Twarze generowane przez AI mogą zmniejszać szanse prawdziwych ludzi na zatrudnienie

Nie potrzeba naukowców, aby wiedzieć, że atrakcyjny wygląd otwiera drzwi — prawdopodobnie w jakimś stopniu doświadczyliście w życiu korzyści albo strat z tego powodu. Nie są też potrzebni, by odkryć, że twarze generowane przez AI zwykle są atrakcyjniejsze od prawdziwych ludzi, z różnych przyczyn, z których wiele wiąże się z preferencjami i procesami ukształtowanymi przez człowieka.

Mimo to moją uwagę zwróciła dziś nowa, powiązana tematycznie współpraca badaczy ze Stanów Zjednoczonych. Przytacza ona dowody, że piękno generowane przez AI może pozbawiać prawdziwych ludzi rozmów kwalifikacyjnych. W badaniu z udziałem 570 osób ci, którzy wcześniej oglądali niezwykle atrakcyjne twarze wygenerowane przez AI, później oceniali prawdziwych kandydatów jako mniej odpowiednich do zatrudnienia i mniej godnych zaufania. Ich gotowość zaproszenia na rozmowę spadła z 77,4% do 72,5%, chociaż oceniali dokładnie tych samych kandydatów.

Przykłady twarzy wygenerowanych przez AI z badania pokazują, jak bardzo różniły się ich oceny atrakcyjności. Badacze przetestowali 27 generatorów obrazów przy użyciu zwykłych poleceń, które nie wspominały o pięknie. Górny rząd przedstawia twarze z jednymi z najwyższych ocen atrakcyjności w automatycznych systemach, a dolny — z jednymi z najniższych. Wszystkie osiem przedstawionych osób wygenerowała AI; nie są prawdziwe. Źródło

Badacze sprawdzili również, jak atrakcyjne wydają się twarze generowane przez AI w porównaniu z prawdziwymi, korzystając z obrazów pochodzących z różnych modeli komercyjnych i modeli z otwartymi wagami. Kiedy 550 osób poproszono o ocenę fotografii prawdziwych ludzi obok twarzy wygenerowanych przez AI, syntetyczne twarze konsekwentnie otrzymywały wyższe noty. W dodatkowym porównaniu odpowiednie metryki wykazały, że 37% kobiecych twarzy wygenerowanych przez AI oceniono jako atrakcyjniejsze od typowej profesjonalnej modelki.

Porównanie twarzy wygenerowanych przez AI z profesjonalnymi modelami i modelkami w 27 generatorach obrazów. Wykres przedstawia odsetek wygenerowanych twarzy uzyskujących wynik wyższy od mediany profesjonalnych modeli według automatycznych miar atrakcyjności. Czarne punkty reprezentują wszystkie wygenerowane twarze, a żółte okręgi tylko kobiece. Ogółem ten poziom odniesienia przekroczyło 23% twarzy, a wśród kobiecych — 37%. Linie przerywane oznaczają te dwie średnie.

Artykuł^† stwierdza:

„Zbadaliśmy 27 generatorów obrazów z tekstu wydanych między 2022 a 2026 rokiem, używając prostych poleceń, które nigdy nie wspominają o atrakcyjności ani pięknie. W porównaniach głównych i dodatkowych przeanalizowaliśmy 51 300 wygenerowanych twarzy oraz 160 196 fotografii prawdziwych ludzi.

„Wykorzystaliśmy trzy automatyczne miary i zebraliśmy oceny 550 osób dla podzbioru obrazów.

„Niemal wszystkie generatory tworzyły twarze uzyskujące według automatycznych miar wyższe wyniki niż sfotografowane twarze. Oceniający ludzie uznali wyniki wszystkich 23 generatorów za istotnie atrakcyjniejsze od sfotografowanych twarzy, nawet po korekcie na wielokrotne porównania.

„Gdy skupiamy analizę na płci, stwierdzamy, że 37% twarzy wygenerowanych przy użyciu poleceń wskazujących kobiety przekroczyło medianę profesjonalnych modeli i modelek”.

Autorzy zauważają również, że eksperci — zarówno ludzie, jak i AI — mogą się nie zgadzać i dyskutować o tym, kto znajduje się na szczycie ćwiartki „pięknych”. Takie niuanse nie występują jednak w przedziałach ocen „nieatrakcyjny” lub „minimalnie atrakcyjny”, które w porównaniu z górą skali są rodzajem wspólnego kosza na odrzuty*:

„Większa zgodność między miarami co do tego, kogo ceni się najmniej, niż co do tego, kogo ceni się najbardziej, przypomina istotną cechę klasyfikacji estetycznej w takich środowiskach jak modeling: ludzie i instytucje nie muszą zgadzać się co do jednego ideału, aby wytwarzać powtarzające się nierówności w tym, czyjemu wyglądowi przypisuje się mniejszą wartość”.

