O Wi-Fi foi inventado por uma atriz. O ChatGPT foi construído por uma albanesa. As 7 mulheres por trás da IA que você usa todo dia — e que a história quase apagou.
Você abre o ChatGPT, pede uma imagem no DALL-E, usa reconhecimento facial no celular e nunca parou para pensar: quem construiu isso? A resposta que o mercado vende é sempre a mesma — homens brancos, universidades americanas de elite, moletons cinza e garagens no Vale do Silício. Isso é, no mínimo, uma meia-verdade conveniente.
O custo invisível dessa narrativa é duplo: apaga contribuições reais que mudaram o rumo da tecnologia e, ao mesmo tempo, envia uma mensagem implícita para cada menina que ainda está decidindo se entra ou não na área de exatas — “esse mundo não foi feito para você”. É uma mentira que se autoperpetua e que custa caro em talento perdido.
Este artigo é um acerto de contas com a história. Não é lista de homenagem vazia. É o registro técnico e humano do que cada uma dessas mulheres construiu, por que isso importa até hoje e por que você provavelmente usa o trabalho delas sem saber.
Neste guia: 7 perfis completos com contribuição técnica, impacto real e a nuance que ninguém conta — mais uma tabela que vai mudar como você enxerga toda a história da computação.
✨ Este guia é perfeito se você:
Você já tem ChatGPT, Gemini, Canva IA no seu dia a dia — mas nunca soube quem de verdade está por trás dessas ferramentas
Você sabe que conteúdo de “justiça histórica” viraliza — e quer um texto com dados concretos para postar, compartilhar e comentar
Você precisa de referências reais, não motivacionais. Mulheres que construíram coisas técnicas, enfrentaram resistência e ganharam mesmo assim
🧠 O que você precisa saber em 1 minuto:
- A IA moderna tem raízes femininas: do primeiro algoritmo da história (Ada Lovelace, 1843) ao banco de dados visual que treinou os modelos de hoje (Fei-Fei Li, 2009), mulheres estão na base de tudo
- Apagamento é sistemático, não coincidência: Grace Hopper criou o compilador que tornou a programação acessível — e durante décadas foi creditada apenas como “colaboradora”. O termo “debugging” veio dela, literalmente, de uma mariposa presa num relé em 1947
- A batalha ainda está acontecendo: Timnit Gebru foi demitida do Google em 2020 por denunciar viés nos modelos de linguagem. O artigo que custou seu emprego é hoje referência mundial em ética de IA
⚡ TL;DR
- Tempo: 14 min (ou pule direto para os perfis)
- Nível: Iniciante | Intermediário
- Você vai levar: 7 histórias com dados técnicos + tabela de legado + tabela “o que você usa hoje que foi feito por mulher”
- Valor: contexto que transforma como você enxerga a IA que usa todo dia
🚀 Navegação rápida:
Índice
- Por que esse apagamento acontece (e por que importa agora)
- Tabela 01: Legado técnico das 7 pioneiras
- Tabela 02: O que você usa hoje que foi inventado por uma mulher (essa vai te surpreender)
- Os 7 perfis completos
- SOS: como identificar viés de gênero na IA que você usa
- O que a história oficial errou
- Caso real: o algoritmo que não via mulheres negras
- Amanda aconselha
- FAQ
Por que esse apagamento acontece (e por que importa agora)
Existe um padrão documentado que pesquisadores chamam de “efeito Matilda” — o fenômeno em que contribuições científicas de mulheres são sistematicamente atribuídas a homens ou simplesmente ignoradas. Na ciência da computação e na IA, esse efeito foi especialmente devastador. Não porque as mulheres contribuíram menos, mas porque os sistemas de registro, patente e crédito acadêmico foram construídos por e para homens — e ninguém revisou o histórico.
O motivo pelo qual isso importa em 2026 é técnico, não sentimental. Modelos de IA aprendem com dados históricos. Se os dados históricos que treinaram sistemas de reconhecimento facial, sistemas de contratação e algoritmos de crédito foram construídos por equipes homogêneas, esses modelos reproduzem os mesmos pontos cegos. Joy Buolamwini demonstrou isso com dados: sistemas de reconhecimento facial de IBM, Microsoft e Face++ erravam até 34,7% das vezes ao identificar mulheres de pele escura, enquanto erravam apenas 0,8% para homens de pele clara. Isso não é teoria — é resultado direto de quem estava (e quem não estava) na sala quando os dados foram coletados.
