KI-genererte ansikter kan gjøre det vanskeligere for virkelige mennesker å få jobb

Du trenger egentlig ikke forskere for å vite at et attraktivt utseende åpner dører, siden du sannsynligvis selv har opplevd enten fordelene eller ulempene ved dette i noen grad. Du trenger dem heller ikke for å oppdage at KI-genererte ansikter ofte er mer attraktive enn virkelige mennesker — av ulike grunner, mange knyttet til menneskeskapte preferanser og prosesser.

Likevel fanget et nytt, beslektet forskningssamarbeid fra USA oppmerksomheten min i dag. Det viser til funn som tyder på at KI-generert skjønnhet kan koste virkelige mennesker jobbintervjuer. I en studie med 570 deltakere vurderte de som først hadde sett uvanlig attraktive KI-genererte ansikter, senere virkelige jobbsøkere som mindre egnet for ansettelse og mindre tillitvekkende. Viljen deres til å tilby intervjuer falt fra 77,4 % til 72,5 %, selv om de vurderte nøyaktig de samme søkerne.

Eksempler på KI-genererte ansikter fra studien viser hvor mye attraktivitetsskårene varierte. Forskerne testet 27 bildegeneratorer med vanlige ledetekster som ikke nevnte skjønnhet. Øverste rad viser ansikter med noen av de høyeste attraktivitetsskårene fra automatiske vurderingssystemer; nederste rad viser noen av de laveste. Alle de åtte avbildede personene er KI-genererte, ikke virkelige. Kilde

Forskerne undersøkte også hvor attraktive KI-genererte ansikter virker sammenlignet med virkelige, ved å bruke bilder fra ulike kommersielle modeller og modeller med åpne vekter. Da 550 personer ble bedt om å vurdere fotografier av virkelige mennesker sammen med KI-genererte ansikter, fikk de syntetiske ansiktene gjennomgående høyere skårer. I en tilleggssammenligning viste relevante mål at 37 % av de KI-genererte kvinneansiktene ble vurdert som mer attraktive enn den typiske profesjonelle motemodellen.

Sammenligning av KI-genererte ansikter med profesjonelle motemodeller på tvers av 27 bildegeneratorer. Figuren viser prosentandelen genererte ansikter som skårer høyere enn medianen for profesjonelle modeller ved automatiske mål på attraktivitet. Svarte prikker representerer alle genererte ansikter, mens gule sirkler bare viser kvinneansikter. Samlet oversteg 23 % av de genererte ansiktene dette nivået, mot 37 % av kvinneansiktene. De stiplede linjene markerer disse to gjennomsnittene.

Artikkelen^† sier:

«Vi undersøkte 27 tekst-til-bilde-generatorer lansert mellom 2022 og 2026 med enkle ledetekster som aldri nevner attraktivitet eller skjønnhet, og analyserte 51 300 genererte ansikter og 160 196 fotografier av virkelige mennesker i primære og supplerende sammenligninger.

«Vi brukte tre automatiske mål og samlet vurderinger fra 550 personer for en delmengde av bildene.

«Nesten alle generatorene produserte ansikter som skåret høyere enn fotograferte ansikter ved automatiske mål. De menneskelige vurdererne fant resultatene fra alle 23 generatorene signifikant mer attraktive enn fotograferte ansikter, også etter korreksjon for multiple sammenligninger.

«Når vi konsentrerer analysen om kjønn, finner vi at 37 % av ansiktene generert med ledetekster om kvinner skåret høyere enn medianen for profesjonelle motemodeller.»

Forfatterne bemerker også at eksperter — både mennesker og KI — kan være uenige og diskutere hvem som er øverst i den «vakre» kvadranten. Men en tilsvarende nyansering finnes ikke i vurderingsområdene «ikke attraktiv» eller «minimalt attraktiv», som til sammenligning er en slags felles søppelbøtte*:

«Den større enigheten mellom målene om hvem som verdsettes minst enn om hvem som verdsettes mest, ligner et viktig trekk ved estetisk klassifisering i sammenhenger som modellbransjen: mennesker og institusjoner trenger ikke være enige om ett ideal for å skape tilbakevendende ulikheter i hvem sitt utseende som tillegges mindre verdi.»