Wartość twarzy

Wiele wyników badania powtarza powszechne ludzkie doświadczenie kontekstowego i względnego postrzegania: jeśli na przykład byliście najinteligentniejszą lub najatrakcyjniejszą osobą w swojej szkole, rozpoczęcie studiów na uczelni Ivy League może znacznie podnieść otaczające standardy i obniżyć waszą względną pozycję w nowej grupie.

Świat nie jest jednak pełen ludzi wygenerowanych przez AI, którzy naprawdę chodzą po ulicach i rozpychają się łokciami, odsuwając osoby z krwi i kości podczas rozmów o pracę. Jak więc kulturowe zjawisko estetyki piękna generatywnej AI może cokolwiek zmienić?

Poza niepokojącą możliwością, że ludzie mogą sięgać po chirurgię plastyczną, aby bardziej odpowiadać „standardowi AI”, efekt opisany w nowym badaniu przypomina kulturę piękna sprzed AI w filmie, telewizji, modzie i innych widocznych, wpływowych obszarach ludzkiej kultury. To środowisko, w którym byliśmy i jesteśmy zalewani nierealistycznymi ideałami fizycznymi i uczymy się traktować to jak swoisty problem stosunku sygnału do szumu. Marzymy o gwiazdach kina, ale pobieramy się z tymi, z którymi możemy.

Artykuł opisuje rosnący wpływ własnej estetyki wizualnej AI w podobnym kontekście*:

„Jeżeli wygenerowane twarze są zarówno atrakcyjniejsze od prawdziwych, jak i atrakcyjne w nierównym stopniu, [the] pojawia się pytanie: jakie są konsekwencje dla oceniania prawdziwych ludzi? Oglądanie starannie wybranych lub edytowanych obrazów zmienia porównywanie wyglądu oraz późniejsze osądy, a klasyczne eksperymenty kontrastu pokazują, że kontakt z bardzo atrakcyjnymi ludźmi może obniżać późniejsze oceny atrakcyjności.

„Generatywna AI może dostarczać powtarzające się strumienie różnych twarzy kształtowanych przez te same procesy estetyczne. Nadal nie jest jasne, czy kontakt z twarzami wygenerowanymi przez AI zmienia oceny prawdziwych ludzi, które mają istotne konsekwencje”.

Autorzy nie proponują konkretnego rozwiązania, lecz wzywają do dalszych badań nad tym, kiedy piękno generowane przez AI wpływa na nasze osądy prawdziwych ludzi, jakie cechy syntetycznych twarzy wywołują ten efekt i czy wyniki utrzymałyby się poza symulowanym eksperymentem rekrutacyjnym.

Metoda i dobór danych

Aby ustalić, jak powszechnie generatory obrazów AI preferują atrakcyjne twarze, badacze przetestowali 27 systemów wydanych między 2022 a 2026 rokiem: Stable Diffusion 1.5, 2.1, XL, 3, 3.5-medium, 3.5-large i 3.5-large-turbo; FLUX.1 dev i schnell, FLUX.2, FLUX.2-klein 9B i FLUX.2-klein 4B; GPT Image 1.5 i GPT Image 2; Grok Image i Grok Imagine; Nano Banana 2 i Nano Banana Pro; Midjourney v6, v7 i v8; PixArt-Sigma; Playground 2.5; HunyuanDiT; Qwen-Image; Sana oraz Lumina-2.

We wszystkich systemach użyto tego samego prostego polecenia do tworzenia portretów reprezentujących 14 kategorii demograficznych wśród mężczyzn i kobiet oraz osiem zawodów (lekarz; prawnik; weterynarz; farmaceuta; kucharz; pracownik budowlany; pielęgniarka lub pielęgniarz i pracownik handlu detalicznego), bez wspominania o pięknie ani atrakcyjności.

Przetestowano też polecenia pomijające dane demograficzne, płeć lub zawód. Łącznie wygenerowano 51 300 obrazów do analizy.

Do porównania wybrano 94 249 fotografii ze zbiorów FairFace, IdenProf, SCUT-FBP5500, MEBeauty, Chicago Face Database i jego rozszerzeń obejmujących osoby wielorasowe oraz osoby z Indii, a także ze zbioru Face Research Lab London. Twarze nadające się do analizy wykryto na 89 435 fotografiach.

