Hvorfor lokaliseringsarbeid ikke er nok: Tilfelle for skreddersydd kultur-AI

Tenk på siste gang du brukte et AI-verktøy som lånt seg som om det virkelig visste hvor du kom fra. Ikke din tidsone. Ikke din valuta. Din kultur, måten du argumenterer, måten du viser respekt, måten du forteller en historie.

For det meste av verdens befolkning har dette øyeblikket ikke skjedd ennå. Ikke fordi teknologien ikke er i stand til det. Selvfølgelig er den det. Men virkelig fordi nesten ingen bygger det på denne måten.

Verktøyene er raskere enn noen gang. Utdataene er lengre, flytende, mer selvbevisste. Men tilbringer du nok tid med å arbeide med AI og menneskelig kommunikasjon, vil du merke at utdataene alle føles like. Målte. Sentrert. Kalibrert mot en slags universell gjennomsnitt som, ved nærmere betraktning, ligner en bestemt kultur som bærer en nøytral maske.

Dette er et problem som har konsekvenser for milliarder av mennesker hvis språk, verdensbilder og måter å skape mening aldri var sentrert da treningdataene ble samlet inn.

Så… er lokaliseringsarbeid ikke nok?

Nei, det er det ikke. Lokaliseringsarbeid har vært bransjens svar. Men ifølge meg er det feil svar på riktig spørsmål.

Flere og flere bedrifter bruker store språkmodeller (LLM) for å tilpasse markedsføringsinnhold til bestemte regioner. Oversett et grensesnitt; bytt valutasymboler; kjør innholdet gjennom en regional stilguide; disse er virkelige skritt som har tillatt virkelige endringer. Men de er ingen steder nær nok.

Lokaliseringsarbeid er en løsning som brukes etter at systemet er bygget, uten å tenke på kulturell spesifikasjon. Du maler veggene på et hus hvis fundament er lagt et helt annet sted.

Den underliggende modellen tenker, resonerer og genererer mening fra et fast punkt.

For eksempel viser forskning at ledende AI-systemer viser en standard prioritering av individualisme og anglo-saksiske normer. Og, ettersom de blir brukt til funksjoner som juridisk veiledning, profesjonell rådgivning og utdanning, risikerer de innebygde verdiene å forme hvordan underrepresenterte brukere oppfatter verden rundt seg på måter som kan være direkte i strid med deres egne.

Lokaliseringsarbeid berører språk på overflaten mens den lar den kulturelle operativsystemet være urørt. Og brukere, spesielt de som har tilbragt livet med å navigere i systemer som ikke er bygget for dem, kan føle forskjellen med en gang.

Skreddersydd kultur-AI som utgangspunkt

Skreddersydd kultur-AI starter fra et annet utgangspunkt: at språk er inngangspunktet til kultur, men ikke destinasjonen.

Når du bygger AI med kulturell spesifikasjon som et designprinsipp snarere enn en lokaliseringsarbeid etterpå, endrer treningdata og vurderingskriterier.

Du spør ikke “hvordan kan vi tilpasse modellen vår for denne markedet?” Du spør “hva vet denne samfunnet faktisk, hva verdsetter de, og hva trenger de? Hvordan kan vi bygge noe som reflekterer det fra bunnen av?”

For eksempel er en mental helse-chatbot bygget på en mainstream LLM og oversatt til yoruba ikke det samme som en som er trent på yoruba-kulturell kunnskap, relasjonsrammer og samfunnsspesifikke ideer om velvære. Ordene kan være de samme, men den underliggende intelligensen er ikke det.

Amazons nylige arbeid med Alexa+ i Mexico er et instruktivt eksempel på hvor alvorlig dette problemet er, selv for et selskap med ressurser til å takle det i stor skala. Teamet oversatte ikke bare grensesnittet. De måtte omtenke hvordan modellen resonnerte.

En av de viktigste utfordringene er at de fleste LLM er trent på data som reflekterer hvordan dominant engelsk er på internettet, noe som betyr at selv en spansk talendes forespørsel kunne utløse en engelskspråklig respons.

Å fikse det krevde forsterkingslæring, tilpasset treningdata og hva teamet beskrev som bærekraftig arbeid for å sikre at “nyansene for det språket og landet er justert, uten å utviske forbedringene for andre språk.” Å få varme-registret riktig for Mexico, uten å uforvarende endre formaliteten som forventes i andre markeder, tok måneder.

