As 10 mulheres mais inovadoras da Inteligência Artificial

Atualizado em: 03 Março 2026

Quem está por trás dos resultados gerados pela IA?

Se os motores de decisão em IA hoje automatizam fluxos críticos, indicando quem deve receber crédito, sinalizando potenciais fraudes ou classificando riscos que merecem atenção, uma pergunta fundamental costuma passar despercebida: quem está por trás das regras e modelos que sustentam essas automações?

Apesar de representarem mais da metade da população mundial, as mulheres ainda são minoria na produção científica e técnica que sustenta a Inteligência Artificial. De acordo com o relatório da UNESCO (2025), mulheres ocupam aproximadamente um terço dos cargos de pesquisa em ciência e tecnologia no mundo, um indicador que permanece abaixo da igualdade de gênero, mesmo após décadas de iniciativas de promoção da participação feminina nesses campos.

O próprio relatório aponta que, embora mulheres frequentemente apresentem desempenho acadêmico equivalente ao dos homens em muitos cursos superiores, sua presença diminui à medida que a carreira avança. Essa queda é especialmente visível em posições de liderança e em áreas como engenharia, tecnologia e tecnologia da informação.

Esse padrão não aparece apenas na academia. Segundo a TechTarget (2025), dados de 2024 indicam que mulheres ocupam cerca de 27% dos empregos em tecnologia globalmente, apesar de representarem quase metade da força de trabalho total. Nos Estados Unidos, essa participação ficou em torno de 35% no fim de 2023.

No Brasil, a assimetria é ainda mais acentuada. Um estudo do Observatório Softex, divulgado pela Softex (2025), mostra que apenas 19,2% dos especialistas em Tecnologia da Informação são mulheres, mesmo elas já correspondendo à maioria da população e a uma parcela relevante do mercado formal de trabalho.

O efeito acumulado dessas desigualdades estruturais também aparece em reconhecimentos de longo prazo: as mulheres representam apenas uma pequena fração dos cientistas laureados com o Prêmio Nobel ao longo da história, o que ajuda a ilustrar como barreiras de acesso, permanência e visibilidade se estendem por gerações.

Nos últimos anos, iniciativas de formação e inclusão vêm tentando reduzir esse gap. Grandes empresas de tecnologia passaram a investir em programas específicos para mulheres em IA, como o #ElasNaIA, da Microsoft, que ofereceu vagas de capacitação voltadas a esse público. São movimentos ainda insuficientes, mas que indicam uma mudança de consciência no setor.

Apesar das barreiras, muitas mulheres têm se destacado e influenciado diretamente os rumos da IA, não apenas criando tecnologia, mas expandindo a forma como o mercado entende dados, decisão e impacto. Essas trajetórias mostram, na prática, como escolhas técnicas e organizacionais moldam sistemas que operam sob incerteza, risco e consequências reais.

Um exemplo brasileiro é Manoela Morais, que, ao lado de Chimka Munkhbayar e Helen Tsai, cofundou a Agrolly, uma plataforma que apoia agricultores no planejamento de safra e na mitigação de riscos climáticos. A aplicação de IA, nesse caso, não é abstrata: ela atua diretamente sobre variáveis climáticas e ambientais que impactam o planejamento agrícola. Em 2021, Manoela foi reconhecida pelo programa Women Leaders in AI, da IBM, que destaca mulheres usando IA de forma aplicada em diferentes setores. 

 

Modelos extraem padrões, não valores

Esses números não são apenas estatísticas sociais. Eles ajudam a explicar por que certos sistemas falham de maneiras previsíveis, especialmente quando operam em contextos complexos, dinâmicos e sensíveis.

Um exemplo clássico veio da Amazon, em 2018. A empresa descontinuou um sistema de triagem automática de currículos ao perceber que o modelo penalizava candidaturas femininas para cargos técnicos. O motivo não era “má intenção” do algoritmo, mas algo mais estrutural: o modelo foi treinado com padrões extraídos de dados históricos majoritariamente masculinos. Assim, o modelo apenas reforçou padrões já existentes, com eficiência matemática e consequências reais.

