Hvordan overvinne språklige og kulturelle fordommer i GenAI-tilpasning

I 2025 dominere ChatGPT og AI-drevne Google-søk, men det er viktig å huske på ulike kommunikasjonsformer. Generativ AI (GenAI) er hovedsakelig tekstbasert og fungerer på engelsk, noe som kan isolere dens bruksområder for ikke-engelsktalende.

Selv om engelsk tales som morsmål av mindre enn 20% av verdens befolkning, utgjør det 67,3% av nettstedene. Mange GenAI-plattformer er trent på engelsk, noe som betyr at kommunikasjonen kan bli forvrengt i arbeidsmiljøer som involverer flere språk eller kulturer.

Kommunikasjon er mye mer enn bare bokstaver på en skjerm: det involverer tone, kroppsspråk, ansiktsuttrykk, rytme og kulturelle nyanser, for å nevne noen få nøkelfaktorer. Organisasjoner som setter i gang GenAI må sikre at de også mitigerte potensielle språklige og kulturelle fordommer, særlig siden vi lever i en globalisert verden.

Hvorfor stemmen fortsatt har betydning

Det finnes flere teorier som utdyper betydningen av multimodal kommunikasjon, særlig i multikulturelle og flerspråklige settinger.

En av de mest fremtredende er Edward T. Halls teori om høy- og lavkontekst-kulturer. Hall fremhever de innebygde forskjellene i hvordan ulike kulturer kommuniserer. Høykontekst-kulturer, som finnes i mange asiatiske land, baserer seg på indirekte og ikke-verbale signaler i kommunikasjonen. Japansk, for eksempel, er et høykontekst-språk, hvor onomatopoetiske ord og subtile endringer i uttrykk dramatisk påvirker intensjon og inferens.

Lavkontekst-kulturer, derimot, som mange av de i Vesten (USA og mange europeiske land), baserer seg på direkte og verbale kommunikasjon. Siden lavkontekst-kulturer tenderer til å være mer eksplicit, passer digital tekstbasert melding sammen med deres kommunikasjonsstof. Kontekstualisering av de dominerende tekstbaserte karakteristikkene til GenAI mot denne teorien, er det ingen overraskelse at personer fra høykontekst-kulturer, særlig ikke-engelsktalende, har vanskelig for å kommunisere like effektivt med disse verktøyene.

I en internasjonalisert bedriftssetting, hvor mennesker fra alle kanter konvergerer, kan mangelen på subtile signaler som kroppsspråk og tone gjøre kommunikasjon med AI svært mindre pålitelig. Digital eller teknologi-basert kommunikasjon, spesielt den som oppleves via GenAI-verktøy, må inkludere andre modi enn tekstbasert melding.

Problemet med engelsk fordom i GenAI

Det har også vært alvorlige bekymringer om fordom i AI-detektorer (som ironisk nok er drevet av AI) mot ikke-engelsktalende forfattere. I tillegg foreslår ny forskning i vitenskapens verden at så mange som 38% av ikke-engelsktalende blir avvist av tidsskrifter på grunn av en oppfattet språkbarriere. Forfatteren av denne forskningen hevder at å bryte ned språkbarrierer er nøkkel til kunnskapsdeling. De argumenterer også for at kvaliteten på språket ikke skal diktere om kunnskap er verdifull nok til å bli delt.

Forskere ringer alarmklokker om mangelen på språklig mangfold over LLM-er og risikoen for å utelukke store deler av verdens befolkning som ikke er engelsktalende. Dette er et dypt innarbeidet problem som begrenser hvordan mennesker kan engasjere seg med og bruke AI-verktøy.

Det er også et problem som må løses så snart som mulig, med tanke på at 95% av amerikanske selskaper har tatt i bruk GenAI. Denne teknologien blir økt brukt i travle arbeidsmiljøer som fabrikkgulver. Likevel er ikke-engelsktalende ofte utenfor ligningen når det gjelder AI-utplasseringsstrategier.

La oss se på hva barrierer for vellykket AI-tilpasning ser ut i virkeligheten. Ikke-engelsktalende har vanskelig for å forstå instruksjoner, noe som kan føre til feil og misforståelser. For eksempel, vietnamesiske produsenter med begrenset engelskferdighet avhenger av engelske oversettelser via GenAI for instruksjoner. Dette åpner for en stor feilmargin, ettersom konteksten og de mer subtile signalene blir fjernet.

