IA : pourquoi les usages diffèrent encore entre les femmes et les hommes

L’intelligence artificielle se diffuse dans les bureaux, les amphithéâtres et les démarches de recrutement. Mais son adoption ne relève pas seulement de la curiosité technique ou de l’accès à un abonnement. En septembre 2025, les études citées sur le sujet dessinent un écart persistant entre les usages déclarés par les femmes et ceux des hommes, avec des effets possibles sur les compétences valorisées, l’accès aux opportunités et la place de chacun dans le travail de demain.

Le chiffre le plus marquant est un taux d’adoption des outils d’IA présenté comme inférieur de 25 % chez les femmes par rapport à leurs homologues masculins. Il ne doit pas être transformé en jugement sur les aptitudes ou l’intérêt de millions de personnes : il révèle plutôt que l’usage d’une technologie dépend aussi du cadre social dans lequel elle est introduite. Qui peut expérimenter sans être soupçonné de tricher ? Qui est encouragé à tester un outil nouveau ? Et qui doit d’abord mesurer les risques avant de s’en servir ?

Un écart d’usage qui ne dit pas tout des compétences

L’expression « écart d’adoption » appelle une précaution essentielle. Elle décrit une différence d’usage observée dans les travaux évoqués, pas une différence de capacité à comprendre l’IA ou à s’en servir. Savoir écrire une consigne à un agent conversationnel, vérifier sa réponse, protéger des données ou l’intégrer à une tâche professionnelle sont des compétences qui s’acquièrent. Elles ne sont pas liées au genre.

L’écart devient pourtant important lorsque les outils génératifs commencent à servir pour rédiger, programmer, résumer des documents, préparer une présentation ou explorer des idées. Une personne qui les teste régulièrement peut apprendre plus vite leurs atouts et leurs limites. À l’inverse, une personne qui s’en tient à l’écart risque de disposer de moins de repères lorsque ces outils deviennent une attente implicite dans son établissement ou son entreprise.

Pourquoi la peur du jugement peut freiner l’expérimentation

Les outils d’IA ont une particularité : les utiliser peut être interprété de façons opposées selon le contexte. Pour certains, c’est la preuve d’une veille active et d’une capacité à moderniser ses méthodes de travail. Pour d’autres, c’est un raccourci qui susciterait le doute sur la qualité ou l’origine du travail produit.

Rembrand Koning, coauteur d’une étude évoquée dans les travaux sur ce sujet, rapporte que des ingénieures en informatique peuvent redouter que leurs supérieurs remettent en cause leur expertise si elles recourent à ces technologies. Dans un environnement où elles doivent déjà faire reconnaître leur légitimité, demander de l’aide à un assistant d’IA peut sembler plus risqué que pour un collègue masculin.

Le contraste est révélateur. La publication d’origine souligne que les hommes paraissent, eux, davantage valorisés lorsqu’ils intègrent l’IA à leur activité. Autrement dit, un même geste, utiliser un outil pour accélérer une tâche ou générer une première piste, ne reçoit pas toujours la même interprétation sociale.

Cette situation ne se résout pas en demandant aux seules femmes de « prendre confiance ». Les organisations ont aussi une responsabilité. Elles doivent clarifier les usages autorisés, évaluer la qualité finale du travail plutôt que supposer ce qu’un outil révèle de la compétence, et garantir que l’expérimentation ne devienne pas un privilège réservé à ceux qui se sentent déjà légitimes.

À l’université, la prudence peut coûter une expérience pratique

Le phénomène apparaît également dans l’enseignement supérieur. Une étude menée en 2024 indique que des étudiantes performantes avaient un recours moins marqué aux outils d’IA que leurs homologues masculins. Cette observation est importante : elle concerne des étudiantes dont les résultats ne suggèrent pas un manque de maîtrise académique.

L’explication avancée est celle d’une approche plus prudente. Certaines privilégient les outils et méthodes que les enseignants ont explicitement validés, plutôt que de s’aventurer dans une zone grise. Cette réserve peut être rationnelle. Dans un cours, les règles sur l’usage de l’IA varient d’un enseignant à l’autre : un même usage peut être autorisé pour chercher un plan, encadré pour corriger une formulation, ou interdit pour produire un devoir.

Le problème se pose lorsque les règles restent floues. Les étudiants les plus enclins à expérimenter accumulent alors, parfois discrètement, une expérience pratique de l’IA. Ceux qui attendent une autorisation claire peuvent être pénalisés, non pour avoir moins de talent, mais pour avoir davantage respecté l’incertitude du cadre.

Les établissements ont donc intérêt à formuler des consignes précises : ce qui est permis, ce qui doit être signalé, ce qui est interdit et la façon de vérifier un résultat généré. Une éducation à l’IA utile ne consiste pas à pousser tous les élèves à s’en servir en permanence. Elle consiste à leur donner les mêmes moyens de décider quand l’outil est pertinent et quand il ne l’est pas.