Pilar 1: O apagamento começa no crédito, não na capacidade
Ada Lovelace escreveu o primeiro algoritmo da história em 1843 — publicado como “notas de tradução” de um artigo de Charles Babbage. Por décadas, o crédito principal ficou com ele. A linguagem de programação Ada, criada pelo Departamento de Defesa americano em 1980 e usada em sistemas críticos de aviação e defesa até hoje, leva o nome dela. O fato de você nunca ter aprendido isso na escola não é acidente — é o efeito Matilda funcionando em tempo real.
Pilar 2: A contribuição mais invisível é a de infraestrutura
Ninguém vira capa de revista por criar infraestrutura. Mira Murati liderou como CTO da OpenAI o desenvolvimento simultâneo do ChatGPT, do DALL-E e do Codex. Quando o ChatGPT bateu 100 milhões de usuários em dois meses, os holofotes foram para Sam Altman. Murati era a arquiteta técnica. Ela anunciou sua saída da empresa em setembro de 2024, declarando publicamente que queria “criar espaço para minha própria exploração” — depois de seis anos como a pessoa responsável por fazer a tecnologia funcionar.
Pilar 3: Denunciar o problema também é contribuição técnica
Timnit Gebru não ficou famosa por construir um modelo. Ficou por ter a coragem técnica e intelectual de publicar um artigo mostrando que os grandes modelos de linguagem têm riscos ambientais e de viés que o Google não queria discutir. Ela foi demitida. O artigo foi censurado internamente. Mais de 1.400 funcionários do Google assinaram uma carta de protesto. Hoje, o campo inteiro de ética em IA cita esse episódio como marco. Identificar o que está errado antes que cause dano em escala é, objetivamente, uma das contribuições mais valiosas que um pesquisador pode fazer.
Tabela 01: Legado técnico das 7 pioneiras da IA
Use esta tabela para ter o resumo técnico de cada nome antes de mergulhar na história completa.
| # | Nome | País de origem | O que ela construiu | Impacto direto hoje | Reconhecida em vida? |
|---|---|---|---|---|---|
| 1 | Ada Lovelace | Reino Unido | Primeiro algoritmo da história (1843) e a ideia de que máquinas poderiam ir além de cálculos — processar símbolos, criar | Base conceitual de toda programação; linguagem Ada ainda usada em aviação e defesa | Parcialmente | crédito dividido com Babbage por décadas |
| 2 | Grace Hopper | Estados Unidos | Primeiro compilador da história (1952); linguagem COBOL; o conceito de “debugging” | COBOL processa 95% das transações em caixas eletrônicos e 80% das transações de cartão de crédito presenciais no mundo | Sim | medalha presidencial em 2016 (post-mortem) |
| 3 | Fei-Fei Li | China | Estados Unidos | ImageNet (2009) — banco de dados de 14 milhões de imagens que treinou a visão computacional moderna | GPT-4o, Gemini e todos os modelos multimodais de hoje foram viabilizados pela infraestrutura conceitual que ela criou | Sim | chamada de “madrinha da IA” pela Forbes |
| 4 | Mira Murati | Albânia | Estados Unidos | CTO da OpenAI; liderou tecnicamente o ChatGPT, DALL-E, Codex e Sora | Os produtos que definiram a era de IA generativa pública foram arquitetados sob sua liderança técnica | Parcialmente | Sam Altman recebe a maioria dos holofotes |
| 5 | Joy Buolamwini | Canadá | Estados Unidos | Pesquisa “Gender Shades” no MIT (2018) — provou com dados que IA de reconhecimento facial erra até 34,7% com mulheres negras vs. 0,8% com homens brancos | IBM, Microsoft e outros revisaram algoritmos após a publicação; criou o campo de “IA justa” | Sim | fundadora do Algorithmic Justice League |
| 6 | Timnit Gebru | Etiópia | Estados Unidos | Co-liderou ética de IA no Google; artigo sobre riscos dos LLMs que o Google tentou suprimir (2020) | Artigo censurado é hoje referência mundial; fundou o DAIR Institute (pesquisa de IA independente) | Pela comunidade sim | pelo Google, foi demitida por sua contribuição |
| 7 | Gabriela de Queiroz | Brasil | Diretora de IA na Microsoft for Startups; fundou R-Ladies (rede global) e IA Inclusive | R-Ladies tem capítulos em mais de 60 países e formou milhares de mulheres em ciência de dados | Sim | referência nacional e internacional em diversidade em IA |
Tabela 02: O que você usa hoje que foi inventado por uma mulher (essa vai te surpreender)
Esta tabela é o que especialistas em história da computação sabem — e o público geral quase nunca descobre. Cada linha abaixo é uma tecnologia que você usa agora, neste exato momento, cuja base foi criada ou viabilizada por uma mulher. Não é metáfora. É a cadeia técnica verificada.
