Hvordan overvinne språklige og kulturelle skjevheter i GenAI-adopsjon

I 2025 dominerer ChatGPT og AI-drevne Google-søk, men det er viktig å huske på ulike kommunikasjonsmåter. Generativ AI (genAI) er hovedsakelig tekstbasert og fungerer på engelsk, noe som kan isolere bruksområdene for ikke-morsmålstalende.

Selv om engelsk snakkes som morsmål av mindre enn 20 % av verdens befolkning, utgjør det 67.3% av nettsteder. Mange genAI-plattformer er trent i engelsk, noe som betyr at kommunikasjonen kan være forvrengt i arbeidsmiljøer som involverer flere språk eller kulturer.

Kommunikasjon er så mye mer enn bokstaver på en skjerm: det involverer tonefall, kroppsspråk, ansiktsuttrykk, rytme og kulturelle nyanser, for å nevne noen viktige faktorer. Organisasjoner som tar i bruk generasjon AI må sørge for at de også reduserer potensielle språklige og kulturelle skjevheter, spesielt gitt at vi lever i en globalisert verden.

Hvorfor stemmen fortsatt er viktig

Det finnes flere teorier som utdyper viktigheten av multimodal kommunikasjon, spesielt i flerkulturelle og flerspråklige miljøer.

En av de mest fremtredende er Edward T. Halls teori rundt høy- og lavkontekstkulturerHall skisserer de iboende forskjellene i hvordan ulike kulturer kommuniserer. Høykontekstkulturer, som finnes i mange asiatiske land, er avhengige av indirekte og ikke-verbale signaler i kommunikasjon. Japansk er for eksempel et høykontekstspråk, hvor onomatopoetikon og subtile endringer i uttrykk dramatisk påvirker intensjon og slutning.

Lavkontekstkulturer, derimot, som mange av de i Vesten (USA og mange europeiske land), er avhengige av direkte og verbal kommunikasjon. Siden lavkontekstkulturer har en tendens til å være mer eksplisitte, blander digitale tekstbaserte meldinger seg sømløst inn i kommunikasjonsstrukturen deres. Hvis man setter de dominerende tekstbaserte egenskapene til genAI i kontekst mot denne teorien, er det ikke overraskende at folk fra høykontekstkulturer, spesielt de som ikke har engelsk som morsmål, sliter med å kommunisere like effektivt med disse verktøyene.

I et internasjonalisert forretningsmiljø, hvor folk fra alle samfunnslag møtes, kan mangelen på subtile signaler som kroppsspråk og tonefall gjøre kommunikasjon med AI betydelig mindre pålitelig. Digital eller teknologibasert kommunikasjon, spesielt den som oppleves via genAI-verktøy, må inkludere andre måter utover tekstbaserte meldinger.

Problemet med engelsk skjevhet i GenAI

Det har også vært alvorlige bekymringer reist om skjevheter i AI-detektorer (som ironisk nok drives av AI) mot forfattere som ikke har engelsk som morsmål. Dessuten tyder nyere forskning i vitenskapens verden på at så mange som 38 % av ikke-engelsktalende blir avvist av tidsskrifter på grunn av en opplevd språkbarriere. Forfatteren av denne forskningen hevder faktisk at det å bryte ned språkbarrierer er nøkkelen til kunnskapsdeling. De argumenterer også for at språkets kvalitet ikke bør diktere om kunnskap er verdifull nok til å deles.

Forskere ringer alarmklokkene om mangelen på språklig mangfold på tvers av LLM-er, og risikoen ved å ekskludere et stort antall av verdens befolkning som ikke har engelsk som morsmål. Dette er et dypt forankret problem som begrenser hvordan folk kan samhandle med og bruke AI-verktøy.

Det er også et problem som må tas tak i før heller enn senere, gitt at 95% av amerikanske selskaper har tatt i bruk genAI. Denne teknologien blir stadig mer anvendt til travle arbeidsmiljøer som produksjonsgulv i fabrikker. Imidlertid blir personer som ikke har engelsk som morsmål ofte utelatt fra ligningen når man diskuterer strategier for utrulling av AI.

La oss se på hvordan barrierer for vellykket bruk av AI ser ut i det virkelige liv. De som ikke har engelsk som morsmål sliter med instruksjoner, noe som fører til skjeve resultater og risiko for feiltolkning av informasjon eller instruksjoner. For eksempel er vietnamesiske produsenter med begrenset engelskkunnskap avhengige av engelske oversettelser via genAI for instruksjoner. Det skaper et enormt rom for feil fordi konteksten og mer subtile signaler fjernes.

