Vrouwen gebruiken AI significant minder dan mannen, ook wanneer toegang en opleiding gelijk zijn. Dat is geen vrouwenprobleem, maar een organisatierisico: wie de helft van de workforce niet meeneemt in AI-adoptie, bakt bias in zijn systemen én verkleint zijn eigen markt.
Annika Sponselee klom als vrouw relatief jong op tot partner bij Deloitte, waar ze organisaties nu adviseert over AI-regelgeving en verantwoord AI-gebruik. Makkelijk was dat niet altijd. “Soms ook regelrecht eenzaam”, zegt ze. Vrouwen zijn in leidinggevende posities nog altijd ondervertegenwoordigd, maar beslissingen over AI worden juist op dat niveau genomen. Wie daar niet aan tafel zit, heeft geen stem in hoe de technologie wordt ingericht en uitgerold.
Sponselee zag dat als een nieuw front in een oud probleem en besloot er iets aan te doen. In 2025 richtte ze FLAICC (Female Leaders in AI en AI Compliance Community) op, een netwerk voor vrouwen in AI en AI-compliance. “Ik zit nu op een bevoorrechte positie en vind het gewoon mijn taak om me hard te maken voor de huidige leiders, maar ook voor de generaties die eraan komen.”
De urgentie wordt gevoed door wat ze om zich heen ziet. Diversiteit staat door mondiale politieke ontwikkelingen minder hoog op de agenda, terwijl de beslissingen over AI in een stroomversnelling komen. “We hebben een salaris-gendergap, een leadership-gendergap, een health-gendergap, en als we niets doen straks ook nog een AI-gendergap.” Het FLAICC-netwerk telt inmiddels 450 vrouwen, van wie een deel ook actief is in de LinkedIn-community.
Vrouwen gebruiken minder AI
Een meta-analyse van Harvard en Berkeley onder 143.000 mensen in 18 studies laat een hardnekkige kloof zien: vrouwen adopteren AI-tools gemiddeld 25 procent minder dan mannen. Een onderzoek van de universiteiten van Chicago en Kopenhagen, gepubliceerd in PNAS, toont aan dat vrouwen gemiddeld 16 procentpunten minder geneigd zijn ChatGPT te gebruiken dan mannen. Vergelijk je mensen in dezelfde beroepsgroep, dan loopt dat verschil op tot 20 procentpunten.
Hoe het er in Nederland precies voorstaat, weet niemand zeker. Nederlandse cijfers ontbreken grotendeels, en bedrijven meten het doorgaans niet. Sponselee herkent de internationale cijfers wel in de gesprekken die ze voert, maar is eerlijk over de grenzen van wat ze kan staven. “Ik vind dat lastig te onderbouwen met data. Maar ik denk wel dat er duidelijk een verschil is.”
De reden waarom vrouwen vaker terughoudend zijn, is vaak geen onwil of onvermogen. Sponselee ziet een terugkerend patroon. “Vrouwen stellen vaker vragen over privacy, over ethiek, over vertrouwelijkheid. Mannen gaan sneller vol die tools in.” Om die achterstand bij zichzelf weg te werken, rondde ze onlangs een zesweekse Oxford-cursus over AI af. “Dat heeft mij geleerd hoe het werkt, van machine learning tot agentic AI. Het geeft me meer vertrouwen als er gepraat wordt over modellen en architecturen. En dat zou ik iedereen aanraden: bekwaam je er zelf in, zodat je weet waar het over gaat.”
Voorzichtigheid wordt competentiekloof
Die kritischere houding van vrouwen is niet per se een zwakte. Maar het heeft wel gevolgen als organisaties er niets mee doen. Want terughoudendheid wordt een competentiekloof zodra mannelijke collega’s wél doorpakken. “Als wij de vrouwen in onze workforce niet voldoende meekrijgen, dan hebben wij echt een probleem”, zegt Sponselee. Wie AI-tools niet gebruikt, bouwt namelijk geen praktijkervaring op. En wie geen praktijkervaring opbouwt, heeft straks minder in te brengen op het moment dat AI-kennis medebepalend wordt voor functie-inhoud en doorgroei. Die verantwoordelijkheid ligt niet alleen bij vrouwen zelf. Organisaties moeten hen actief de ruimte geven om die stap te zetten.
Daar komt nog een tweede laag bij. AI-systemen worden getraind op data, en als die data een vertekend beeld geeft van de wereld, vertekenen de uitkomsten mee. Zijn vrouwen ondervertegenwoordigd in de datasets waarop modellen worden gebouwd, dan sijpelt die ongelijkheid door in wat het systeem produceert. Die datasets weerspiegelen decennia aan historische patronen. “De witte man van middelbare leeftijd komt er dan doorgaans het best vanaf”, zegt Sponselee.
Een bekend voorbeeld is het Amazon-wervingsalgoritme dat vrouwelijke sollicitanten systematisch lager scoorde, omdat het getraind was op historische aanstellingsdata die overwegend mannelijk waren. Sponselee hoorde onlangs van een actueler voorval. “Iemand vroeg ChatGPT: als ik deze functie ga doen, wat moet ik daarvoor vragen als vrouw? Het antwoord was 4800 euro. En toen zei diezelfde persoon: ik ben eigenlijk een man. Oh, dan 5300.” De bias zit niet in de intentie van het systeem, maar in de data waarmee het getraind is.
Die bias raakt ook klanten. AI-systemen die vooral door mannen worden ontwikkeld en gebruikt, worden vanzelf afgestemd op mannelijke patronen, voorkeuren en gedrag. Een organisatie die haar klanten via zulke systemen bedient, spreekt daarmee onbedoeld een smaller publiek aan. “Als je als organisatie niet goed naar de diversiteit en inclusiviteit van je AI-systemen kijkt, verklein je onbedoeld ook je doelgroep”, zegt Sponselee. “Daar zit gewoon een return on investment in.”
Plek aan tafel bepaalt uitkomst
De kern van het probleem zit volgens Sponselee in de governance rondom AI. Wie beslist over de uitrol, de inrichting en de inzet van AI-systemen? In veel organisaties zijn dat overwegend mannen, en dat tekent de uitkomsten. “Als alleen mannen aan tafel zitten bij beslissingen over AI, krijg je ook alleen hun perspectief terug in wat er gebouwd wordt”, zegt Sponselee. Diversiteit in AI-governance is daarmee geen HR-vraagstuk, maar een kwaliteitsvraagstuk.”
Dat heeft Deloitte vertaald naar een responsible AI-framework waarin diversiteit en inclusiviteit expliciet is verankerd, zowel in de beoordeling van uitkomsten als in de samenstelling van de besluitvorming. “Het staat er gewoon in, zwart op wit”, zegt Sponselee. Niet als ambitie, maar als vereiste.
De AI Act verplicht organisaties die nieuwe AI-systemen inzetten voor hoogrisico-toepassingen, zoals HR-beslissingen, tot een risicobeoordeling vóór ingebruikname. Na een recent aangenomen wijziging via het EU-Omnibuspakket is de deadline voor die verplichting verschoven van augustus 2026 naar december 2027. Sponselee is nuchter over wat dat in de praktijk betekent: wie wacht op regelgeving om in beweging te komen, is al te laat. Organisaties zijn namelijk nú al verantwoordelijk voor de uitkomsten van hun systemen. “Een HR-tool die kandidaten beoordeelt, valt al onder discriminatiewetgeving. Een recruitment-algoritme moet al voldoen aan arbeidsrecht. Dat geldt allemaal al, daar is geen extra AI-wet voor nodig”, zegt Sponselee. “Jij bent als organisatie verantwoordelijk voor wat je AI-systeem doet. Behandel het daarom zoals je een nieuwe medewerker zou behandelen: train het goed, investeer tijd, en controleer de uitkomsten.”
Begin bij strategie
Alles begint bij de AI-strategie van een organisatie, zegt Sponselee. Wie die strategie opstelt zonder diversiteit en inclusiviteit mee te wegen, bouwt de kloof er van het begin af aan in. Ze heeft een helder advies voor organisaties die nu willen handelen. “Kijk eerst naar je AI-strategie en je governance: wie zit daar eigenlijk in? Als dat alleen mannen zijn, begin daar dan. Zorg voor diversiteit in de mensen die beslissingen nemen over AI. Investeer in leertrajecten die toegankelijk zijn voor iedereen, niet alleen voor de mensen die er al mee bezig zijn. Kijk kritisch en eerlijk naar je bestaande tools, zeker als je ze inzet voor HR of klantcontact. Hoeveel bias zit daar eigenlijk in? En meet. Wie gebruikt welke tools, en wie niet? Zonder meten weet je gewoon niet wat er speelt.”
De AI-gendergap is geen toekomstscenario. Hij ontstaat nu, in de beslissingen die organisaties vandaag nemen over wie er aan tafel zit, welke data er worden gebruikt en wie er wordt meegenomen in de uitrol. Voor Sponselee is de urgentie helder: het is vijf voor twaalf. En de klok tikt.