AI-genererade ansikten kan försämra verkliga människors chanser att få jobb

Man behöver egentligen inga forskare för att veta att personlig attraktionskraft öppnar dörrar, eftersom du sannolikt själv har drabbats av eller gynnats av detta i någon mån under livet. Inte heller för att upptäcka att AI-genererade ansikten tenderar att vara attraktivare än verkliga människor, av flera skäl som ofta handlar om mänskliga preferenser och processer.

Ändå fångade ett nytt amerikanskt akademiskt samarbete på ett närliggande område min uppmärksamhet i dag. Det visar tecken på att AI-genererad skönhet kan kosta verkliga människor anställningsintervjuer. I en studie med 570 personer bedömde de som tidigare hade sett ovanligt attraktiva AI-ansikten därefter verkliga sökande som mindre anställningsbara och mindre pålitliga. Viljan att erbjuda intervjuer sjönk från 77,4 procent till 72,5 procent, trots att de bedömde exakt samma sökande.

Exempel på AI-genererade ansikten i studien som visar den stora variationen i attraktivitetsbetyg. Forskarna testade 27 bildgeneratorer med vanliga instruktioner som inte nämnde skönhet. Övre raden visar ansikten med några av de högsta automatiska betygen, den nedre några av de lägsta. Alla åtta avbildade personer är AI-genererade, inte verkliga. Källa

Forskarna undersökte också hur attraktiva AI-genererade ansikten verkar jämfört med verkliga ansikten, med bilder från olika kommersiella modeller och modeller med öppna vikter. När 550 personer fick bedöma fotografier av verkliga människor tillsammans med AI-ansikten fick de syntetiska ansiktena genomgående högre betyg. I en ytterligare jämförelse visade lämpliga mått att 37 procent av de AI-genererade kvinnliga ansiktena bedömdes som attraktivare än den typiska professionella fotomodellen.

Jämförelse mellan AI-genererade ansikten och professionella fotomodeller för 27 bildgeneratorer. Diagrammet visar andelen genererade ansikten med högre betyg än medianen för professionella modeller enligt automatiska attraktivitetsmått. Svarta punkter representerar alla genererade ansikten, gula cirklar endast kvinnliga ansikten. Totalt översteg 23 procent denna referens, och bland kvinnliga ansikten var andelen 37 procent. De streckade linjerna visar dessa två genomsnitt.

Artikeln^† säger:

”Vi granskade 27 text-till-bild-generatorer lanserade mellan 2022 och 2026 med enkla instruktioner som aldrig nämner attraktionskraft eller skönhet. Vi analyserade 51 300 genererade ansikten och 160 196 fotografier av verkliga människor i primära och kompletterande jämförelser.

”Vi använde tre automatiska mått och samlade in bedömningar från 550 mänskliga bedömare för en delmängd av bilderna.

”Nästan alla generatorer producerade ansikten med högre automatiska betyg än fotograferade ansikten. Mänskliga bedömare ansåg att resultaten från samtliga 23 generatorer var signifikant attraktivare än fotograferade ansikten, även efter korrigering för multipla jämförelser.

”När vi fokuserar analysen på kön finner vi att 37 procent av ansiktena genererade med kvinnliga instruktioner överträffade medianen för professionella fotomodeller.”

Författarna påpekar också att experter — både människor och AI — kan vara oense och diskutera vem som ligger överst i kategorin ”vacker”, men att denna finfördelning saknas i betygsintervallet ”inte attraktiv” eller ”minimalt attraktiv”, som jämförelsevis blir en sorts allmän soptunna*:

”Att olika mått är mer överens om vilka som värderas lägst än om vilka som värderas högst liknar en viktig egenskap hos estetisk klassificering i miljöer som modebranschens modellvärld: människor och institutioner behöver inte enas om ett enda ideal för att skapa återkommande ojämlikheter i vems utseende som värderas lägre.”

Ansiktens värde

Många resultat upprepar den vanliga mänskliga erfarenheten av kontextuell och relativ perception. Om du exempelvis var den smartaste eller attraktivaste personen i skolan kan antagning till ett Ivy League-universitet kraftigt höja omgivningens standard och sänka din relativa position i den nya gruppen.

Men världen är inte full av AI-genererade människor som faktiskt går omkring och tränger undan människor av kött och blod på anställningsintervjuer. Hur kan då det kulturella fenomenet kring generativ AI:s skönhetsestetik göra skillnad?

Förutom den oroande möjligheten att människor tar till plastikkirurgi för att bättre motsvara ”AI-standarden” liknar effekten i den nya studien skönhetskulturen före AI i film, tv, mode och andra synliga och inflytelserika delar av mänsklig kultur. Vi var och är omgivna av orealistiska kroppsideal och lär oss hantera dem som ett signal-brusproblem. Vi drömmer om filmstjärnor men gifter oss med dem vi kan.