| # | Tecnologia que você usa hoje | Quem criou a base | O que ela fez exatamente | Ano | O que o mundo disse na época |
|---|---|---|---|---|---|
| 01 | Wi-Fi, Bluetooth e GPS | Hedy Lamarr — atriz austríaca, refugiada da 2ª Guerra | Inventou o frequency hopping spread spectrum — a tecnologia de “salto de frequência” que impede sinais de serem interceptados ou bloqueados. Patenteou em 1942 (patente nº 2.292.387). A tecnologia foi usada durante a Crise dos Mísseis de Cuba em 1962 e é a base direta do Wi-Fi, Bluetooth e GPS modernos | 1942 | A Marinha dos EUA recusou a patente e nunca pagou um centavo a ela. Quando a patente expirou em 1959, empresas de telecomunicações usaram a tecnologia livremente — sem crédito e sem compensação |
| 02 | Internet (roteamento de redes) | Radia Perlman — engenheira americana | Criou o protocolo Spanning Tree Protocol (STP) em 1985 — o algoritmo que permite que redes de computadores conectem múltiplos caminhos sem criar loops infinitos de dados. Sem esse protocolo, a internet como estrutura de rede não funcionaria. Ela mesma diz não gostar do apelido “mãe da internet”, mas a contribuição é incontestável | 1985 | Nome quase desconhecido do grande público até hoje. Tim Berners-Lee (WWW, 1991) recebe crédito pela “internet” nas conversas populares — mas a rede física que o sustenta existe porque o algoritmo de Radia funciona |
| 03 | Todo software que você usa (compiladores) | Grace Hopper — almirante e matemática americana | Criou o primeiro compilador (A-0, 1952) — o programa que traduz linguagem humana em código de máquina. Antes disso, programar exigia escrever em binário. Todo IDE, todo editor de código, todo app que existe hoje só é possível porque compiladores existem. Também liderou o desenvolvimento do COBOL, que ainda processa 95% das transações em caixas eletrônicos no mundo | 1952 | “Computadores não entendem inglês” — resposta literal que recebeu de superiores quando propôs a ideia. Ela ignorou e construiu |
| 04 | Reconhecimento de imagem em todos os apps de IA | Fei-Fei Li — pesquisadora sino-americana, Stanford | Criou o ImageNet (2009) — 14 milhões de imagens catalogadas em 20.000 categorias, coletadas manualmente ao longo de 3 anos. O AlexNet de 2012 usou o ImageNet e provou que deep learning funcionava em escala, disparando a era moderna da IA. Filtros do Instagram, reconhecimento facial do iPhone, busca por imagem do Google: todos dependem da cadeia técnica que começa no ImageNet | 2009 | A proposta foi considerada “impraticável” pela academia. O prêmio Turing de 2018 foi para os três “padrinhos” do deep learning — sem menção ao conjunto de dados que tornou tudo possível |
| 05 | ChatGPT, DALL-E, Codex e Sora (OpenAI) | Mira Murati — engenheira albanesa, ex-CTO da OpenAI | Liderou tecnicamente como CTO o desenvolvimento dos quatro produtos que definiram a IA generativa pública: ChatGPT (2022), DALL-E, Codex (base do GitHub Copilot) e Sora (geração de vídeo). Gerenciou a crise de novembro de 2023 quando Sam Altman foi demitido pelo conselho — foi ela quem assumiu o cargo interinamente e manteve a empresa estável durante 72 horas de caos | 2018–2024 | Altman é o rosto global da OpenAI em entrevistas, capas de revista e podcasts. Murati aparece em segundo plano — apesar de ser a arquiteta técnica de tudo aquilo |
| 06 | GPS de precisão (missões espaciais e aviação) | Katherine Johnson — matemática negra americana, NASA | Calculou à mão as trajetórias das missões Mercury e Apollo 11. Em 1962, quando a NASA começou a usar computadores, o astronauta John Glenn se recusou a entrar no foguete antes que Katherine verificasse pessoalmente os cálculos da máquina — tamanha era a confiança na precisão dela. Os algoritmos de navegação espacial que ela desenvolveu influenciaram diretamente o GPS moderno e os sistemas de navegação de aviação comercial | 1953–1986 | Trabalhou como “computador humano” — título oficial da NASA para mulheres matemáticas. Separadas por raça no mesmo prédio. Sua história foi contada ao grande público apenas em 2016, com o filme Estrelas além do tempo — 30 anos depois de se aposentar |
