Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
oecd8. März 2023 · Q001821

Artificially Inequitable? AI and closing the gender gap

oecd.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der OECD.AI-Beitrag argumentiert, dass KI Frauen wirtschaftliche Chancen eröffnen, zugleich aber bestehende Ungleichheiten durch geringe Repräsentation, stereotype Systeme und geschlechtsspezifische Desinformation verstärken kann. Er belegt die Unterrepräsentation unter anderem mit Forschungs- und Umfragedaten, weist auf methodische Grenzen dieser Daten hin und empfiehlt Kompetenzförderung, mehr Unterstützung für Frauen in der KI sowie Schutz vor diskriminierenden Anwendungen.

Mittel

Der OECD.AI-Beitrag untersucht, ob KI zur Geschlechtergleichstellung beitragen oder bestehende Benachteiligungen verstärken kann. Er nennt geringeren Zugang von Frauen zu digitaler Bildung und Infrastruktur, ihre Unterrepräsentation in KI-Forschung und Führung sowie stereotype Darstellungen und geschlechtsspezifische Desinformation als zentrale Probleme. Generative KI könne zudem sexualisierte Bilder erzeugen und manipulierte Inhalte verbreiten, die Frauen in Politik und Führungspositionen zum Rückzug aus öffentlichen Debatten drängen könnten.

Als Belege führt der Text unter anderem an, dass in OECD-Ländern mehr als doppelt so viele junge Männer wie junge Frauen programmieren können. 2022 sei etwa jede vierte Person, die weltweit zu KI publizierte, eine Frau gewesen; etwas mehr als vier Prozent der Befragten einer Stack-Overflow-Erhebung hätten sich als weiblich bezeichnet. Zugleich wachse laut LinkedIn-Auswertung der Anteil weiblicher KI-Talente schneller als der männliche.

Der Beitrag stützt sich auf Daten von OECD, LinkedIn, Elsevier/Scopus und Stack Overflow. Er weist auf Grenzen hin: Geschlecht wurde teils anhand von Namen klassifiziert, gemischte Autorenteams doppelt gezählt und Umfragewerte können verzerrt sein. LinkedIn-Daten spiegeln außerdem die jeweilige Plattformabdeckung wider. Empfohlen werden mehr Kompetenzförderung, Unterstützung von Frauen in Forschung und Vermarktung sowie frühe Beteiligung und Widerspruchsmöglichkeiten für Betroffene. Beispiele sind Programme in Kanada und den USA sowie niederländische Leitlinien gegen diskriminierende Algorithmen.

Ausführlich lesen

Der OECD.AI-Beitrag „Artificially Inequitable? AI and closing the gender gap“ fragt, ob die Entwicklung künstlicher Intelligenz zur Gleichstellung beitragen kann oder bestehende Benachteiligungen fortschreibt. Der Beitrag argumentiert, dass KI Chancen für Produktivität und wirtschaftliche Teilhabe bietet, ihre Wirkung aber davon abhängt, wer sie entwickelt, welche Daten und Annahmen in Systeme einfließen und ob geeignete Schutzmaßnahmen bestehen.

Als fortbestehende Hindernisse nennt der Text den geringeren Zugang von Frauen zu digitaler Infrastruktur, Ausbildung und Kompetenzen sowie ihre Unterrepräsentation in KI-Forschung und -Entwicklung. Zugleich könnten stereotype Darstellungen in Sprachassistenten und humanoiden Robotern traditionelle Rollenbilder verstärken. Der Beitrag verweist außerdem auf generative KI, die sexualisierte Bilder von Frauen erzeugen könne, und warnt vor gefälschten oder manipulierten Inhalten. Frauen in Politik und Führungspositionen seien besonders von geschlechtsspezifischer Desinformation betroffen; dies könne sie zum Rückzug aus Online-Debatten und bestimmten Berufsfeldern drängen.

Zur Beteiligung an digitalen Berufen führt der Text an, dass in OECD-Ländern mehr als doppelt so viele junge Männer wie junge Frauen im Alter von 16 bis 24 Jahren programmieren können. 2019 hätten Frauen weltweit 18 Prozent der Führungskräfte in KI-Unternehmen und führenden Start-ups gestellt. Auf LinkedIn meldeten Männer dem Beitrag zufolge doppelt so häufig KI-Kompetenzen wie Frauen; zugleich wachse die Zahl der Frauen mit KI-Kompetenzen schneller als die der Männer.

Auch die Forschung sei weit von einer ausgeglichenen Beteiligung entfernt: 2022 sei weltweit nur etwa jede vierte Person, die zu KI publizierte, eine Frau gewesen. Frauen hätten zu rund 45 Prozent der KI-Publikationen beigetragen, während fast 90 Prozent mindestens einen männlichen Mitautor aufwiesen. Elf Prozent seien ausschließlich von Frauen, 55 Prozent ausschließlich von Männern verfasst worden. Die Anteile unterschieden sich laut Beitrag deutlich zwischen Ländern. Bei einer Stack-Overflow-Erhebung von 2022 hätten etwas mehr als vier Prozent der Befragten angegeben, weiblich zu sein.

Der Beitrag stützt sich auf OECD-Auswertungen und angeführte Daten von LinkedIn, Elsevier/Scopus sowie einer Stack-Overflow-Umfrage. Er nennt dabei Einschränkungen: Die Geschlechtszuordnung in Scopus beruht auf Namensklassifikatoren mit einer Mindestwahrscheinlichkeit von 85 Prozent; Publikationen mit Autorinnen und Autoren verschiedener Geschlechter werden doppelt gezählt. Die Stack-Overflow-Daten können Auswahlverzerrungen enthalten. LinkedIn-Kennzahlen hängen von der Plattformabdeckung ab und seien etwa für Indien mit besonderer Vorsicht zu lesen.