Ansiktets verdi

Mange av studiens funn gjentar den vanlige menneskelige erfaringen med kontekstuell og relativ oppfatning: Hvis du for eksempel var den smarteste eller mest attraktive på skolen din, kan det å begynne ved et Ivy League-universitet heve standardene rundt deg kraftig og senke din relative plassering i den nye gruppen.

Verden er imidlertid ikke full av KI-genererte mennesker som faktisk går rundt og albuer folk av kjøtt og blod til side på jobbintervjuer. Hvordan kan skjønnhetsestetikken til generativ KI som kulturelt fenomen da gjøre noen forskjell?

I tillegg til den urovekkende muligheten for at folk kan ty til plastisk kirurgi for å nærme seg «KI-standarden», ligner effekten i den nye studien skjønnhetskulturen før KI i film, TV, mote og andre synlige og innflytelsesrike deler av menneskelig kultur. Det er et miljø der vi var og er omgitt av urealistiske fysiske idealer, og der vi lærer å håndtere dette som et slags signal-støy-problem. Vi drømmer om filmstjerner, men gifter oss med dem vi kan.

Artikkelen beskriver den økende innflytelsen fra KIs egen visuelle estetikk i en lignende sammenheng*:

«Hvis genererte ansikter både er mer attraktive enn virkelige og er det i ulik grad, [the] følger spørsmålet: Hva er konsekvensene for vurderingen av virkelige mennesker? Eksponering for nøye utvalgte eller redigerte bilder endrer sammenligninger av utseende og påfølgende vurderinger, og klassiske kontrasteksperimenter viser at eksponering for svært attraktive mennesker kan senke påfølgende vurderinger av attraktivitet.

«Generativ KI kan levere gjentatte strømmer av forskjellige ansikter formet av de samme estetiske prosessene. Det er fortsatt uklart om eksponering for KI-genererte ansikter endrer vurderinger av virkelige mennesker som har vesentlige konsekvenser.»

Forfatterne foreslår ingen bestemt løsning, men etterlyser mer forskning for å fastslå når KI-generert skjønnhet påvirker vurderingene våre av virkelige mennesker, hvilke egenskaper ved syntetiske ansikter som driver effekten, og om resultatene vil gjelde utenfor det simulerte ansettelseseksperimentet.

Metode og utvelgelse av data

For å fastslå hvor utbredt KI-bildegeneratorers preferanse for attraktive ansikter er, testet forskerne 27 systemer lansert mellom 2022 og 2026: Stable Diffusion 1.5, 2.1, XL, 3, 3.5-medium, 3.5-large og 3.5-large-turbo; FLUX.1 dev og schnell, FLUX.2, FLUX.2-klein 9B og FLUX.2-klein 4B; GPT Image 1.5 og GPT Image 2; Grok Image og Grok Imagine; Nano Banana 2 og Nano Banana Pro; Midjourney v6, v7 og v8; PixArt-Sigma; Playground 2.5; HunyuanDiT; Qwen-Image; Sana og Lumina-2.

Den samme enkle ledeteksten ble brukt i alle systemene til å generere portretter som representerte 14 demografiske kategorier fordelt på menn og kvinner og åtte yrker (lege; advokat; veterinær; farmasøyt; kokk; bygningsarbeider; sykepleier og butikkmedarbeider), uten å nevne skjønnhet eller attraktivitet.

Ledetekster uten opplysninger om demografi, kjønn eller yrke ble også testet, noe som ga totalt 51 300 bilder til analysen.

Til sammenligning ble 94 249 fotografier hentet fra FairFace, IdenProf, SCUT-FBP5500, MEBeauty, Chicago Face Database og dens flerrase- og India-utvidelser, samt datasettet Face Research Lab London. Brukbare ansikter ble funnet i 89 435 fotografier.