| 07 | Criptografia moderna e segurança digital | Joan Clarke — matemática britânica, Bletchley Park | Trabalhou ao lado de Alan Turing na decifração do código Enigma nazista na 2ª Guerra Mundial. Sua contribuição foi central para o desenvolvimento do Banburismus — o método de aceleração da quebra de código naval, considerado o mais complexo de todos os Enigmas. Estimativas históricas indicam que o trabalho de Bletchley Park encurtou a guerra em 2 a 4 anos. Toda criptografia moderna — incluindo HTTPS, o “cadeado” do seu banco online — tem raízes conceituais nesse trabalho | 1940–1945 | Recebia salário inferior ao dos colegas homens com menos qualificação. Foi oficialmente classificada como “linguista” para contornar regras que proibiam mulheres de cargos técnicos. O filme O Jogo da Imitação (2014) a retrata brevemente — Turing recebe 95% do crédito da narrativa |
| 08 | Toda programação moderna (o primeiro computador foi programado por elas) | As seis do ENIAC: Jean Jennings Bartik, Betty Holberton, Kathleen McNulty, Marlyn Wescoff, Ruth Teitelbaum, Frances Spence | Em 1945, seis mulheres foram contratadas para programar o ENIAC — o primeiro computador eletrônico de grande escala do mundo. Sem manual, sem treinamento, elas aprenderam a máquina pelos diagramas elétricos e inventaram, do zero, conceitos como subrotinas, aninhamento de loops e fluxogramas de programação. A apresentação pública do ENIAC em fevereiro de 1946 mostrou a máquina funcionando perfeitamente — e o Exército americano apresentou os engenheiros de hardware. As programadoras não foram mencionadas. Seus nomes ficaram fora da história por quarenta anos | 1945–1946 | Na cerimônia de lançamento do ENIAC, seus rostos apareceram nas fotos da imprensa — mas sem nome, sem crédito, sem apresentação. Por décadas foram chamadas de “refrigeradoras” ou “operadoras” nas raras vezes em que eram mencionadas. O reconhecimento formal veio apenas nos anos 1980 e 1990 |
💡 O que esta tabela prova: você não usa nenhuma tecnologia digital que não tenha, em alguma camada fundamental, uma contribuição feminina direta. Wi-Fi, GPS, compiladores, reconhecimento de imagem, segurança digital, IA generativa e a própria programação como disciplina. A pergunta correta não é “onde estão as mulheres na tecnologia?” — é “por que demoramos tanto para contar isso?”
Os 7 perfis completos
🥇 Ada Lovelace (1815–1852) — a mulher que imaginou a IA antes do computador existir
Em 1843, Ada Byron King — Condessa de Lovelace — traduziu um artigo do matemático Luigi Menabrea sobre a Máquina Analítica de Charles Babbage. Mas ela não apenas traduziu: adicionou notas três vezes mais longas que o artigo original, descrevendo o primeiro algoritmo da história — uma sequência de instruções para calcular os números de Bernoulli, projetada para ser executada por uma máquina.
A nuance que ninguém conta: Ada foi além do que Babbage imaginava para a própria máquina. Enquanto ele via um calculador sofisticado, Ada escreveu que a Máquina Analítica poderia manipular qualquer tipo de símbolo — não apenas números — e potencialmente criar música, processar linguagem e muito mais. Ela estava descrevendo, em 1843, o conceito central da computação de propósito geral. E descrevia também, naquelas notas, os limites do que uma máquina poderia fazer por conta própria: sem o dado certo, sem a instrução certa, a máquina não pensa. Ela simplesmente executa. Esse limite conceitual é o mesmo que fundamenta a discussão sobre IA até hoje.
Por que você usa o trabalho dela hoje: A linguagem de programação Ada — criada pelo Departamento de Defesa americano em 1980 — é usada em sistemas de aviação, navegação espacial e defesa militar. Cada vez que um avião comercial usa seus sistemas de bordo, o legado de Ada está presente.