Esse tipo de situação levanta uma distinção importante: modelos extraem padrões, não valores. Quando dados carregam assimetrias históricas, modelos tendem a reproduzi-las, a menos que alguém perceba, questione e intervenha.

À medida que motores de decisão em IA se consolidam como suporte para decisões frequentes e de alto impacto, essa dinâmica ganha outra escala. Em áreas como concessão de crédito, classificação de risco ou detecção de fraude, pequenas distorções estatísticas deixam de ser marginais e passam a afetar milhares, ou milhões, de pessoas de forma consistente. O problema não está apenas em “errar”, mas em errar sempre na mesma direção, de forma silenciosa e difícil de contestar.

Casos como o do Apple Card tornaram esse mecanismo mais visível. Ao gerar limites de crédito significativamente diferentes para homens e mulheres com perfis financeiros semelhantes, ou até superiores, o sistema evidenciou como decisões automatizadas podem incorporar desigualdades históricas sem que isso esteja explicitamente codificado. Como apontado à época por reportagens do The Guardian (2019), a dificuldade em explicar os critérios do modelo expôs a chamada “caixa preta” da decisão algorítmica, onde nem mesmo seus usuários ou criadores conseguem identificar claramente como certos resultados são produzidos.

Em contextos regulados, esse cenário é particularmente sensível. Critérios injustos ou pouco representativos, quando incorporados a modelos que operam de forma contínua, tendem a se cristalizar como regras operacionais estáveis. Sem revisão humana sistemática, métricas adequadas e diversidade nos times que projetam, validam e governam esses sistemas, a IA não apenas reflete o passado, ela o automatiza no presente, em escala.

É justamente nesse ponto que a presença de mulheres no desenvolvimento, na aplicação e na governança da IA deixa de ser apenas uma questão de inclusão e passa a ser tecnicamente relevante. Ampliar quem faz as perguntas, define os dados e questiona os resultados é uma das formas mais efetivas de reduzir vieses persistentes em decisões automatizadas. 

As trajetórias a seguir ajudam a tornar esse papel visível.

 

Para entender como esses sistemas evoluem além de modelos estáticos, vale a leitura do artigo: Adaptive AI: a Evolução da Inteligência Artificial Tradicional

 

Conheça as 10 mulheres mais inovadoras da indústria da Inteligência Artificial

 

10) Rana el Kaliouby

Cientista da computação egípcia-americana, Rana é PhD pela Universidade de Cambridge e pós-doutora pelo MIT. Ela cofundou a Affectiva, uma empresa pioneira em “IA Emocional” (Emotion AI), e atualmente é vice-presidente de IA na Smart Eye. Sua carreira é dedicada a humanizar a tecnologia, integrando a inteligência emocional ao processamento de dados.

Rana desenvolveu sistemas que permitem que modelos classifiquem padrões de expressões associados a emoções humanas complexas através de expressões faciais e tom de voz. Na prática, isso revolucionou desde a segurança veicular (detectando fadiga de motoristas) até o monitoramento de saúde mental e pesquisas de mercado, provando que “dados” também podem ser sentimentos.

No cenário atual, Rana representa a quebra do paradigma da “máquina fria”. Ela argumenta que, para uma IA ser verdadeiramente inteligente e útil em decisões críticas, o sistema precisa ser calibrado para processar o contexto humano e o estado emocional. No mundo das decisões críticas, o trabalho de Rana mostra que ignorar o contexto emocional humano é um erro técnico. Sua atuação redefine a fronteira entre o que é processamento de sinal e o que é compreensão empírica, conectando a sensibilidade humana à robustez dos algoritmos.

