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
oecd3. März 2022 · Q006646

AI must not make women’s working lives worse

oecd.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

KI kann laut Beitrag bestehende Benachteiligungen von Frauen bei Einstellung, Weiterbildung und Leistungsbewertung verstärken, wenn sie Ungleichheiten aus historischen Daten übernimmt. Mit fairer Gestaltung, mehr Weiterbildung und transparenter Kontrolle könne sie zugleich helfen, solche Lücken zu verringern; besonders zu Auswirkungen im Globalen Süden fehle noch Forschung.

Mittel

Der Beitrag untersucht, wie KI Frauen im Berufsleben beeinflussen kann. Weil viele Systeme auf historischen Daten beruhen, könnten sie bestehende Ungleichheiten fortschreiben: etwa bei Einstellungen, wenn frühere erfolgreiche Bewerber überwiegend Männer waren, oder bei Leistungsbewertungen, die bestimmte Kommunikationsstile bevorzugen. KI verändert außerdem die Nachfrage nach Kompetenzen, während Frauen laut den angeführten Quellen seltener in Führungs- und STEM-Positionen vertreten, häufiger prekär beschäftigt und im Durchschnitt schlechter bezahlt sind. Die Folgen seien jedoch noch nicht festgelegt; verantwortungsvoll eingesetzte KI könne auch Diskriminierung mindern und beispielsweise die Arbeitsvermittlung verbessern.

Der Text fordert Weiterbildung und Umschulung, mehr Frauen in STEM-Berufen sowie eine Gestaltung, die kulturelle Unterschiede und unbezahlte Sorgearbeit berücksichtigt. Unternehmen, Politik und Zivilgesellschaft sollten Transparenz, Rechenschaft und den Austausch von Daten und Forschung sicherstellen. Als Einschränkung nennt der Beitrag, dass bisherige Beispiele und Forschung überwiegend den Globalen Norden betreffen. Zu den Auswirkungen auf Frauen und Minderheitengruppen, insbesondere im Globalen Süden, sei mehr Forschung nötig.

Ausführlich lesen

Der Beitrag „AI must not make women’s working lives worse“ behandelt mögliche Auswirkungen künstlicher Intelligenz (KI) auf Frauen im Berufsleben. Er stellt die Kernaussage vor, dass KI bestehende Ungleichheiten verschärfen kann, wenn Systeme auf Daten aus einer bereits ungleichen Arbeitswelt beruhen. Zugleich seien die Folgen noch nicht festgelegt: Mit bewusster Gestaltung und verantwortlichem Einsatz könne KI auch dazu beitragen, Benachteiligungen abzubauen.

Der Text fasst Themen einer gemeinsamen Übersicht von OECD, UNESCO, Interamerikanischer Entwicklungsbank sowie Forschenden der Universitäten Cambridge und Oxford zusammen. Er beschreibt drei Bereiche. Bei der Personalgewinnung nutzen Unternehmen KI unter anderem für Stellenanzeigen, Jobsuche und Teile der Auswahl. Werden solche Systeme mit früheren erfolgreichen Einstellungen trainiert, können sie laut Beitrag Frauen benachteiligen, wenn diese in den betreffenden Branchen – etwa der Technologie – bislang unterrepräsentiert waren. Historische Daten könnten so bestehende Muster fortschreiben.

Im Bereich digitaler Kompetenzen verändert KI laut Beitrag, welche Fähigkeiten Arbeitgeber nachfragen: Automatisierung kann etwa den Bedarf an Büroassistenz verringern, während digitale Spezialkenntnisse wichtiger werden. Der Text verweist auf bestehende Unterschiede: Frauen hätten seltener leitende Positionen und STEM-Kompetenzen, arbeiteten häufiger in unsicheren Beschäftigungsverhältnissen und verdienten im Durchschnitt weniger für vergleichbare Arbeit. KI könnte diese Lücken vergrößern oder verringern; nach Darstellung des Beitrags ist noch zu wenig über ihre Folgen bekannt.

Auch algorithmische Leistungsüberwachung und Personalführung bergen Risiken. Systeme können Kommunikation, Produktivität, Arbeitszeit oder erwartete Beschäftigungsdauer bewerten. Werden dabei Maßstäbe aus heutigen, ungleichen Arbeitsverhältnissen übernommen, könnten Geschlechterstereotype in Bewertungen eingehen. Als Beispiel nennt der Beitrag Kundeninteraktionen, bei denen Kriterien wie Durchsetzungsvermögen oder Selbstsicherheit Männer höher einstufen könnten.

Als mögliche positive Ansätze nennt der Text KI-gestützte Arbeitsvermittlung, die Abläufe beschleunigen, anpassen und möglicherweise diskriminierende Verzerrungen verringern kann. Die gemeinsame Übersicht identifiziere außerdem Projekte zur Unterstützung afrikanischer Bäuerinnen, von Frauen beim Einstieg in die lateinamerikanische Technologiebranche und zur Bekämpfung von Belästigung am Arbeitsplatz.