Różnorodne zachodnie i azjatyckie twarze ze zbioru SCUT-FBP5500, jednego z sześciu wykorzystanych w nowym badaniu. Źródło

Dodatkowe porównania przeprowadzono przy użyciu 10k US Adult Faces Database, kolekcji 15 182 fotografii profesjonalnych modeli i modelek, LookismBench-SyntheticFaces, FFHQ oraz StyleGAN2. Fotografie modeli służyły za punkt odniesienia „wysokiej atrakcyjności”, a pozostałe kolekcje analizowano osobno, aby ocenić miary atrakcyjności i uzyskać dodatkowe porównania.

Twarze wykrywano i kadrowano za pomocą MTCNN, a następnie standaryzowano. Atrakcyjność oceniano modelami ResNet-50 wytrenowanymi na SCUT-FBP5500 i MEBeauty oraz SwinFace, wytrenowanym na adnotacjach CelebA.

Aby sprawdzić zgodność automatycznych ocen atrakcyjności z ludzkimi opiniami, wybrane 1 374 prawdziwe i wygenerowane przez AI twarze oceniło 550 dorosłych mieszkających w USA.

W osobnym eksperymencie 570 dorosłych Amerykanów podzielono na trzy grupy i pokazano im kandydatów do pracy z prawdziwymi fotografiami, wyretuszowanymi fotografiami albo twarzami wygenerowanymi przez AI. Następnie wszystkie trzy grupy oceniały tych samych prawdziwych kandydatów, co pozwoliło zmierzyć różnice w decyzjach rekrutacyjnych. Główne analizy badania zostały prerejestrowane.

Testy

Według obu głównych metryk atrakcyjności twarze wygenerowane przez AI uzyskały istotnie wyższe wyniki niż prawdziwe fotografie w 24 z 27 testowanych generatorów. Ustalenie to potwierdziła również metryka CelebA/SwinFace, jak pokazano poniżej:

Różnice w atrakcyjności między twarzami wygenerowanymi przez AI a prawdziwymi fotografiami w 27 generatorach obrazów, wyrażone średnimi wartościami d Cohena z trzech automatycznych metryk. Wartości dodatnie oznaczają wyższe oceny atrakcyjności wygenerowanych twarzy.

Jak podaje artykuł, we wszystkich trzech metrykach 13 generatorów tworzyło twarze oceniane o ponad jedno odchylenie standardowe wyżej niż prawdziwe fotografie. Nie stwierdzono jednak przewagi dla Nano Banana Pro, Grok Image ani Nano Banana 2.

Skłonność do tworzenia niezwykle atrakcyjnych twarzy była słabsza w nowszych modelach Midjourney i OpenAI. Efekt był natomiast około dwukrotnie silniejszy w modelach z otwartymi wagami niż w komercyjnych propozycjach OpenAI, Google, Midjourney i xAI.

W ocenach ludzi twarze ze wszystkich 23 generatorów przetestowanych na wystarczającej liczbie obrazów, by zapewnić rzetelne porównanie, uznano za atrakcyjniejsze od prawdziwych fotografii. W skali od 1 (najmniej atrakcyjne) do 7 (najbardziej atrakcyjne) prawdziwe twarze uzyskały średnio 3,10 punktu, a twarze generowane przez AI od 0,34 do 2,06 punktu więcej, zależnie od generatora, jak pokazano poniżej:

Ludzkie oceny atrakcyjności twarzy z 23 generatorów obrazów AI w skali od 1 do 7. Generatory przekroczyły średnią dla prawdziwych fotografii, oznaczoną niebieską linią przerywaną. Czerwone punkty oznaczają średnie oceny, poziome odcinki — niepewność wokół każdej średniej.

Wyższe oceny twarzy wygenerowanych przez AI odnotowano we wszystkich sześciu kategoriach rasowych i etnicznych (zob. wykres poniżej), nawet dla Nano Banana Pro, Grok Image i Nano Banana 2, których twarze w testach nie uzyskiwały wyników wyższych niż prawdziwe fotografie:

Ludzkie oceny atrakcyjności twarzy wygenerowanych przez AI (czerwony) i prawdziwych fotografii (niebieski) w sześciu kategoriach rasowych i etnicznych. Twarze AI uzyskały wyższe średnie w każdej kategorii; różnice wyniosły od 0,74 do 1,37 punktu w skali siedmiopunktowej. Pionowe odcinki oznaczają niepewność wokół każdej średniej.

Oceny ludzi różniły się od automatycznych wyników także w przypadku nowszych modeli. Między GPT Image 1.5 i GPT Image 2 od OpenAI odnotowano niewielką zmianę, podczas gdy wersje Midjourney 6, 7 i 8 uzyskiwały coraz wyższe oceny atrakcyjności.