Indicação de TED Talk: This app knows how you feel — from the look on your face Referências: Dr. Rana el Kaliouby – Site pessoal Harvard Business School – Perfil profissional Fórum Econômico Mundial – Perfil profissional SpringAct – Inspiring Women in Tech

 

9) Shivon Zilis

Com formação em Economia e Filosofia por Yale, Shivon é uma das mentes estratégicas por trás da Neuralink, onde atua como diretora de operações e projetos especiais. Com passagens pela Tesla e OpenAI, ela se consolidou como uma investidora e executiva de elite no ecossistema de Deep Tech.

Shivon focou sua contribuição em como a Inteligência Artificial pode ser integrada de forma simbiótica ao potencial humano, especialmente através da interface cérebro-máquina. Ela ajudou a direcionar investimentos e arquitetar o crescimento de empresas que hoje definem o estado da arte em modelos de redes neurais, acelerando a transição de conceitos teóricos para aplicações industriais e biomédicas reais.

Ela representa hoje a ponte necessária entre a estratégia de negócios e a viabilidade tecnológica. Ao questionar como a superinteligência será governada e integrada à biologia, Shivon traz o olhar da segurança e da escala para o debate. Sua presença é relevante por garantir que a inovação não seja apenas potente, mas segura e integrada à biologia humana de forma ética.

 

8) Anna Patterson

Com um PhD em Ciência da Computação por Illinois e um histórico robusto como vice-presidente de engenharia no Google, Anna Patterson fundou a Gradient Ventures para impulsionar o ecossistema de startups de IA. Ela foi uma das arquitetas fundamentais do motor de busca do Google, liderando equipes que projetaram sistemas de indexação de dados em escala planetária.

Ao transitar para o investimento, Anna passou a moldar o mercado ao selecionar e mentorar empresas que resolvem problemas complexos em setores como saúde e logística. Seu trabalho viabilizou que soluções de IA saíssem do papel para otimizar fluxos de trabalho reais, garantindo que a tecnologia chegasse à ponta final com eficiência e solidez técnica.

Anna é a prova de que a IA moderna depende de fundamentos de infraestrutura. Ela amplia o debate sobre como transformar pesquisa acadêmica em ferramentas que funcionam sob pressão no mercado global. Sua visão reforça que qualquer decisão automatizada de alto impacto só é possível se houver uma arquitetura de dados impecável por trás dela.

Referências: VC Corner: Anna Patterson, Gradient Ventures – Startup Grind Introducing Gradient Ventures – Google Blog

 

7) Kamelia Aryafar

Kamelia Aryafar possui PhD em Ciência da Computação e construiu uma carreira sólida como CTO da Overstock e líder de IA no Google Cloud. Especialista em Aprendizado de Máquina, ela foca sua atuação na interseção entre modelos matemáticos complexos e resultados de negócio imediatos, especialmente no varejo e na logística.

Ela transformou a maneira como grandes plataformas gerenciam estoques e personalizam a experiência do usuário, utilizando modelos preditivos para gerar recomendações que otimizam cadeias de suprimentos. Seu trabalho permitiu que o comércio eletrônico operasse com menor desperdício e maior precisão, resolvendo problemas logísticos que antes eram tratados de forma puramente reativa.

No contexto das decisões automatizadas, Kamelia é uma defensora feroz da explicabilidade. Ela questiona o modelo de “caixa preta”, argumentando que algoritmos em ambientes de negócios precisam ser transparentes e gerar valor real para o cliente. Sua liderança redefine o papel da IA nas operações, unindo o rigor estatístico à eficiência do mundo real.

Referências: Kamelia Aryafar – Perfil profissional e experiência Drexel Magazine – Trajetória acadêmica e e‑commerce Drexel CCI – Advisory council e papéis em tecnologia

 

6) Poornima Ramaswamy

Executiva de alto nível com passagens estratégicas pela Cognizant e Qlik, Poornima Ramaswamy consolidou-se como autoridade em Transformação Digital e Estratégia de Dados. Ela atua na linha de frente ajudando empresas globais a estruturarem sua governança de dados para que possam, enfim, utilizar IA de forma responsável.