Ulike vestlige og asiatiske ansikter fra SCUT-FBP5500, ett av seks datasett brukt i den nye studien. Kilde

Ytterligere sammenligninger brukte 10k US Adult Faces Database, en samling med 15 182 fotografier av profesjonelle motemodeller, LookismBench-SyntheticFaces, FFHQ og StyleGAN2. Fotografiene av motemodeller ble brukt som referanse for «høy attraktivitet», mens de øvrige samlingene ble analysert separat for å vurdere attraktivitetsmålene og gi ytterligere sammenligninger.

Ansiktene ble funnet og beskåret med MTCNN og deretter standardisert. Attraktivitet ble vurdert med ResNet-50-modeller trent på SCUT-FBP5500 og MEBeauty, samt SwinFace, trent på CelebA-annotasjoner.

For å kontrollere om de automatiske attraktivitetsskårene samsvarte med menneskers meninger, vurderte 550 voksne bosatt i USA et utvalg på 1 374 virkelige og KI-genererte ansikter.

I et separat eksperiment ble 570 voksne amerikanere delt i tre grupper og vist jobbsøkere med enten virkelige fotografier, retusjerte fotografier eller KI-genererte ansikter. Etterpå vurderte alle tre gruppene de samme virkelige søkerne, slik at forskjeller i ansettelsesbeslutninger kunne måles. Studiens hovedanalyser var forhåndsregistrert.

Tester

På begge hovedmålene for attraktivitet skåret KI-genererte ansikter signifikant høyere enn virkelige fotografier for 24 av de 27 testede generatorene. Funnet ble også støttet av CelebA/SwinFace-målet, som vist nedenfor:

Forskjeller i attraktivitet mellom KI-genererte ansikter og virkelige fotografier på tvers av 27 bildegeneratorer, uttrykt som gjennomsnittlige Cohens d-verdier på tvers av tre automatiske mål. Positive verdier betyr høyere attraktivitetsskårer for genererte ansikter.

Artikkelen rapporterer at 13 generatorer på tvers av alle tre mål produserte ansikter vurdert mer enn ett standardavvik over virkelige fotografier. Det ble imidlertid ikke funnet noen fordel for Nano Banana Pro, Grok Image eller Nano Banana 2.

Tendensen til å produsere uvanlig attraktive ansikter var mindre uttalt i nyere Midjourney- og OpenAI-modeller. Samtidig var effekten omtrent dobbelt så sterk i modeller med åpne vekter som i kommersielle tilbud fra OpenAI, Google, Midjourney og xAI.

I de menneskelige vurderingene ble ansikter fra alle 23 generatorene som ble testet med nok bilder til en pålitelig sammenligning, vurdert som mer attraktive enn virkelige fotografier. På en skala fra 1 (minst attraktiv) til 7 (mest attraktiv) fikk virkelige ansikter et gjennomsnitt på 3,10, mens KI-genererte ansikter skåret mellom 0,34 og 2,06 poeng høyere avhengig av generatoren, som vist nedenfor:

Menneskelige attraktivitetsvurderinger av ansikter fra 23 KI-bildegeneratorer, på en skala fra 1 til 7. Generatorene skåret over gjennomsnittet for virkelige fotografier, markert med en blå stiplet linje. Røde prikker viser gjennomsnittsvurderinger, og vannrette stolper viser usikkerheten rundt hvert gjennomsnitt.

Høyere vurderinger for KI-genererte ansikter ble registrert i alle seks rase- og etnisitetskategorier (se grafen nedenfor), selv for Nano Banana Pro, Grok Image og Nano Banana 2, hvis ansikter ikke hadde skåret høyere enn virkelige fotografier i testene:

Menneskelige attraktivitetsvurderinger av KI-genererte ansikter (rødt) og virkelige fotografier (blått) i seks rase- og etnisitetskategorier. KI-genererte ansikter fikk høyere gjennomsnitt i alle kategorier, med forskjeller fra 0,74 til 1,37 poeng på en sjupunktsskala. Loddrette stolper viser usikkerheten rundt hvert gjennomsnitt.

For nyere modeller skilte de menneskelige vurderingene seg også fra de automatiske resultatene. Det ble registrert liten endring mellom OpenAIs GPT Image 1.5 og GPT Image 2, mens Midjourney-versjonene 6, 7 og 8 fikk stadig høyere attraktivitetsskårer.