I tillegg svekkes tillit og selvtillit. Dette kan øke motstanden mot å bruke teknologi i arbeidsflyter, samtidig som det undergraver de ansattes moral og motivasjon.

Lukker hullet

Disse barrierene og utfordringene bør tas tak i før heller enn senere. For å jevne ut spillereglene rundt adopsjon av genAI, må kulturelle og språklige nyanser tas i betraktning. Det finnes en rekke strategier organisasjoner kan innføre for å bygge bro over disse hullene og bygge adopsjon av genAI for en flerspråklig fremtid.

Innlemme kognitive og analytiske rammeverk

Et spesielt nyttig kognitivt rammeverk er OODA-løkke, utviklet av den anerkjente jagerpiloten John Boyd. De fem komponentene i «orient» som utgjør ett av fire trinn i OODA-løkken – genetisk arv, kulturelle tradisjoner, tidligere erfaringer, ny informasjon og analyse/syntese – kan brukes til å forstå hvordan individuelle beslutninger påvirkes av innspill.

Min anbefaling er å behandle språk som en del av «kulturelle tradisjoner», samtidig som man legger særlig vekt på den «genetiske arven» og «analyse/syntese» til individer. Her er en oversikt over hvordan hver komponent spiller en rolle i å trene AI-modeller til å være mer språklig bredt definerte.

• Genetisk arv (innebygde menneskelige trekk): trene AI-systemer til å oppdage universelle signaler som tone og rytme som deles mellom språk og kulturer. En multimodal tilnærming til genAI som inkluderer tale-, tekst- og videosignaler – ikke bare tekst.

• Kulturelle tradisjoner: Lag datasett for å fange opp visse språklige egenskaper, som onomatopoetikon og konteksttunge kommunikasjonsformer. Kurater modeller for regioner i stedet for å bruke en universell modell som ikke er like kulturelt eller språklig smidig.

• Tidligere erfaringer: Folk stoler mer på systemer som gjenspeiler deres levede virkelighet. For eksempel vil ansatte i Vietnam eller Japan bruke AI annerledes enn USA-baserte team, avhengig av deres eksponeringsnivå og tillit til disse verktøyene. Workshops der lokale team kan teste og øve på å bruke genAI. Deretter kan de dele tilbakemeldinger om hvor godt det gjenspeiler deres språklige og kulturelle kontekst. Organisasjoner kan deretter justere ledetekstbiblioteker deretter, med tanke på brukstilfeller av disse veiledningene (fabrikkarbeidere foretrekker generelt visuelle veiledninger).

• Ny informasjon: genAI-verktøy må kontinuerlig oppdateres med data fra den virkelige verden. Bruk flerspråklig datainndata på tvers av datasett slik at det integrerte systemet lærer nyansene i ulike språk og kommunikasjonsformer.

• Analyse/syntese: Det er her samspillet mellom mennesker og AI skjer. Språklige data og signaler er ofte fragmenterte, noe som ikke er kompatibelt med genAI-modeller. Disse dataene må konverteres til AI-fordøyelige data, slik at de deretter kan behandles og analyseres for å generere kulturelt og språklig smidige resultater.

Praktisk opplæring for beste praksis

Ansatte bør også få opplæring i beste praksis for å gi prompter på genAI-plattformer, med fokus på tydelighet. Promptbiblioteker kan være utrolig nyttige for å gjøre team kjent med beste praksis for prompter.

Det er viktig å merke seg at jeg i AI-kurs også anbefaler å fokusere på prinsipper som rettferdighet og åpenhet. Dette er grunnleggende aspekter ved objektiv AI-utplassering, og team bør også være godt kjent med å oppdage tegn på hallusinasjoner og skjevheter, som forverrer språkbarrierer.

Unngå i tillegg «ekkokamre» ved å sørge for at ny informasjon fra AI ikke bare kommer fra én person, men fra en rekke kilder. Ekkokamre er et betydelig problem innen teknologi, inkludert AI, og forsterker eksisterende skjevheter og forvrenger utdata. Ansatte er utsatt for risikoen for å falle i en skjevhetsfelle og følge feil veiledning eller informasjon.

Til slutt, erkjenn at ethvert AI-verktøy, inkludert genAI, bør behandles som en «konsulent», ikke en streng retningslinje. Team bør oppfordres til alltid å sløyfe inn et menneske for å avklare eventuell forvirring for å redusere risikoen for feilinformasjon eller misvisende veiledning.

AI forvandler forretningsprosesser, men det er viktig å ikke la noen bli hengende etter underveis. Integrering av disse strategiene i AI-distribusjon gir bedrifter muligheten til å navigere språkbarrierer som ellers forårsaker skjevheter og snøballproblemer.