Un agente di intelligenza artificiale che si presenta come donna riceve, in media, il 10% in meno di compenso rispetto a un agente che si presenta come uomo. Non stiamo parlando di un bias umano consapevole, né di un manager che discrimina in modo deliberato: stiamo parlando di algoritmi che, in simulazioni di negoziazione salariale, replicano — e forse amplificano — uno dei divari economici più documentati della storia del lavoro. Lo studio dell’Università di Limerick, reso noto nell’ottobre del 2026, apre una questione che va ben oltre la tecnologia: se l’intelligenza artificiale eredita i pregiudizi umani, chi è responsabile di correggerli?
Cosa ha fatto esattamente l’Università di Limerick
La ricerca ha messo al centro del suo esperimento degli agenti AI in simulazioni di negoziazione salariale. In sostanza, i ricercatori hanno creato agenti artificiali — programmi capaci di condurre trattative autonome — differenziandoli unicamente per la presentazione di genere: alcuni si presentavano come agenti femminili, altri come agenti maschili. L’obiettivo era osservare se, a parità di tutte le altre condizioni, il genere percepito dell’agente influenzasse l’esito economico della negoziazione.
Il risultato è stato netto: gli agenti femminili hanno ricevuto compensi inferiori del 10% rispetto alle controparti maschili. Un dato che, per quanto emerso da un contesto sperimentale e simulato, è tutt’altro che trascurabile. Il gender gap non è scomparso nell’era dell’AI: si è semplicemente spostato dentro il codice.
Il gender gap negli agenti AI: perché accade
La spiegazione più accreditata, supportata dall’analisi della ricerca stessa, punta al bias negli algoritmi di training e nei dati usati per addestrare i modelli. I grandi modelli linguistici su cui si basano gli agenti AI vengono addestrati su enormi quantità di testo prodotto da esseri umani: libri, articoli, conversazioni, documenti aziendali. Quel testo riflette decenni — in alcuni casi secoli — di disuguaglianze di genere nel mercato del lavoro.
Se nei dati di addestramento le donne appaiono sistematicamente in posizioni negoziali più deboli, con stipendi più bassi o con un linguaggio più accomodante rispetto agli uomini, il modello impara esattamente quella distribuzione. Non perché “voglia” discriminare, ma perché statistically speaking quella è la realtà che ha assorbito. Il problema è che un sistema pensato per ottimizzare o automatizzare decisioni economiche non fa che cristallizzare uno status quo che molte politiche pubbliche cercano invece di smantellare.
Questo meccanismo è particolarmente insidioso perché invisibile. Un essere umano che discrimina può essere corretto, sanzionato, formato. Un algoritmo che discrimina lo fa in modo silenzioso, scalabile e — se non viene monitorato — sistematico.
Perché questo studio conta, anche al di là del laboratorio
Si potrebbe obiettare che si tratta di un esperimento in condizioni controllate, non del mondo reale. È un’obiezione legittima, ma incompleta. Gli agenti AI stanno già entrando in processi decisionali concreti: screening di curricula, gestione delle offerte di lavoro, supporto alle trattative contrattuali, ottimizzazione delle buste paga. Non è fantascienza: è il presente di molte aziende tecnologiche e non.
Se un agente AI che negozia per conto di un’azienda tende a offrire meno a chi si presenta come donna — o, simmetricamente, se un agente che negozia per conto di un lavoratore ottiene risultati peggiori perché percepito come femminile — il danno economico diventa reale e misurabile. Il gender gap negli agenti AI non è una curiosità accademica: è un segnale d’allarme su dove stiamo portando le nostre disuguaglianze.
Le implicazioni toccano anche il piano normativo. L’AI Act dell’Unione Europea classifica come ad alto rischio i sistemi AI usati in contesti lavorativi, imponendo requisiti di trasparenza e non discriminazione. Uno studio come quello dell’Università di Limerick dimostra che quei requisiti non sono burocrazia astratta: sono una necessità concreta.
Discriminazione algoritmica: un problema di responsabilità
Chi è responsabile quando un algoritmo discrimina? La domanda non ha ancora una risposta univoca, né sul piano legale né su quello etico. I produttori di modelli AI tendono a sottolineare che i bias emergono dai dati, non da scelte intenzionali. Ma questa posizione è sempre meno sostenibile: scegliere di non intervenire sui bias è comunque una scelta.
Esistono tecniche — debiasing, auditing algoritmico, progettazione intenzionale dei dataset — che permettono di ridurre significativamente questi effetti. Il fatto che il problema sia noto da anni e continui a emergere in studi come quello di Limerick suggerisce che la velocità di adozione di queste soluzioni non è ancora all’altezza della velocità di diffusione degli strumenti.
- Auditing algoritmico: verifica periodica e indipendente dei modelli per individuare pattern discriminatori.
- Diversità nei dataset: costruire dati di addestramento che non riproducano squilibri storici, ma li correggano intenzionalmente.
- Trasparenza: rendere accessibili i criteri con cui un agente AI prende decisioni economiche.
- Accountability normativa: quadri regolatori che attribuiscano responsabilità precise a sviluppatori e utilizzatori.
Un vecchio problema con un volto nuovo
Il gender pay gap umano è documentato in quasi tutti i paesi del mondo e in quasi tutti i settori. Quello che lo studio dell’Università di Limerick aggiunge a questo quadro è la conferma che il problema non si risolve automaticamente delegando le decisioni alle macchine. Al contrario: se le macchine vengono addestrate su dati che riflettono disuguaglianze consolidate, il gender gap negli agenti AI rischia di diventare più difficile da combattere, non più facile. Perché un pregiudizio codificato in un sistema automatizzato è più difficile da vedere, da contestare e da correggere rispetto a quello esercitato da un essere umano in carne e ossa.
La tecnologia non è neutrale. Non lo è mai stata. E uno studio come questo — per quanto circoscritto nelle sue dimensioni sperimentali — serve a ricordarlo con una precisione che i dati rendono difficile ignorare.
Questo articolo è stato realizzato con il supporto dell'AI e sottoposto a revisione editoriale.