I tillegg blir tillit og tillitsvurdering underminert. Dette kan øke motstanden mot å bruke teknologi i arbeidsflyten, samtidig som det undergraver ansattes moral og motivasjon.

Lukking av gapet

Disse barrierene og utfordringene bør løses så snart som mulig. For å jevne ut banen rundt GenAI-tilpasning, må kulturelle og språklige nyanser tas i betraktning. Det finnes flere strategier organisasjoner kan inkorporere for å lukke disse gapene og bygge GenAI-tilpasning for en flerspråklig fremtid.

Inkorporer kognitive og analytiske rammer

En særlig nyttig kognitiv ramme er OODA-løkken, utviklet av den kjente jetjagerpiloten John Boyd. De fem komponentene i «orientering» som utgjør en av de fire trinnene i OODA-løkken — genetisk arv, kulturelle tradisjoner, tidligere erfaringer, ny informasjon og analyse/syntese — kan brukes til å forstå hvordan enkeltbeslutninger påvirkes av innputt.

Min anbefaling er å behandle språk som en del av «kulturelle tradisjoner» samtidig som man legger spesiell vekt på «genetisk arv» og «analyse/syntese» hos enkeltindivider. Her er en nedbryting av hvordan hver komponent spiller en rolle i å trene AI-modeller til å bli mer språklig bredt omfattende.

• Genetisk arv (innbygde 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 stemme, tekst og video-signal — ikke bare tekst.

• Kulturelle tradisjoner: Opprett datasamlinger for å fange bestemte språkegenskaper, som onomatopoetiske ord og kontekst-tyngde former for kommunikasjon. Kuratér modeller for regioner i stedet for å bruke en universell modell som ikke er like kulturelt eller språklig smidig.

• Tidligere erfaringer: Mennesker er mer sannsynlig til å stole på systemer som reflekterer deres levde virkelighet. For eksempel, ansatte i Vietnam eller Japan vil bruke AI på en annen måte enn US-baserte lag, avhengig av deres nivå av eksponering og tillit til disse verktøyene. Workshop hvor lokale lag kan teste og øve på å bruke GenAI. De kan så dele tilbakemeldinger om hvordan godt det reflekterer deres språklige og kulturelle kontekst. Organisasjoner kan så justere prompt-biblioteker etter hvert, med tanke på bruksområdene for disse veiledningene (fabrikkarbeidere foretrekker vanligvis visuelle veiledninger).

• Ny informasjon: GenAI-verktøy må kontinuerlig oppdateres med virkelige data. Utnytt multilingvale datainntastninger over datasets så det integrerte systemet lærer nyansene av ulike språk og kommunikasjonsformer.

• Analyse/syntese: Her skjer tilpasningen mellom mennesker og AI. Språklige data og signaler er ofte fragmenterte, noe som ikke er kompatibelt med GenAI-modeller. Disse dataene må konverteres til AI-gjennomførbar data så den kan bli prosessert og analysert for å generere kulturelt og språklig smidige utdata.

Praktisk trening for beste praksis

Ansattes bør også bli trent på beste praksis rundt å gi instruksjoner til GenAI-plattformer, med fokus på klarhet. Prompt-biblioteker kan være svært nyttige for å gjøre lagene kjent med beste praksis for instruksjoner.

Viktigst, i AI-treningssamtaler, anbefaler jeg også å fokusere på prinsipper som rettferdighet og transparens. Disse er grunnleggende aspekter av upartisk AI-utplassering, og lagene bør også være godt kjent med å spore tegn på hallucinasjoner og fordommer, som forverrer språkbarrierer.

I tillegg, unngå «eko-kamre» ved å sikre at ny informasjon fra AI ikke bare kommer fra en enkelt, men fra en bred rekke kilder. Eko-kamre er et betydelig problem i teknologi, inkludert AI, som forsterker eksisterende fordommer og skjev utdata. Ansattes er utsatt for risiko for å falle i en fordoms-felle og følge feilaktig veiledning eller informasjon.

Til slutt, erkjenner at ethvert AI-verktøy, inkludert GenAI, bør behandles som en «konsulent», ikke en streng retningslinje. Lagene bør oppmuntres til å alltid inkludere en menneske for å klargjøre eventuell forvirring for å mitigere risikoen for feilaktig informasjon eller feilaktig veiledning.

AI er i ferd med å transformere bedriftsprosesser, men det er viktig ikke å la noen bli igjen underveis. Integrering av disse strategiene innen AI-utplassering gir bedrifter mulighet til å navigere språkbarrierer som ellers kan forårsake fordommer og snøball-problemer.