Poornima foca no “fim da linha”: como as empresas usam os insights para decidir. Ela implementou frameworks de governança que permitiram empresas globais migrar de decisões baseadas em intuição para uma cultura rigorosamente orientada a dados. Ao focar na integridade e na qualidade da informação, ela ajudou a reduzir riscos operacionais e financeiros, garantindo que os insights gerados por IA fossem confiáveis e auditáveis.

Sua presença é vital para o debate sobre a governança de dados. Ela redefine o papel do líder de tecnologia como o guardião da confiança na decisão automatizada. Em um mundo onde dados podem ser enviesados, o trabalho de Poornima garante que as empresas tenham os processos necessários para questionar e validar o que a máquina sugere.

Referências: Qlik press release – Poornima Ramaswamy nomeada EVP, Global Solutions and Partners Blog da Qlik – Poornima Ramaswamy insights e perfil executivo CRN Channel Chiefs 2022 – Líderes de canal influentes

 

5) Fei-Fei Li

Professora na Universidade de Stanford e codiretora do HAI (Human-Centered AI), Fei-Fei Li é mundialmente reconhecida por criar o ImageNet. Este banco de dados massivo foi o combustível necessário para a explosão do Deep Learning e da visão computacional moderna, permitindo que modelos fossem treinados para identificar padrões no mundo visual.

Sua contribuição mudou radicalmente setores como o da saúde, possibilitando diagnósticos por imagem mais precisos, e o de transporte, através do desenvolvimento de carros autônomos. Durante sua atuação no Google Cloud, ela aproximou essa ciência de ponta das soluções empresariais, provando que a IA precisa de dados diversificados para ser verdadeiramente eficaz.

Fei-Fei é a principal voz da “IA Centrada no Ser Humano”. Ela questiona o desenvolvimento tecnológico descolado da ética, defendendo que a tecnologia deve ser desenhada para colaborar com as pessoas, e não apenas substituí-las. Sua visão é o que hoje sustenta os debates sobre diversidade e inclusão no treinamento de grandes modelos.

Indicação de TED Talk:  How we’re teaching computers to understand pictures The jobs we’ll lose to machines — and the ones we won’t (participação) Referências: Stanford University – Perfil acadêmico e profissional Stanford Vision and Learning Lab – Pesquisa e laboratórios

 

4) Daniela Rus

Diretora do Laboratório de Ciência da Computação e IA (CSAIL) do MIT, Daniela Rus é uma das maiores autoridades mundiais em robótica. Com uma formação matemática rigorosa, ela lidera pesquisas que exploram como a Inteligência Artificial pode ser incorporada em máquinas capazes de agir e executar comandos autônomos fisicamente no mundo real.

Ela desenvolveu robôs capazes de se reconfigurar autonomamente e sistemas de IA que permitem uma interação fluida entre máquinas e humanos em ambientes industriais. Suas inovações ajudam a resolver gargalos de produtividade em áreas críticas, como logística e manufatura, onde a precisão dos outputs gerados pelo modelo se traduz em ação física direta.

Daniela redefine a inteligência como algo “incorporado”. Sua atuação mostra que a decisão da IA não termina no software; ela se manifesta em movimentos no mundo físico que exigem segurança absoluta. Ela amplia o repertório técnico da indústria ao provar que a autonomia exige um nível de rigor matemático que vai além do processamento de texto ou imagem.

Indicação de TED Talk: Meet the robots for humanity Referências: Daniela Rus – Site pessoal MIT – Perfil acadêmico de Daniela Rus IEEE – Edison Medal 2025 – Reconhecimento científico

 

3) Joy Buolamwini

Pesquisadora do MIT Media Lab e fundadora da Algorithmic Justice League, Joy Buolamwini utiliza sua formação técnica para auditar a integridade de sistemas de IA. Sua pesquisa “Gender Shades” tornou-se um marco global ao provar que sistemas de reconhecimento facial de grandes empresas apresentavam falhas críticas ao identificar mulheres e pessoas negras.