Des outils conçus sans toutes les perspectives ?

Les disparités d’usage ne peuvent pas être séparées de la façon dont les outils sont conçus. Le secteur de l’IA est largement associé à des figures masculines et à des équipes techniques où les hommes sont très présents. Selon Randi Williams, spécialiste de l’IA citée dans la publication d’origine, cette technologie n’a pas été pensée de manière à inclure suffisamment les perspectives féminines.

Cette critique ne signifie pas qu’un logiciel possède un genre. Elle rappelle un principe simple : les choix de conception ne sont jamais totalement neutres. Ils concernent les problèmes jugés prioritaires, les données mobilisées, les cas d’usage imaginés, les tests retenus et les risques pris en compte. Si les personnes qui conçoivent un outil ou participent à ses tests ont des parcours proches, certains besoins peuvent être moins visibles.

Les biais algorithmiques ne se limitent pas aux réponses d’un agent conversationnel. Ils peuvent apparaître dans le tri de candidatures, la reconnaissance d’images, les recommandations ou les systèmes d’évaluation. Un outil automatisé peut donner une impression de neutralité tout en reproduisant des déséquilibres contenus dans les données historiques ou dans les critères choisis par ses concepteurs.

Pourquoi un robot recruteur peut aussi inspirer confiance

Le rapport à l’IA n’est pas uniformément négatif chez les femmes. Une étude de la Booth School of Business citée dans la publication d’origine montre qu’elles peuvent, dans certains cas, être plus disposées à accepter un processus de recrutement conduit par un robot que par un humain.

Ce résultat peut sembler paradoxal au regard des inquiétudes sur les biais algorithmiques. Il révèle surtout une défiance à l’égard de biais humains bien connus dans les interactions de recrutement : jugement sur l’apparence, stéréotypes, réseau professionnel, impression subjective ou discrimination. Face à ces mécanismes, l’automatisation peut être perçue comme la promesse d’une règle identique pour tout le monde.

Cette promesse ne doit toutefois pas dispenser les employeurs de contrôle. Un système de recrutement n’est équitable que s’il est conçu, testé et suivi en ce sens. Il faut pouvoir examiner ses critères, détecter les écarts dans ses résultats et conserver une responsabilité humaine. Remplacer un jugement humain opaque par un calcul opaque ne suffit pas à créer de l’équité.

Vie privée, emploi et fiabilité : des préoccupations concrètes

La retenue exprimée face à l’IA s’explique aussi par des préoccupations très pratiques. Confier un texte, un dossier ou une question à un outil en ligne peut poser un problème de confidentialité. Accepter automatiquement une réponse peut introduire une erreur, un stéréotype ou une information inventée dans un travail. Et l’automatisation nourrit des craintes sur la transformation, voire la suppression, de certains emplois.

Dishita Turakhia, chercheuse au MIT citée dans la publication d’origine, résume cet enjeu : il ne s’agit pas seulement d’adopter un outil, mais de l’utiliser avec sagesse. Cette formule vaut pour tous les publics. L’IA peut aider à générer une ébauche, reformuler un document ou explorer des pistes. Elle ne remplace ni la vérification des faits, ni le jugement professionnel, ni la responsabilité de la décision finale.

Dans la pratique, quelques réflexes rendent l’expérimentation plus sûre :

• vérifier la politique de son école ou de son employeur avant d’utiliser un outil pour une tâche évaluée ou professionnelle ;
• ne pas transmettre d’informations personnelles, confidentielles ou sensibles dans une interface non autorisée ;
• considérer les réponses générées comme des propositions à contrôler, et non comme des faits établis ;
• conserver son propre raisonnement, ses sources et la trace des décisions importantes.

Ce qu’il faut surveiller pour réduire l’écart

La prudence ne doit pas être confondue avec un refus du progrès. Comme le souligne Dishita Turakhia, les premiers utilisateurs peuvent ouvrir de nouvelles voies créatives, tandis que les personnes qui adoptent l’outil plus tard apportent souvent un regard critique et réfléchi. Ces deux attitudes sont nécessaires : l’une permet de découvrir les usages, l’autre d’en éprouver la solidité.

La priorité, en septembre 2025, est donc moins de faire grimper mécaniquement un taux d’adoption que de rendre l’accès à l’IA juste et éclairé. Cela suppose des règles explicites dans les écoles, une formation pratique au travail, des outils qui protègent réellement les données et des équipes de conception capables de prendre en compte des expériences diverses.

Il faudra également observer si l’IA devient un nouveau critère tacite de carrière. Si les personnes les plus libres d’expérimenter en tirent seules un avantage professionnel, l’écart initial peut s’installer durablement. À l’inverse, une diffusion encadrée, transparente et inclusive peut faire de l’IA non pas un amplificateur des inégalités existantes, mais un outil dont chacun peut discuter les règles et tirer parti.