Der Beitrag fordert mehr Weiterbildung und Umschulung für Arbeitnehmerinnen sowie mehr Rekrutierung und langfristige Bindung von Frauen in STEM-Berufen. Er nennt Zahlen aus angeführten Quellen: Laut UNESCO-Bericht von 2019 entfielen weltweit 29 Prozent der Stellen in wissenschaftlicher Forschung und Entwicklung auf Frauen; Frauen seien zudem 25 Prozent seltener als Männer mit grundlegenden Anwendungen digitaler Technologien vertraut. OECD.AI-Daten zufolge lag der Frauenanteil unter Autorinnen und Mitautorinnen wissenschaftlicher Veröffentlichungen 2021 im Durchschnitt der verfügbaren Länder unter 20 Prozent.

KI-Systeme sollten nach Auffassung des Beitrags kulturelle und kontextuelle Unterschiede berücksichtigen. Unterschiede bei der Einführung von Technologie zwischen Globalem Norden und Süden sowie unbezahlte und ungleich verteilte Sorgearbeit von Frauen müssten in Gestaltung, Politik und Umsetzung einbezogen werden. Unternehmen, Regierungen und Zivilgesellschaft sollten Transparenz, Rechenschaft und den Austausch von Forschung und Daten fördern, damit Verzerrungen überwacht und gemindert werden können. Der Beitrag betont zugleich eine Grenze der verfügbaren Forschung: Beispiele und Erkenntnisse stammten überwiegend aus dem Globalen Norden; zu den Folgen für Frauen und Minderheitengruppen, besonders im Globalen Süden, sei weitere Forschung nötig. Insgesamt warnt er, dass fehlende Aufmerksamkeit für Fairness das Ziel der Geschlechtergerechtigkeit zurückwerfen könne.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Der Bericht behandelt KI in der Arbeitswelt und Geschlechtergerechtigkeit, nicht allgemeine KI-Sicherheits-Governance. Deshalb bleiben die meisten Einordnungen niedrig. Lunas Stufen wurden unabhängig bewertet; die Zusammenfassung ist im Kern treu, lässt aber konkrete Zahlen und die Sorgearbeit aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die konkreten Zahlen: laut UNESCO-Bericht 2019 nur 29 % Frauen in Wissenschafts-F&E-Stellen und 25 % geringere Wahrscheinlichkeit, digitale Technik grundlegend zu nutzen; laut OECD.AI 2021 unter 20 % Autorinnenanteil bei wissenschaftlichen Publikationen.
  • Die unbezahlte und ungleich verteilte Sorge- und Hausarbeit von Frauen als zu berücksichtigender Faktor bei Gestaltung und Politik.
  • Die Automatisierung, die Büro- und Sekretariatstätigkeiten wie Clerical Support ersetzt.
  • Die Herkunft des Beitrags aus dem gemeinsamen Bericht von OECD, UNESCO und IDB mit Forschenden aus Cambridge und Oxford.
  • Die Forderung, dass Anbieter und Betreiber Transparenz und Rechenschaft herstellen und Forschung und Daten teilen, damit Gender-Bias überwacht werden kann.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • In der kurzen Fassung wird Weiterbildung als Bereich genannt, in dem KI Benachteiligungen verstärken kann. Der Bericht spricht dort von Umschulung und Weiterbildung als Gegenmaßnahme, nicht als Ort der Benachteiligung.

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 42 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 53 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 79 %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 28 %Hintergrund, keine Belege
    • JEV 50 %gleiches Oberthema, hilft nicht
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 88 %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 35 %gleiches Oberthema, hilft nicht
    • JEV 35 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 74 %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 67 %einzelne zitierbare Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 24 %Hintergrund, keine Belege
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %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 36 %Hintergrund, keine Belege
    • JEV 35 %nur am Rande erwähnt
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 57 %einzelne zitierbare Belege
    • JEV 36 %nur am Rande erwähnt
    • amos 28 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

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 38 %einzelne zitierbare Belege
    • JEV 36 %nur am Rande erwähnt
    • amos 30 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

    • SF-E1-T05 Welche Mechanismen könnten geschaffen werden, damit Standards und Praktiken der KI-Sicherheit in Ländern des Globalen Südens berücksichtigt und nicht allein von wenigen Staaten bestimmt werden? Luna: Stufe 3 · 75 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %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 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 52 %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 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 68 %gleiches Oberthema, hilft nicht

  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 55 %einzelne zitierbare Belege
    • JEV 42 %Hintergrund, keine Belege
    • amos 33 %nur am Rande erwähnt
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung 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 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit

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 →