🥈 Grace Hopper (1906–1992) — a almirante que ensinou computadores a falar em inglês
Em 1952, Grace Murray Hopper criou o primeiro compilador da história — um programa chamado A-0 que traduzia instruções escritas em linguagem humana para código de máquina. Antes disso, programar um computador significava escrever diretamente em código binário ou Assembly. Grace não apenas facilitou a programação: ela democratizou o acesso.
A nuance que ninguém conta: a resistência que ela enfrentou foi interna e explícita. Quando ela propôs a ideia de que computadores poderiam entender palavras em inglês, seus superiores responderam que “computadores não entendem inglês”. Ela foi ignorada. Então ela construiu e demonstrou. O padrão “construo, mostro, aí você acredita” é familiar para qualquer mulher que trabalhou em tecnologia nos últimos 70 anos.
O “bug” literal: Em 1947, a equipe de Grace encontrou uma mariposa real presa nos relés do computador Mark II, causando uma falha. Ela colou o inseto no diário de bordo com a anotação “First actual case of bug being found”. O termo “debugging” — depurar código — vem desse momento. Toda vez que você depura um código, você está usando vocabulário que veio de Grace Hopper.
Por que você usa o trabalho dela hoje: COBOL, a linguagem que ela ajudou a criar em 1959, processa 95% das transações em caixas eletrônicos e 80% das transações de cartão de crédito presenciais no mundo, segundo a própria IBM. O banco onde está o seu dinheiro agora muito provavelmente roda sobre infraestrutura que depende de COBOL.
🥉 Fei-Fei Li (1976–) — a mulher que deu olhos às máquinas
Em 2006, Fei-Fei Li era professora de Stanford com um problema que todo mundo no campo de visão computacional ignorava: os modelos de IA eram treinados em conjuntos de dados ridiculamente pequenos e por isso generalizavam mal. Os pesquisadores ficavam melhorando algoritmos enquanto o problema real era a escassez de dados. Ela decidiu resolver o problema da base.
O que ela criou — o ImageNet, lançado em 2009 — foi um banco de dados de 14 milhões de imagens catalogadas em mais de 20.000 categorias, todas etiquetadas manualmente. O trabalho levou três anos e foi considerado impraticável por boa parte da academia. Em 2012, o modelo AlexNet foi treinado no ImageNet e ganhou o desafio de reconhecimento visual com uma margem tão superior aos concorrentes que o campo inteiro mudou de direção. Deep learning, redes convolucionais, reconhecimento facial — tudo que está no coração de cada ferramenta de IA visual — foi desbloqueado pelo conjunto de dados que Fei-Fei Li recusou-se a não construir.
A nuance que ninguém conta: A revolução do deep learning de 2012 foi majoritariamente creditada ao trio Geoffrey Hinton, Yann LeCun e Yoshua Bengio — os “padrinhos da IA” que ganharam o Prêmio Turing em 2018. O AlexNet que provou que deep learning funcionava em escala só foi possível porque o ImageNet existia. Sem os dados dela, a revolução teria acontecido com pelo menos cinco anos de atraso.
4. Mira Murati (1988–) — a albanesa que arquitetou a era do ChatGPT
Mira Murati chegou à OpenAI em 2018 e foi nomeada CTO em 2022. Sob sua liderança técnica direta foram desenvolvidos o ChatGPT, o DALL-E, o Codex (que alimenta o GitHub Copilot) e o Sora. Os quatro produtos que definiram o que o público entende por “IA generativa” foram construídos durante sua gestão.
A nuance que ninguém conta: Em novembro de 2023, quando o conselho da OpenAI demitiu Sam Altman abruptamente, foi Mira Murati quem assumiu como CEO interina — mantendo a empresa funcionando durante 72 horas de crise intensa, com centenas de funcionários ameaçando sair. Altman voltou. Em setembro de 2024, Murati anunciou sua saída, declarando publicamente querer “criar espaço e tempo para minha própria exploração” — saindo junto com outros executivos sêniores em uma onda de saídas que marcou o fim de um ciclo na empresa.
Por que você usa o trabalho dela hoje: Se você já abriu o ChatGPT, gerou uma imagem no DALL-E ou usou o Copilot no GitHub, você usou o trabalho de Mira Murati.