Artikeln beskriver det växande inflytandet från AI:s egen visuella estetik i ett liknande sammanhang*:

”Om genererade ansikten både är attraktivare än verkliga och är det i olika grad följer [the] frågan: vilka konsekvenser får detta för bedömningen av verkliga människor? Exponering för hårt utvalda eller redigerade bilder förändrar utseendejämförelser och efterföljande bedömningar. Klassiska kontrastförsök visar att exponering för mycket attraktiva människor kan sänka senare attraktivitetsbedömningar.

”Generativ AI kan leverera upprepade flöden av skilda ansikten formade av samma estetiska processer. Det är fortfarande oklart om exponering för AI-genererade ansikten förändrar bedömningar av verkliga människor som får konkreta konsekvenser.”

Författarna föreslår ingen särskild åtgärd utan efterlyser mer forskning för att fastställa när AI-genererad skönhet påverkar våra omdömen om verkliga människor, vilka egenskaper hos syntetiska ansikten som driver effekten och om resultaten skulle bestå utanför det simulerade anställningsförsöket.

Metod och databeredning

För att avgöra hur utbrett det är att AI-bildgeneratorer gynnar attraktiva ansikten testade forskarna 27 system lanserade mellan 2022 och 2026: Stable Diffusion 1.5, 2.1, XL, 3, 3.5-medium, 3.5-large och 3.5-large-turbo; FLUX.1 dev och schnell, FLUX.2, FLUX.2-klein 9B och FLUX.2-klein 4B; GPT Image 1.5 och GPT Image 2; Grok Image och Grok Imagine; Nano Banana 2 och Nano Banana Pro; Midjourney v6, v7 och v8; PixArt-Sigma; Playground 2.5; HunyuanDiT; Qwen-Image; Sana; och Lumina-2.

Samma enkla instruktion användes i alla system för porträtt som representerade 14 demografiska kategorier inom manliga och kvinnliga grupper och åtta yrken: läkare, advokat, veterinär, apotekare, kock, byggnadsarbetare samt sjuksköterska och butiksanställd. Skönhet eller attraktionskraft nämndes inte.

Även instruktioner utan demografiska uppgifter, kön eller yrke testades. Totalt producerades 51 300 bilder för analys.

Som jämförelse hämtades 94 249 fotografier från FairFace, IdenProf, SCUT-FBP5500, MEBeauty, Chicago Face Database och dess multirasliga och indiska utökningar samt datamängden Face Research Lab London. Användbara ansikten hittades i 89 435 fotografier.

Varierande västerländska och asiatiska ansikten ur SCUT-FBP5500, en av sex datamängder i den nya studien. Källa

Ytterligare jämförelser använde 10k US Adult Faces Database, en samling med 15 182 fotografier av professionella fotomodeller, LookismBench-SyntheticFaces, FFHQ och StyleGAN2. Modellfotografierna användes som referens för ”hög attraktivitet”, medan övriga samlingar analyserades separat för att utvärdera attraktivitetsmåtten och ge fler jämförelser.

Ansikten upptäcktes och beskars med MTCNN och standardiserades sedan. Attraktivitet bedömdes med ResNet-50-modeller tränade på SCUT-FBP5500 och MEBeauty samt med SwinFace, tränad på CelebA-annoteringar.

För att kontrollera om automatiska attraktivitetsbetyg motsvarade mänskliga uppfattningar fick 550 vuxna bosatta i USA bedöma ett urval av 1 374 verkliga och AI-genererade ansikten.

I ett separat experiment delades 570 vuxna i USA in i tre grupper och fick se arbetssökande med verkliga fotografier, retuscherade fotografier eller AI-ansikten. Därefter bedömde alla tre grupper samma verkliga sökande, så att skillnader i anställningsbeslut kunde mätas. Studiens huvudanalyser var förregistrerade.

Tester

Med båda de huvudsakliga attraktivitetsmåtten fick AI-ansikten signifikant högre betyg än verkliga fotografier för 24 av de 27 testade generatorerna. Resultatet stöddes också av CelebA/SwinFace-måttet, som visas nedan:

Attraktivitetsskillnader mellan AI-ansikten och verkliga fotografier för 27 bildgeneratorer, uttryckta som genomsnittliga Cohen’s d-värden över tre automatiska mått. Positiva värden innebär högre attraktivitetsbetyg för genererade ansikten.

Enligt artikeln producerade 13 generatorer över samtliga tre mått ansikten som bedömdes mer än en standardavvikelse över verkliga fotografier. Ingen fördel hittades däremot för Nano Banana Pro, Grok Image eller Nano Banana 2.

Tendensen att producera ovanligt attraktiva ansikten var svagare i nyare Midjourney- och OpenAI-modeller. Effekten var ungefär dubbelt så stark i modeller med öppna vikter som i kommersiella erbjudanden från OpenAI, Google, Midjourney och xAI.

