Muchos de nosotros estudiamos la historia sin darnos cuenta de una gran verdad: todo lo que conocemos de la humanidad hasta hoy en día es solo la mitad de lo que efectivamente ha sucedido. De hecho, a menudo las historias de los hombres se utilizan para representar la vida humana en conjunto, descuidando completamente el punto de vista femenino. Este fenómeno se llama sesgo masculino y es la base del gender data gap, o desigualdad en los datos de género, es decir la falta de datos de la experiencia, del punto de vista y de las necesidades femeninas. Conceptos como este son aún más importantes en una época como la nuestra, donde los big data y la inteligencia artificial son cada vez más importantes y regulan todos los aspectos de nuestra vida.
Los big data usados en la inteligencia artificial o que se introducen en las computadoras, de hecho, pueden estar contaminados de sesgos de género y a menudo no podemos ni siquiera saberlo, dado que se trata de empresa de inteligencia artificial privadas y por lo tanto no están sujetas al control de los gobiernos o de la gente común. En la mayoría de casos estos sesgos llevan a las mujeres a sufrir un algunas incomodidades que son en realidad puras injusticias — por ejemplo una estantería demasiado alta o la temperatura en la oficina demasiado baja, porque están basadas en datos masculinos- pero en otros casos sus vidas están en peligro, como por ejemplo cuando no se diagnostica a tiempo un infarto porque los síntomas se consideran anormales , aunque no lo sean para las mujeres.
La realidad es que los hombres tienden a plasmar el mundo a su imagen. Como no tienen un cuerpo femenino, ni están sujetos a cargas de asistencia y trabajo no retribuidos, ni son víctimas de violencia deliberada de la misma manera que las mujeres, los hombres tienden a no ver estos problemas. No es que lo hagan a propósito o con malicia, sino más bien es simplemente una falta de atención que trae problemas cada vez más grandes para las mujeres que viven en un mundo cada vez más desigual e injusto. Esto se agrava aún más cuando la categoría femenina pertenece a cualquier otra minoría: si los datos son pocos y además se ignoran para el sexo femenino, son prácticamente inexistentes cuando se trata de mujeres de color o discapacitadas, por poner un ejemplo.