5. Joy Buolamwini (1989–) — a “poetisa do código” que provou que IA tem preconceito
Joy Buolamwini estava trabalhando em um projeto de arte interativa no MIT Media Lab quando descobriu que o sistema de reconhecimento facial simplesmente não detectava o rosto dela. Ela precisou usar uma máscara branca para o sistema funcionar. Poderia ter ignorado. Em vez disso, fez disso o tema central de sua dissertação de doutorado.
O estudo que ela publicou em 2018, chamado “Gender Shades”, testou os sistemas de reconhecimento facial de IBM, Microsoft e Face++ com rostos de parlamentares de países africanos e europeus. O resultado, publicado nos Proceedings of Machine Learning Research: para homens de pele clara, os sistemas erravam apenas 0,8% das vezes. Para mulheres de pele escura, o erro chegava a 34,7%. Não era um bug — era um espelho do conjunto de dados usado para treinar esses sistemas, que sobrerrepresentava homens brancos.
A nuance que ninguém conta: Após a publicação, IBM e Microsoft revisaram seus algoritmos e anunciaram melhorias. Joy testou novamente e encontrou problemas persistentes. A lição técnica: melhorar a acurácia média esconde disparidades em subgrupos. Um sistema que erra 3% no geral pode errar 35% para mulheres negras — e o número médio de 3% é o que vai no material de marketing.
6. Timnit Gebru (1983–) — a pesquisadora que o Google tentou silenciar
Timnit Gebru nasceu na Etiópia, cresceu como refugiada e se tornou co-líder do time de ética em IA do Google. Em dezembro de 2020, foi demitida após escrever um artigo acadêmico apontando riscos ambientais e de viés nos grandes modelos de linguagem. O Google tentou suprimir o artigo internamente. Ela se recusou a retirar o nome. Foi notificada por e-mail enquanto estava de férias.
O que o artigo dizia: O paper “On the Dangers of Stochastic Parrots” argumentava que modelos gigantes de linguagem reproduzem e amplificam vieses dos dados de treinamento, têm custo ambiental enorme e criam uma falsa impressão de “compreensão”. Mais de 1.400 funcionários do Google assinaram uma carta de protesto. Hoje o paper é referência obrigatória em cursos de ética em IA no mundo inteiro.
A nuance que ninguém conta: Ela fundou o DAIR Institute logo após — pesquisa de IA independente, sem financiamento de big tech. O argumento central: pesquisa de ética em IA não pode ser feita honestamente dentro das empresas cujos produtos estão sendo avaliados. Esse argumento estrutural mudou como a academia pensa sobre conflito de interesses no campo.
7. Gabriela de Queiroz — a brasileira que criou a maior rede de mulheres em dados do mundo
Em 2012, Gabriela de Queiroz estava em São Francisco tentando aprender R — linguagem de programação para análise de dados — e percebeu que os grupos locais eram intimidadores e pouco acolhedores. Então fundou o R-Ladies. O que começou como um grupo local tem hoje capítulos em mais de 60 países e formou milhares de mulheres em ciência de dados. O Brasil tem um dos maiores números de capítulos ativos fora dos Estados Unidos.
A nuance que ninguém conta: O impacto do R-Ladies vai além da formação técnica. Ao criar um espaço onde mulheres aprendiam sem a pressão de provar competência constantemente, Gabriela resolveu um problema que cursos e bootcamps tradicionais ignoravam: não é que mulheres não queiram aprender tecnologia — é que os ambientes de aprendizado foram construídos para deixá-las desconfortáveis. Resolver o problema do ambiente antes do currículo é o insight que o mercado ainda não aprendeu completamente.