Als politische Ansätze beschreibt der Text Förderung digitaler und KI-spezifischer Kompetenzen, mehr Unterstützung für Frauen in Forschung und Vermarktung sowie Maßnahmen gegen stereotype Verzerrungen. Als Beispiele nennt er ein kanadisches Ausbildungs- und Netzwerkprogramm für Frauen in MINT-Fächern, das US-amerikanische AIM-AHEAD-Programm zur stärkeren Beteiligung unterrepräsentierter Forschender und eine niederländische Anleitung zur Vermeidung diskriminierender Algorithmen. Diese Ansätze sollen unter anderem vielfältigere Daten, frühe Beteiligung Betroffener und Möglichkeiten zum Widerspruch fördern. Der Beitrag schließt mit der Einschätzung, KI könne die wirtschaftliche Selbstbestimmung von Frauen unterstützen, aber ohne Aufmerksamkeit für Repräsentation, Diskriminierung und Schutz vor Missbrauch auch Ungleichheiten verschärfen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Fassungen von Luna (kurz und mittel) wurden geprüft: Sie enthalten keine erfundenen Angaben, lassen aber zentrale Stereotyp-Befunde und Kennzahlen aus. Der Bericht behandelt vor allem Geschlechtergleichstellung in KI, nicht die allgemeinen Governance-Fragen, daher fallen die Einordnungen niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Weibliche Stimmen bei Sprachassistenten und Robotern (Alexa, Siri, Sophia u. a.) verstärken laut Bericht traditionelle Rollenbilder, und generative KI erzeugt sexualisierte Frauenbilder bei gleichzeitiger Darstellung von Männern als professionell
  • Rund 45 % der KI-Publikationen haben eine Autorin, nur 11 % sind rein weiblich verfasst gegenüber 55 % rein männlich
  • Italien liegt mit 47 % Publikationen mit mindestens einer Autorin vorn, Tschechien, Japan und Korea nur bei etwa jeder fünften
  • Im Jahr 2019 waren nur 18 % der C-Suite-Führungskräfte in KI-Unternehmen und Top-Start-ups Frauen
  • Männer geben auf LinkedIn doppelt so häufig KI-bezogene Fähigkeiten an wie Frauen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 68 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-M5 Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-M5-T06 Welche Pflicht sollten Regierungen, Labore und Betreiber haben, wenn sich später zeigt, dass ein eingesetztes Modell eine Sicherheitsschwelle verletzt hat: die Entscheidungen, die es beeinflusst hat, zu ermitteln, darüber zu benachrichtigen, sie zu berichtigen oder für sie zu entschädigen? Und wie kann eine nachträgliche Prüfung den vom Modell verursachten Schaden vom umgebenden menschlichen Entscheidungsprozess unterscheiden? Luna: Stufe 3 · 47 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Fähigkeiten messen
  1. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 65 %Hintergrund, keine Belege
    • JEV 45 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 76 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 40 %gleiches Oberthema, hilft nicht
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 78 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 47 %gleiches Oberthema, hilft nicht
    • JEV 30 %Hintergrund, keine Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 79 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 69 %einzelne zitierbare Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O1 Wie können Mitarbeitende Sicherheitsbedenken melden, ohne alles zu riskieren?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 66 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 37 %nur am Rande erwähnt
    • amos 31 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht

  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht

  3. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 34 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  4. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 70 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 65 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  5. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 53 %einzelne zitierbare Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 25 %nur am Rande erwähnt
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 48 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 46 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-E5-T03 Wie können Menschen, die von KI betroffen sind, die Sicherheitszusagen ihrer Regierungen verbindlich mitbestimmen, bevor diese sie auf einem Gipfel festlegen? Zum Beispiel über einen Bürgerrat, ein Einspruchsrecht nach öffentlicher Anhörung oder eine unabhängige Vertretung mit festen Rechten, und nicht nur über Gespräche mit Fachleuten. Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 25 %nur am Rande erwähnt
    • Luna 46 %Hintergrund, keine Belege
    • JEV 43 %nur am Rande erwähnt
    • amos 36 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 32 %nur am Rande erwähnt
    • d3-ultra 42 %gleiches Oberthema, hilft nicht

    • SF-I1-T01 Welche gemeinsamen Standards für Herkunftsnachweis und Erkennung (Wasserzeichen, signierte Metadaten, Fingerabdrücke von Modellen) würden Labore, Plattformen und Regierungen einführen, damit KI-erzeugte Texte, Tonaufnahmen und Videos über Ländergrenzen hinweg zuverlässig zuzuordnen sind? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-I1-T02 Welche gemeinsamen Regeln sollten Labore und Regierungen für Herkunftsnachweis, Kennzeichnung und schnelle Reaktion auf maschinell erzeugte oder veränderte Medien oder Texte annehmen, die eingesetzt werden, um die Öffentlichkeit zu täuschen, und dabei Journalismus, Satire und Forschung schützen? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-I1-T03 Wenn KI-erzeugte Einflussnahme vor allem über gemeinsam genutzte Systeme für Empfehlungen, Rangfolgen, Werbung und Nutzerbindung wirkt und nicht über die Ausgabe eines einzelnen Modells: Welche gemeinsame Messung, welche Vorfallschwelle und welcher abgestimmte Reaktionsablauf sollten gelten, ohne dass Plattformaufsicht zur Zensur von Meinungen wird? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →