L’intelligenza artificiale sta ampliando la portata della violenza di genere facilitata dalla tecnologia, mentre le regole chiamate a contenerla procedono su binari separati. È il divario individuato nel rapporto “Bridging the gap: Addressing technology-facilitated gender-based violence in global AI governance”, presentato da APC il 12 agosto. Donne, persone queer, comunità con identità di genere diverse e gruppi marginalizzati, pur subendo gli impatti maggiori, rimangono spesso ai margini dei processi che definiscono sviluppo e utilizzo dell’AI.
La ricerca, firmata dalla specialista di diritti digitali e politiche pubbliche Daniela Schnidrig, esamina due sistemi normativi che raramente comunicano: i quadri di governance dell’intelligenza artificiale e le norme dedicate alla TFGBV. Le due agende vengono sviluppate in larga parte parallelamente, talvolta persino dalle stesse istituzioni multilaterali. Nel mezzo restano fenomeni ancora scarsamente regolati come molestie automatizzate, deepfake, disinformazione di genere e abusi resi possibili dalla sorveglianza.
L’analisi individua tre aree di intersezione: i rischi strutturali legati al genere nei sistemi AI, i danni che l’intelligenza artificiale abilita o amplifica e le lacune della governance. Il quadro comprende il divario digitale di genere, l’estrazione dei dati senza consenso, stereotipi e distorsioni, oltre alla disinformazione mirata. Non si tratta necessariamente di nuove forme di violenza: l’AI può aumentare in modo drastico scala, velocità e persistenza di abusi già esistenti.
Campagne coordinate di molestie o disinformazione, ha spiegato Schnidrig, richiedevano in precedenza uno sforzo umano organizzato; oggi possono essere condotte con volumi e continuità prima impossibili o molto costosi. L’automazione degli abusi cambia così l’economia dell’aggressione digitale, riducendo le risorse necessarie per colpire una persona e prolungando nel tempo la circolazione di contenuti lesivi. Per piattaforme e imprese tecnologiche, la gestione del rischio non può quindi fermarsi ai principi generali incorporati nei codici etici.
Gli effetti superano la dimensione individuale. La violenza digitale può spingere le persone a lasciare il lavoro, ritirarsi dalla vita pubblica o trasferirsi per proteggersi da minacce alla reputazione. Si produce un effetto dissuasivo che allontana donne e persone queer o gender-diverse dagli spazi civici, accademici e politici, perché il costo della partecipazione diventa troppo alto. Le stesse voci espulse dal dibattito pubblico finiscono poi per mancare anche nei luoghi in cui viene decisa la governance dell’AI.
Il recente UN Global Dialogue on AI Governance ha offerto un esempio delle difficoltà ancora aperte. Secondo la tecnologa femminista Rebecca Ryakitimbo, il genere è rimasto periferico ed è stato richiamato soprattutto per iniziativa dei partecipanti, senza diventare parte strutturale del confronto. Anche la TFGBV è stata spesso assorbita nel tema più ampio della sicurezza dell’AI, invece di essere affrontata come questione specifica. È rimasta debole anche l’attenzione all’intersezionalità, che lega genere, razza, età, disabilità, geografia e classe.
La presenza femminile nei tavoli decisionali, da sola, non garantisce politiche sensibili al genere. Come ha osservato Marina Meira, coordinatrice delle politiche pubbliche di Derechos Digitales, un panel equilibrato non produce automaticamente una discussione capace di riconoscere questi rischi. Il gender mainstreaming richiede invece di verificare, in ogni dimensione della governance AI, chi beneficia dei sistemi, chi ne sostiene rischi, lavoro e risorse, quali conoscenze vengono rappresentate e chi può ottenere rimedio quando si verifica un danno.
Molti quadri sull’AI affrontano il genere attraverso concetti ampi come equità, diversità e non discriminazione, senza tradurli in obblighi concreti. Parallelamente, numerosi strumenti contro la TFGBV precedono le tecnologie attuali e non sono stati aggiornati per coprire amplificazione algoritmica, deepfake e altre forme di abuso. Inserire l’uguaglianza in un preambolo è relativamente semplice; più difficile è farla arrivare nelle disposizioni operative. Valutazioni, audit, dati disaggregati e risorse dedicate delineano il passaggio necessario dai principi all’attuazione normativa.