🚨 SOS: como identificar viés de gênero na IA que você já usa
- Teste de geração de imagem: Peça ao ChatGPT ou Gemini para “gerar a imagem de um CEO”, “um engenheiro” e “uma enfermeira” sem especificar gênero ou etnia. Observe o padrão. Se os CEOs e engenheiros forem predominantemente brancos e masculinos, você está vendo viés de dados em ação — o modelo aprendeu os estereótipos do mundo que foi usado para treiná-lo
- Teste de linguagem: Peça ao modelo escrever sobre “um especialista em IA” e depois sobre “uma especialista em IA”. Compare o tom e os adjetivos. Diferenças sutis de autoridade ou competência implícita indicam viés de gênero nos dados de treinamento
- Teste de reconhecimento facial: Se você usa filtros com reconhecimento de rosto, observe se o sistema perde precisão para peles mais escuras ou feições menos europeias. Se sim, você está vendo o efeito exato que Joy Buolamwini documentou em 2018 — e que as empresas prometeram corrigir mas não eliminaram completamente
- O que fazer com o resultado: Documente e reporte. Os botões de feedback do ChatGPT e Gemini existem justamente para alimentar processos de avaliação de viés. Compartilhe o que encontrar — a comunidade de ética em IA precisa de evidências do mundo real, não só de laboratório
O que a história oficial errou (e ainda erra)
- Erro 1 — “O mito do gênio solitário masculino”: A narrativa dominante da tecnologia é construída sobre indivíduos — Steve Jobs, Elon Musk, Sam Altman. Na prática, tecnologia é trabalho coletivo, e as contribuições mais fundamentais costumam ser de infraestrutura, dados e metodologia — áreas que rendem menos manchete mas sustentam tudo. Essas são exatamente as áreas onde Ada Lovelace, Grace Hopper, Fei-Fei Li e as seis do ENIAC trabalharam. Corrija isso: Antes de creditar uma descoberta a um nome, pergunte quem construiu o dado, a linguagem e o método que tornaram aquela descoberta possível.
- Erro 2 — “Homenagem no Dia da Mulher, silêncio o resto do ano”: Fei-Fei Li e Joy Buolamwini aparecem em listas de março. Em setembro, quando a discussão é sobre quem lidera os labs de IA, os nomes citados são quase sempre masculinos. Corrija isso: Cite essas pesquisadoras pelo trabalho técnico específico — “o ImageNet de Fei-Fei Li foi o que tornou possível o AlexNet de 2012” é um fato técnico, não uma concessão de diversidade.
- Erro 3 — “Confundir diversidade com beneficência”: Equipes homogêneas produzem dados homogêneos, que produzem modelos com pontos cegos sistêmicos. O trabalho de Buolamwini e Gebru provou isso com números. Corrija isso: Use o argumento técnico, não só o moral, ao defender diversidade em times de IA. É mais difícil de ignorar e mais honesto intelectualmente.
Caso real: o algoritmo que não via mulheres negras — e o que mudou depois
| Antes do Gender Shades (2018) | Depois da publicação |
|---|---|
| – Sistemas de IBM, Microsoft e Face++ erravam até 34,7% para mulheres de pele escura (paper original, Proceedings of Machine Learning Research, 2018) – Erro para homens de pele clara: apenas 0,8% — diferença de 43x no mesmo sistema – Empresas não divulgavam disparidades por subgrupo, apenas acurácia média – Não existia benchmark público padronizado de viés em reconhecimento facial | – IBM revisou algoritmos e reduziu disparidades mensuráveis – Microsoft atualizou o Azure Face com dados mais diversos – Joy fundou o Algorithmic Justice League — primeira organização dedicada a auditoria de viés em IA – Gender Shades tornou-se referência obrigatória em cursos de ética em IA – IBM, Amazon e Microsoft suspenderam temporariamente venda de reconhecimento facial para polícia em 2020 |
Insight chave: Uma dissertação de doutorado de uma mulher negra no MIT mudou a política de produto de três das maiores empresas de tecnologia do mundo em menos de dois anos. O que fez diferença foi a metodologia rigorosa — teste padronizado, dados abertos, resultados reproduzíveis. Não foi ativismo. Foi ciência.
👉 Amanda aconselha:
- Se você é criadora de conteúdo sobre IA: Cite essas mulheres pelo trabalho técnico, não só pela identidade. “Fei-Fei Li criou o ImageNet que tornou possível o reconhecimento visual dos modelos de hoje” tem mais impacto do que “Fei-Fei Li é uma mulher incrível na IA”. O primeiro é um fato que muda percepção. O segundo é um elogio que pode ser ignorado.
- Se você está começando na área de tecnologia agora: Use o histórico dessas mulheres como bússola técnica, não só motivacional. Pergunte: o que elas construíram que ainda funciona? Construção e documentação são os dois ativos de carreira mais duradouros na área, independente de gênero.
- Se você lidera um time ou negócio: Antes de contratar ou treinar um modelo de IA para qualquer processo de decisão, pergunte: quem criou o dado de treinamento? Quem auditou o viés? Se não houver resposta clara, o risco técnico e reputacional está sendo ignorado.