Det er kostnaden ved å behandle kultur som et ingeniørproblemet som er verdt å løse. Og det er en kostnad som lokaliseringsarbeid, per definisjon, aldri incurre.

Den globale majoriteten bygger allerede sitt eget

Hva som er slående er at de tydeligste demonstrasjonene av skreddersydd kultur-AI-modellen ikke kommer fra de etablerte. De kommer fra kantene.

Nylig har det vært en global fremstøt for å bygge om AI på lokale språk og en voksende nettverk av samfunnsledede initiativer: Egypts Horus, Nigerias N-ATLaS, Indonesias Sahabat-AI, Latin-Amerikas Latam-GPT, Thailands OpenThaiGPT og AI Sveriges svensk-språklige modell. Disse er beviser på hva som blir mulig når kulturell spesifikasjon behandles som et førsteprioritets ingeniørprobleme snarere enn en etterfølgende justering.

Som forsker Aliya Bhatia sier, viser de at “det er mulig å bygge systemer som bedre representerer global majoritetsbrukere og språk, så lenge store AI-selskaper faktisk vil ta en side fra denne boken og lære av dem.”

Spørsmålet er om de vil.

Kultur som en konkurransefordel (og behov)

For mye av AI-historien har “flatthetsproblemet” vært tolerert fordi verktøyene fortsatt var nye nok til å generere entusiasme på egenskaper alene. Etterhvert som flere mennesker vender seg til disse verktøyene, lukker dette vinduet.

Brukere i ikke-vestlige markeder vil ikke permanent akseptere AI som konsistent misforstår deres kontekst, flattar deres kommunikasjonsstil eller reflekterer verdier fremmede for deres egne. 2026 AI-lokaliseringsanalyse fra Phrase bemerker at lokaliseringsarbeid har skiftet fra en bakscene-funksjon til en anerkjent strategisk driver — og at bedriftene som vinner globalt er de som behandler kulturell tilknytning som et utgangspunkt, ikke en senere justering.

Innsiktene fra IIEX APAC 2026 forsterket samme poeng gjennom forbrukerdata: kulturell forståelse må være innbygget fra starten. Merker som tilpasset kulturell relevans til ellers generiske kampanjer underpresterte konsistent mot de som startet med kulturell intelligens som en kjerne design-inngang.

Det er også et tillitsdimensjon industrien ikke fullt ut har gjort opp med. Når AI får kultur feil (dvs. når den misforstår tone, misforstår kontekst eller genererer utdata som føles fremmede for personen som bruker dem), lykkes den ikke å knytte og skaper avstand. Og i en produktkategori som avhenger av at mennesker tror systemet forstår dem, er avstand eksistensiell.

Hva må endres

Vei fremover er ikke å forkaste generelle modeller, men å slutte å behandle dem som taket.

Skreddersydd kultur-AI krever ting hovedmarkedet ikke ennå har prioritet på stor skala: treningdata samlet inn i ekte samarbeid med samfunnene det er ment å tjene; vurderingsbenchmarks som er kulturelt grunnlagt, ikke bare språklig nøyaktig; og en villighet til å la samfunnene selv definere hva “korrekt” ser ut som, snarere enn å måle korrekthet mot den dominerende treningfordelingen.

Organisasjonene som vil være viktigst i den neste fasen av AI-utvikling er ikke nødvendigvis de med de største modellene eller de fleste parameterne. De er de som forstår at intelligens uten kulturell grunnlag bare er en svært sofistisert gjennomsnitt.

Spørsmålet som er verdt å stille

Hvis din AI fungerer strålende for brukere i Seattle og sliter med å knytte til brukere i Lagos, Bogotá eller Jakarta, er den virkelig intelligent? Eller er den bare flytende?

Forskjellen vil definere den neste tiårs AI-utvikling. Og organisasjonene som ser skreddersydd kultur-AI som fremtiden er de som bygger noe som vil fortsatt være viktig når nysgjerrigheten slutter.

Spørsmålet for noen som bygger eller distribuerer AI i dag er ikke om kultur betyr noe. Forskningen har avgjort det. Spørsmålet er om din arkitektur er bygget for å ære det.