👁 Барьер для женщин: банки, платежи и ИИ. Часть 2

Привет! И снова на связи Саша, контент-лид Femtech Force. Продолжаем разбор пяти отчётов 2026 года о женском здоровье.

В первой части речь шла о теле. Сегодня пройдем на «второй этаж»: что происходит, когда продукт для женского здоровья уже существует, но дальше упирается в инфраструктуру.

Небольшой спойлер: сама по себе система больше похожа на фильтр, чем на нейтральный канал.

💥 Сквозная тема второй части: инфраструктура как фильтр

Отчеты CensHERship × The Case For Her и FemTechnology × Women at the Table показывают, как работают банки, платёжные провайдеры и алгоритмы ИИ. Каждый из этих слоёв существует как фильтр, который либо замедляет продукт, либо искажает его вывод.

💥 CensHERship × The Case For Her, «The Bias Burden (2026)»

Этот отчёт посвящён тем условиям, без которых бизнес в сфере женского здоровья просто не может работать: банковским счетам, платёжным шлюзам, страховке, e-commerce-платформам и платформам с приложениями.

Что показал опрос:

🔶 100% опрошенных бизнесов в сфере женского здоровья столкнулись с барьерами доступа к банкингу, платежам, страхованию или e-commerce.
🔶 82% из-за этого теряли время, 64% — выручку, 43% откладывали запуск продукта.
🔶 Легитимные компании в области женского и сексуального здоровья регулярно получают метку adult или high risk. Это автоматически блокирует рекламу, усложняет платежи и закрывает доступ к части клиентов.

Смысл в том, что инфраструктура заранее относит их к категории «повышенного риска», даже когда речь идёт о медицинском продукте.

💥 FemTechnology × Women at the Table, «Invisible by Design»

Этот отчёт про то, как гендерная предвзятость закрепляется в медицинском ИИ. Авторы описывают замкнутый круг: предвзятые входные данные → предвзятые выходы модели → врач доверяет модели → решения врача возвращаются в обучающие данные. Так предвзятость не исчезает, а воспроизводится.

Что показали эксперименты:

🔶 Даже после объяснения ошибки врачи продолжали больше доверять ИИ, чем собственной клинической оценке. В результате точность диагностики снижалась на 11,3%.
🔶 Языковые модели GPT-4o, Claude 3.5 Sonnet, Gemini Advanced, при идентичных симптомах у мужчины и женщины, чаще предлагают диагноз мужчине.
🔶 Даже при сбалансированных тренировочных данных, в 16 независимых экспериментах, модели систематически хуже распознавали заболевания у женщин.

Отчёт показывает важный момент: даже при попытке выровнять данные, предвзятость может сохраняться на уровне самой архитектуры обучения и принятия решений.

💥 Почему это важно читать вместе

Если сложить два отчёта, получается следующая картина ➡️

На входе в индустрию женского здоровья нас встречает фильтр в виде банков и платёжных систем, который отсеивает или тормозит продукты. А на выходе — фильтр ИИ, который может закреплять уже существующую клиническую предвзятость.

И в этом, пожалуй, главный вывод всей серии: проблему не решает простое добавление женщин в существующие системы. Нужна глубокая перестройка и пересмотр всех уровней взаимодействия с femtech-продуктами.

Хорошая новость в том, что это становится видимым. Плохая, что исправлять это придётся сразу на нескольких уровнях.

Источники 1, 2

Текст подготовила #СашаБелянина

@FemtechForce — медиа о технологиях для здоровья женщин