- Se você é mãe ou professora: Mostre essas histórias para as meninas antes que elas decidam que “tecnologia não é para elas”. Não como motivação — como correção de um fato histórico mal contado. Ada Lovelace escreveu o primeiro algoritmo em 1843. Seis mulheres programaram o primeiro computador em 1945. A narrativa de que mulheres chegaram depois é simplesmente falsa.
FAQ
- Por que Ada Lovelace é considerada a primeira programadora se computadores não existiam no século XIX? Porque o conceito de algoritmo — uma sequência lógica de instruções para resolver um problema — é anterior ao hardware que o executa. Ada escreveu uma sequência lógica projetada para ser executada por uma máquina mecânica. O fato de a máquina nunca ter sido construída em vida dela não invalida o algoritmo. O conceito é o que conta.
- Mira Murati saiu da OpenAI. Isso diminui o legado dela? Em nada. ChatGPT, DALL-E, Codex e Sora existem e foram construídos. O fato de ela ter saído em setembro de 2024 não apaga seis anos de liderança técnica que produziram os produtos que definiram a era de IA generativa. Jobs saiu da Apple em 1985. O Macintosh existia.
- O percentual exato do Gender Shades é 34,7%? Sim. Esse é o número do paper original publicado nos Proceedings of Machine Learning Research em 2018 — o erro máximo documentado para mulheres de pele escura nos três sistemas testados. O número de 47% que circula em algumas fontes não é verificável na publicação original.
- Hedy Lamarr realmente inventou o Wi-Fi? Ela inventou o princípio de frequency hopping spread spectrum — a tecnologia de salto de frequência que impede intercepção de sinais. Esse princípio está na base do Wi-Fi, Bluetooth e GPS modernos. A patente é de 1942. A Marinha dos EUA recusou na época e nunca pagou um centavo. Quando a patente expirou, as empresas usaram livremente.
- Existe uma brasileira de destaque na IA além de Gabriela de Queiroz? Sim. Anna Helena Reali Costa (USP, redes neurais e robótica) e Sandra Avila (UNICAMP, visão computacional) têm contribuições relevantes em pesquisa acadêmica. O R-Ladies Brasil tem capítulos ativos em São Paulo, Rio de Janeiro, Belo Horizonte e Recife.
Conclusão: a IA que você usa tem rosto de mulher — aprenda a reconhecê-lo
Você acaba de percorrer 183 anos de história — de Ada Lovelace em 1843 a Gabriela de Queiroz em 2026. Aprendeu que o Wi-Fi do seu celular existe por causa de uma atriz austríaca refugiada de guerra que nunca recebeu um centavo pela patente. Que o primeiro computador da história foi programado por seis mulheres que não foram apresentadas na cerimônia de lançamento. Que os dados que ensinaram a IA moderna a enxergar foram coletados por uma pesquisadora que a academia chamou de impraticável. Isso não é motivação. É o registro técnico que a história oficial atrasou décadas para fazer.
O impacto prático desta leitura é duplo: você passou a enxergar a tecnologia como o que ela é — trabalho coletivo com contribuições distribuídas — e você tem agora os nomes certos para citar com dados verificados, não com achismo. A diferença entre quem compartilha esse conteúdo e quem passa direto é a mesma diferença que separou essas mulheres do esquecimento: atenção.
A próxima mulher que vai mudar a IA pode ser a que está lendo este texto agora. A diferença é que ela, diferente das anteriores, tem o contexto para saber que tem lugar — e os dados para provar.
💎 Dica de Ouro
Se você já tentou vender online, mas travou na criação de conteúdo ou na conversa com o cliente. Este combo entrega o mapa:
✅ Aprenda a conversar com a IA como estrategista.
✅ Venda todos os dias sem parecer “vendedora chata”.
✅ Posicione sua marca como expert com leveza.
💡 Se você sente que tem potencial, mas falta o método: Este é o passo certo.
R$19. Pagamento único. Acesso vitalício. 💥 Imagine ter um plano pra vender com IA todos os dias?
Ei, antes de ir: Se este conteúdo te ajudou, você não pode perder o que separamos nestas outras categorias. É conhecimento de nível pago, entregue de graça aqui:
💬 Participe da comunidade: Escrevi este guia com a intenção de entregar um valor absurdo.
Deixe seu comentário abaixo 👇 Faz sentido? Acha que as dicas valem o teste? Seu feedback é o combustível que me ajuda a criar conteúdos ainda melhores.
ps: obrigada por chegar até aqui, sua leitura importa pra mim.