Innymi słowy, ludzie nadal uznawali, że nowsze modele AI tworzą niezwykle atrakcyjne twarze, nawet gdy automatyczne metryki sugerowały osłabienie tej tendencji.

Niesprawiedliwa przewaga

Ostatni eksperyment sprawdzał, czy oglądanie atrakcyjnych twarzy wygenerowanych przez AI może wpływać na ocenę prawdziwych kandydatów do pracy.

Na potrzeby symulowanej rekrutacji na stanowisko „specjalisty ds. sukcesu klienta” 570 dorosłych Amerykanów podzielono na trzy grupy. Po ocenie czterech identycznych kandydatów każdej grupie pokazano osiem profili z prawdziwymi fotografiami, wyretuszowanymi fotografiami albo twarzami wygenerowanymi przez AI. Twarze AI uzyskały wcześniej 5,75 punktu na siedem za atrakcyjność, wobec 2,99 dla prawdziwych fotografii. Retuszowane obrazy wygładzono i rozjaśniono efektem opartym na funkcji One-tap Enhance aplikacji Facetune.

Uwzględniono kolejnych dwunastu kandydatów z identycznymi fotografiami i kwalifikacjami we wszystkich trzech grupach, aby sprawdzić, czy kontakt z różnymi obrazami wpływa na decyzje rekrutacyjne.

Kandydaci z twarzami wygenerowanymi przez AI uzyskali nieco wyższe oceny przydatności do zatrudnienia i wiarygodności, choć nie stwierdzono istotnego wzrostu liczby zaproszeń na rozmowę. Jednak po obejrzeniu tych twarzy tych samych prawdziwych kandydatów oceniano jako mniej odpowiednich do zatrudnienia i mniej godnych zaufania, a odsetek zaproszeń na rozmowę spadł z 77,4% do 72,5%:

Wyniki testu rekrutacyjnego pokazujące zmiany w postrzeganej przydatności prawdziwych kandydatów do zatrudnienia, ich wiarygodności i prawdopodobieństwie otrzymania zaproszenia na rozmowę po kontakcie z różnymi typami twarzy. Niższe oceny następowały po oglądaniu twarzy AI, lecz nie po retuszowanych fotografiach. Punkty pokazują różnice względem grupy kontrolnej z prawdziwymi zdjęciami; pionowe linie oznaczają 95-procentowe przedziały ufności.

Po obejrzeniu retuszowanych fotografii nie odnotowano porównywalnego spadku. Oznacza to, że prawdziwi ludzie, którzy rzekomo wyglądali najlepiej, jak mogli, nie „podnieśli poprzeczki” tak jak obrazy AI.

Autorzy komentują:

„Kandydaci połączeni z twarzami wygenerowanymi przez AI otrzymali jedynie nieznacznie lepsze bezpośrednie oceny, ale uczestnicy, którzy zobaczyli te twarze, później oceniali tych samych prawdziwych kandydatów bardziej negatywnie we wszystkich trzech wynikach.

„Sami kandydaci wygenerowani przez AI otrzymali nieco wyższe bezpośrednie oceny wiarygodności, co zmniejsza prawdopodobieństwo prostego wyjaśnienia ogólną niechęcią do profili z twarzami AI.

„Eksperyment mówi nam jednak, że ekspozycja miała znaczenie, a nie dlaczego”.

Wnioski

Z moich osobistych obserwacji wynika, że postacie generowane przez AI zdecydowanie zaczęły dominować w reklamach ulicznych w mieście, w którym mieszkam, lecz jest to twórczość dwuwymiarowa. Czy wykorzystanie generatywnego wideo opartego na dyfuzji w telewizji i kinie przezwycięży obecne ograniczenia prawne i etyczne, dopiero się okaże. Jeśli tak, możemy być może spodziewać się znacznie większej liczby aktorów wygenerowanych i/lub ulepszonych przez AI, którzy „podniosą standard estetyczny” i urzeczywistnią opisany w nowej pracy scenariusz „wszechobecnego piękna AI”.

Sama zasada nie jest nowa; nowy jest potencjał automatyzacji. W takim przypadku można by wydestylować istotę obecnych lub dawnych prawdziwych celebrytów, modeli i osób publicznych, powielać albo „ulepszać” ich i szeroko rozpowszechniać, bez kosztownych negocjacji kontraktowych. To jednak dopiero przed nami, jeśli w ogóle nastąpi.

^† Praca zatytułowana Generative AI Produces and Transmits Beauty Bias, autorstwa ośmiu badaczy z Cornell, University of Florida i University of Pennsylvania.

* Odwołania autorów w tekście przekształciłem w hiperłącza.

Pierwsza publikacja: poniedziałek, 19 października 2026 r.