Soolised erinevused tehisintellekti kasutamisel tööl

Tehisintellekti populaarsuse kasvuga investeerib palju ettevõtteid AI tööriistadesse ja julgustab oma töötajaid neid kasutama. Muutustega mitte kaasa minek võib tähendada töötajatele väiksemaid võimalusi tulevikus, sest ettevõtted ootavad efektiivsuse kasvu AI tööriistade kasutamisest. Lisaks sellele, et tehisintellekti kasutamises on suur vahe kõigi töötajate vahel, on ka selge lõhe tehisintellekti kasutusele võtus meeste ja naiste vahel (Carter, 2026). Uuringud näitavad, et erinevuse peamiseks põhjuseks ei ole ka vähesed teadmised ega madalam haridustase AI valdkonnas (Stephany & Duszynski, 2026). Siit omakorda võib järeldada, et lihtne AI loeng ei taga seda, et kõik ühtlaselt ja võrdselt võtaks AI töövahendid kasutusele.

Üks peamisi põhjuseid, miks naised kõhklevad rohkem tehisintellekti kasutamisel, on selle kahjulik mõju keskkonnale ja ühiskonnale (Stephany & Duszynski, 2026). Suured LLM-id vajavad palju energiat ja vett ning neid haldavatel ettevõtetel ei ole isegi kohustust täpselt avaldada, kui palju ressursse nad kasutavad (Kwong jt, 2025). Lisaks võivad suured LLM-id võimendada ühiskonnas olemasolevaid eelarvamusi, kuna algoritmid õpivad inimeste loodud andmetest (Chang & Grant, 2026). Samuti võivad inimesed ise tehisintellekti väärkasutada, jagades seeläbi potentsiaalselt ohtlikke valesid ja ja käivitades (küber)rünnakuid (Bengio et al., 2026). Uuringud näitavad ka, et naiste hulgas on eelneva tõttu rohkem levinud idee, et tehisintellekti tasub boikoteerida selleks, et vähendada selle kahjulikku mõju (Stephany & Duszynski, 2026).

Erinev on ka see kus ja milleks eelistatakse tehisintellekti kasutada. Naised kasutavad tehisintellekti rohkem väljaspool tööd (Carter, 2026). Kui mehed kasutavad tehisintellekti rohkem töö kiiremaks tegemiseks ja tööprotsesside optimeerimiseks, siis naised kasutavad seda näiteks tervist puudutavates küsimustes ning koduses majapidamises. Näiteks toiduvalmistamisel, kooli logistika korraldamisel ja tervise murede korral (Carter, 2026). See erinevus tehisintellekti kasutamisel peegeldab laiemaid ühiskondlikke soorolle.

Ühiskondlikud ootused selgitavad osaliselt, miks tehisintellekti kasutus sooti erineb. Lisaks sellele on uuringud leidnud veel ühe negatiivse aspekti mida võiks nimetada tajutava pädevuse vähendamiseks. Inseneriettevõttes läbi viidud uuring näitas, et kui täpselt sama koodilõiku näidati samale hindajale, langes koodi kirjutanud inseneri tajutud pädevus 9% võrra, kui hindajale öeldi, et insener on kasutanud tehisintellekti (Acar jt, 2025). Langus oli aga veelgi suurem, kui AI-abil koodi kirjutanud insener oli naine. Täpsemalt kasvas AI-ga kirjutatud koodi puhul tajutud pädevuse lõhe naiste seas 13% ja meeste puhul vaid 6% (Acar jt, 2025). Veelgi enam, naisi on nende juhid vähem julgustanud tehisintellekti kasutama ja neid selle eest vähem tunnustanud (Noble-Tolla, 2026). See nähtus võib omakorda seletada miks AI kasutamise kõhklus naiste seas võib tuleneda välistest teguritest (soov mitte kaotada oma tajutavat pädevust) mitte sisemistest teguritest (suurem huvi tervise ja heaolu vastu).

‍ ‍Mida saame teha, et vahet vähendada?

Esiteks, kui õpetada oma töötajaid AI-d kasutama, siis tasub koolitusse lisada juhised AI jätkusuutlikuma kasutamise kohta. Millistel mudelitel on väiksem keskkonnamõju? Milline mudel on optimeeritud konkreetsete ülesannete jaoks, mis on sinu töövaldkonnaga seotud (seega kulutab vähem energiat ülesande lahendamiseks)? Nendele küsimustele vastamine võib suurendada mitte ainult naiste vaid kõigi töötajate enesekindlust tehisintellekti kasutamisel. Läbipaistvus suurendab mõistmist. Kui oskad AI-d kasutada viisil, mis sulle eetiline tundub, siis on vähem tõenäoline, et sa seda lihtsalt "halvaks" pead ja täielikult ignoreerid.

Kui töötajad ei soovi tehisintellekti kasutada, uurige miks ja mõelge kas nende muredele on võimalik lahendus leida. Kui AI mitte-kasutusse võtmine ei mõjuta nende töökvaliteeti, ega riku töökorda, kas nad võiksid selle asemel keskenduda mõnele muule töö ja tööga seotud teadmiste edendamise viisile? Näiteks mõne veebikursuse läbimisele või uue tööriista õppimisele.

‍ ‍Lisaks tasub edendada soolist võrdõiguslikkust töökeskkonnas ka muidu. Mitmekesisem ja kaasavam töökeskkond paneb kõik end tundma teretulnumana ning avatumana uute tehnoloogiate avastamiseks ja proovimiseks. Kui julgustate tehisintellekti kasutuselevõttu, tasub lähtuda tööülesandest ja vajadusest, mitte soost.

‍

Allikad: ‍

Acar, O. A., Gai, P. J., Tu, Y., & Hou, J. (2025, August 1). Research: The hidden penalty of using AI at work. Harvard Business Review. https://hbr.org/2025/08/research-the-hidden-penalty-of-using-ai-at-work

‍Bengio, Y., Clare, S., Prunkl, C., Murray, M., Andriushchenko, M., Bucknall, B., Bommasani, R., Casper, S., Davidson, T., Douglas, R., Duvenaud, D., & Mindermann, S. (2026). International AI safety report 2026 (DSIT 2026/001). UK Department for Science, Innovation and Technology. https://internationalaisafetyreport.org ‍

Carter, C. M. (2026, June 15). Men more likely than women to use AI for career leverage, survey finds. Forbes. https://www.forbes.com/sites/christinecarter/2026/06/15/survey-finds-men-more-likely-than-women-to-use-ai-for-career-leverage/

‍ ‍Chang, G., & Grant, H. (2026, January 23). When AI amplifies the biases of its users. Harvard Business Review. https://hbr.org/2026/01/when-ai-amplifies-the-biases-of-its-users

‍ ‍Kwong, E., Barber, R. G., Chinn, H., & Ramirez, R. (2025, May 7). Why the true water footprint of AI is so elusive. NPR. https://www.npr.org/2025/05/07/1249592906/energy-water-ai-climate-tech

‍ ‍Noble-Tolla, M. (2026, June 5). New research: Women use AI less often at work and get less credit. LeanIn.Org. https://leanin.org/articles/findings/ai-women-gender-gap-data/

‍ ‍Stephany, F., & Duszynski, J. (2026). Women worry, men adopt: How gendered perceptions shape the use of generative AI. arXiv. https://doi.org/10.48550/arXiv.2601.03880