Med andre ord vurderte mennesker fortsatt nyere KI-modeller til å produsere uvanlig attraktive ansikter, selv når de automatiske målene antydet at denne tendensen hadde avtatt.

Den urettferdige fordelen

Det siste eksperimentet undersøkte om eksponering for attraktive KI-genererte ansikter kunne påvirke vurderingen av virkelige jobbsøkere.

Til en simulert stilling som «medarbeider innen kundesuksess» ble 570 voksne amerikanere delt i tre grupper. Etter å ha vurdert fire identiske søkere, fikk hver gruppe se åtte profiler med enten virkelige fotografier, retusjerte fotografier eller KI-genererte ansikter. KI-ansiktene hadde tidligere skåret 5,75 av sju for attraktivitet, sammenlignet med 2,99 for de virkelige fotografiene. De retusjerte bildene var glattet ut og lysnet med en effekt basert på Facetunes One-tap Enhance-funksjon.

Ytterligere tolv søkere med identiske fotografier og kvalifikasjoner i alle tre gruppene ble inkludert for å teste om eksponering for de ulike bildene påvirket ansettelsesbeslutningene.

Søkere med KI-genererte ansikter fikk litt høyere vurderinger av egnethet for ansettelse og tillit, men ingen signifikant økning i intervjuinvitasjoner ble funnet. Etter eksponering for disse ansiktene ble imidlertid de samme virkelige søkerne vurdert som mindre egnet for ansettelse og mindre tillitvekkende, og andelen intervjuinvitasjoner falt fra 77,4 % til 72,5 %:

Resultater fra ansettelsestesten viser endringer i virkelige søkeres oppfattede egnethet for ansettelse, tillit og sannsynlighet for å få et intervju etter eksponering for ulike ansiktstyper. Lavere vurderinger fulgte eksponering for KI-genererte ansikter, men ikke retusjerte fotografier. Punkter viser forskjeller fra kontrollgruppen med virkelige fotografier; loddrette linjer viser 95 % konfidensintervaller.

Ingen tilsvarende nedgang ble registrert etter eksponering for retusjerte fotografier. Virkelige mennesker som angivelig tok seg best mulig ut, «hevet» altså ikke «listen» slik KI-bildene hadde gjort.

Forfatterne kommenterer:

«Kandidater med KI-genererte ansikter fikk bare litt bedre direkte vurderinger, men deltakerne som så disse ansiktene, vurderte senere de samme virkelige kandidatene mer negativt på alle tre utfall.

«De KI-genererte kandidatene fikk selv litt høyere direkte tillitsvurderinger, noe som gjør en enkel, generell motvilje mot profilene med KI-ansikter mindre sannsynlig.

«Eksperimentet forteller oss likevel at eksponeringen hadde betydning, ikke hvorfor.»

Konklusjon

Ut fra mine egne observasjoner har KI-genererte figurer helt klart begynt å dominere gatebildets reklamer i byen der jeg bor, men det er todimensjonal kunst. Om bruk av diffusjonsbasert generativ video i TV og film vil overvinne dagens juridiske og etiske begrensninger, gjenstår å se. Hvis det skjer, kan vi kanskje vente langt flere KI-genererte og/eller KI-forbedrede skuespillere som «hever den estetiske standarden» og virkeliggjør scenariet med «omgivende KI-skjønnhet» som den nye artikkelen skisserer.

Prinsippet er ikke nytt, men automatiseringspotensialet er det. I et slikt tilfelle kunne man destillere essensen av nåværende eller tidligere virkelige kjendiser, modeller og offentlige representanter, mangfoldiggjøre eller «forbedre» dem og spre dem bredt uten kostbare kontraktsforhandlinger. Men det ligger fortsatt i fremtiden, om det i det hele tatt kommer.

^† Med tittelen Generative AI Produces and Transmits Beauty Bias, skrevet av åtte forskere fra Cornell, University of Florida og University of Pennsylvania.

* Jeg har gjort forfatternes henvisninger i løpende tekst om til hyperlenker.

Først publisert mandag 19. oktober 2026