Seu trabalho forçou uma revisão completa na forma como as empresas de tecnologia treinam e validam seus modelos, levando gigantes como Amazon e IBM a suspenderem tecnologias de vigilância enviesadas. Joy transformou a auditoria algorítmica em uma ferramenta de justiça social, garantindo que falhas técnicas não se transformem em ferramentas de exclusão.

Joy representa o pilar da transparência e da ética. Ela questiona o paradigma da neutralidade matemática, mostrando que, se os dados contêm assimetrias históricas, o modelo irá replicar esses padrões estatísticos. Sua presença é o que garante que a IA do futuro seja construída sob um olhar crítico que prioriza a equidade nas decisões automatizadas.

Indicação de TED Talk:  How I’m fighting bias in algorithms Referências: Algorithmic Justice League – Organização e missão MIT Media Lab – Perfil acadêmico Gender Shades – Estudo sobre viés em reconhecimento facial TIME – 100 Most Influential People in AI (2023) – Reconhecimento internacional

 

2) Mariah Scott

Mariah Scott é uma executiva especializada em gerenciar tecnologias emergentes em mercados altamente regulados. Após liderar a Skyward (Verizon), ela consolidou sua atuação na aplicação de IA para a gestão de infraestruturas críticas, como redes elétricas e grandes sistemas de engenharia.

Ela viabilizou o uso de frotas de drones e sensores inteligentes para realizar inspeções autônomas, transformando a manutenção preditiva em uma ciência operacional. Ao desenvolver sistemas que indicam o momento ideal para intervenção antes que uma falha ocorra, seu trabalho impacta diretamente a segurança pública e a economia de recursos em setores de alto risco.

No debate sobre IA, Mariah representa o pragmatismo das operações. Sua atuação mostra como modelos de decisão aplicados à infraestrutura salvam vidas e otimizam a logística nacional. Ela redefine a IA como uma ferramenta de resiliência, capaz de manter serviços essenciais funcionando em ambientes de extrema complexidade.

Referências: GSMA – Mariah Scott (President, Skyward, a Verizon company) Telecom TV –  Verizon launches Robotics Business Technology

 

1) Lisa Su

Lisa Su é a engenheira e CEO que liderou a transformação da AMD em uma das empresas mais valiosas do mundo. Com PhD pelo MIT em Engenharia Elétrica, ela utilizou seu profundo conhecimento técnico para redesenhar a arquitetura de processadores e GPUs, colocando-os no centro da infraestrutura global de IA.

Sem os chips de alto desempenho que Lisa projeta, o treinamento de modelos como o ChatGPT e sistemas complexos de detecção de fraude não seriam possíveis. Ela democratizou o acesso ao processamento pesado, permitindo que a IA saísse dos laboratórios para rodar em supercomputadores e data centers de todo o planeta com eficiência energética.

Lisa Su é a base material da revolução tecnológica. Ela nos lembra que toda decisão de software depende, em última instância, de um átomo de silício. Sua liderança redefine a soberania tecnológica e garante que a infraestrutura necessária para o futuro da IA seja robusta, potente e capaz de sustentar as decisões críticas do amanhã.

Referências: AMD – Liderança executiva e visão corporativa Massachusetts Institute of Technology (MIT) – Formação acadêmica e trajetória em engenharia Semiconductor Industry Association (SIA) – Liderança institucional no setor de semicondutores

 

---

Sobre a 4kst 

A 4kst é uma DeepTech brasileira nascida na PUCPR, pioneira no desenvolvimento de Adaptive AI. Através da tecnologia proprietária de Data Stream Learning, criamos modelos preditivos que aprendem e se atualizam em tempo real. Diferente do Machine Learning tradicional, nossa solução elimina a degradação de performance e reduz custos de manutenção. Bicampeã da Febraban Tech e reconhecida pela Finep, a 4kst une ciência de ponta e alta performance para manter sua empresa à frente em mercados dinâmicos.