture numérique peuvent jouer un rôle utile s’ils ne reproduisent pas les mêmes mécanismes d’exclusion.

Dans l’enseignement supérieur et dans les entreprises, le mentorat peut faciliter l’entrée et le maintien dans les carrières techniques. Les réseaux professionnels, les stages, la formation continue et une politique active de lutte contre les biais dans le recrutement constituent d’autres outils. Fixer des objectifs de parité ne garantit pas à lui seul une culture inclusive, mais cela oblige les organisations à mesurer leurs progrès et à rendre leurs choix plus visibles.

Les équipes qui développent une IA doivent également prévoir une gouvernance adaptée. Concrètement, cela peut passer par plusieurs pratiques :

• diversifier les profils impliqués dans la définition des besoins et l’évaluation des outils ;
• tester les systèmes sur des situations et des utilisateurs variés ;
• documenter les limites connues des jeux de données et des modèles ;
• prévoir des mécanismes de signalement lorsqu’un résultat renforce un stéréotype ou cause un préjudice ;
• former les décideurs comme les salariés aux risques de biais et aux usages responsables.

La diversité ne signifie pas qu’une femme représenterait toutes les femmes, pas plus qu’un seul profil ne représente l’ensemble d’un groupe social. Elle augmente en revanche la probabilité que des questions différentes soient posées avant le lancement d’un produit : qui peut être oublié ? Dans quels contextes la réponse risque-t-elle d’être injuste ? Quels exemples faut-il ajouter aux tests ?

Ce qu’il faut surveiller

La progression de l’IA rend le sujet plus pressant encore. Les écarts observés aujourd’hui dans les études et les usages peuvent se transformer demain en écarts d’accès aux emplois, aux responsabilités et aux bénéfices économiques associés à cette technologie. À l’inverse, une politique volontaire d’inclusion peut élargir le vivier de compétences dont le secteur a besoin.

Trois signaux méritent une attention particulière : l’évolution de la place des filles dans les spécialités scientifiques après la réforme du baccalauréat, la réduction ou non de l’écart d’usage des outils génératifs, et la capacité des entreprises à publier des objectifs crédibles de diversité dans leurs équipes IA. Il faudra aussi regarder les résultats eux-mêmes : un système ne devient pas inclusif parce qu’il l’affirme, mais parce qu’il est conçu, testé et corrigé avec cette exigence.

L’intelligence artificielle peut constituer un levier d’émancipation et d’accès à de nouvelles compétences. Pour y parvenir, il ne suffit pas d’ouvrir la porte du secteur : encore faut-il s’assurer que les parcours scolaires, les environnements de travail et les outils eux-mêmes permettent réellement à toutes et tous d’y entrer, d’y rester et d’y peser.