I mänskliga bedömningar ansågs ansiktena från alla 23 generatorer med tillräckligt många bilder för en tillförlitlig jämförelse vara attraktivare än verkliga fotografier. På en skala från 1 (minst attraktiv) till 7 (mest attraktiv) fick verkliga ansikten i genomsnitt 3,10, medan AI-ansikten låg 0,34–2,06 poäng högre beroende på generator, som visas nedan:

Mänskliga attraktivitetsbetyg för ansikten från 23 AI-bildgeneratorer på en skala från 1 till 7. Generatorerna låg över genomsnittet för verkliga fotografier, markerat av den blå streckade linjen. Röda punkter visar genomsnitt, horisontella staplar osäkerheten kring varje genomsnitt.

Människor gav högre betyg till AI-ansikten i alla sex rasliga och etniska kategorier (se nedan), även för Nano Banana Pro, Grok Image och Nano Banana 2, vars ansikten inte hade överträffat verkliga fotografier i testerna:

Mänskliga attraktivitetsbetyg för AI-ansikten (rött) och verkliga fotografier (blått) i sex rasliga och etniska kategorier. AI-ansikten fick högre genomsnitt i varje kategori, med skillnader på 0,74–1,37 poäng på en sjugradig skala. Vertikala staplar anger osäkerheten kring varje genomsnitt.

Mänskliga bedömningar skilde sig också från automatiska resultat för nyare modeller. Skillnaden mellan OpenAI:s GPT Image 1.5 och GPT Image 2 var liten, medan Midjourney-versionerna 6, 7 och 8 fick successivt högre attraktivitetsbetyg.

Med andra ord ansåg människor fortfarande att nyare AI-modeller producerade ovanligt attraktiva ansikten, även när automatiska mått antydde att tendensen hade minskat.

Den orättvisa fördelen

Det sista experimentet undersökte om exponering för attraktiva AI-ansikten kunde påverka bedömningen av verkliga arbetssökande.

För en simulerad tjänst som ”medarbetare inom kundframgång” delades 570 vuxna i USA in i tre grupper. Efter att ha bedömt fyra identiska sökande fick varje grupp se åtta profiler med verkliga fotografier, retuscherade fotografier eller AI-ansikten. AI-ansiktena hade tidigare fått 5,75 av sju attraktivitetspoäng, jämfört med 2,99 för verkliga fotografier. De retuscherade bilderna hade jämnats ut och ljusats upp med en effekt baserad på Facetunes funktion One-tap Enhance.

Ytterligare tolv sökande, med identiska fotografier och kvalifikationer i alla tre grupper, inkluderades för att testa om de olika bilderna påverkade anställningsbesluten.

Sökande med AI-ansikten fick något högre betyg för anställningsbarhet och pålitlighet, men ingen signifikant ökning av intervjuinbjudningar konstaterades. Efter exponeringen för dessa ansikten bedömdes däremot samma verkliga sökande som mindre anställningsbara och pålitliga, och intervjuinbjudningarna föll från 77,4 procent till 72,5 procent:

Resultat från anställningstestet visar förändringar i verkliga sökandes uppfattade anställningsbarhet, pålitlighet och intervjusannolikhet efter exponering för olika ansikten. Lägre omdömen följde efter AI-ansikten men inte efter retuscherade fotografier. Punkter visar skillnader mot kontrollgruppen med verkliga fotografier; vertikala linjer visar 95-procentiga konfidensintervall.

Ingen jämförbar nedgång registrerades efter retuscherade fotografier. Verkliga människor som antogs se ut som bäst ”höjde alltså inte ribban” på samma sätt som AI-bilderna.

Författarna kommenterar:

”Sökande med AI-ansikten fick bara något bättre direkta betyg, men deltagarna som såg dessa ansikten bedömde därefter samma verkliga kandidater mer negativt på alla tre utfallsmåtten.

”De AI-genererade kandidaterna själva fick något högre direkta pålitlighetsbetyg, vilket gör en enkel allmän motvilja mot profiler med AI-ansikten mindre sannolik.

”Experimentet visar ändå att exponeringen spelade roll, inte varför.”

Slutsats

Som personlig iakttagelse har AI-genererade figurer definitivt kommit att dominera gatureklamen i staden där jag bor, men det är tvådimensionell konst. Om diffusionsbaserad generativ video i tv och film kommer att övervinna dagens juridiska och etiska begränsningar återstår att se. Om det sker kan vi kanske vänta oss betydligt fler AI-genererade och/eller AI-förstärkta skådespelare som ”höjer den estetiska standarden” och förverkligar scenariot med ”omgivande AI-skönhet” i den nya artikeln.

Principen är inte ny, men automatiseringspotentialen är det. Man skulle då kunna destillera essensen av verkliga nutida eller tidigare kändisar, modeller och offentliga företrädare, reproducera eller ”förbättra” dem och sprida dem brett utan dyra kontraktsförhandlingar. Men det återstår ännu, om det någonsin blir av.

^† Med titeln Generative AI Produces and Transmits Beauty Bias, av åtta forskare från Cornell, University of Florida och University of Pennsylvania.

* Jag har omvandlat författarnas löpande källhänvisningar till hyperlänkar.

Först publicerad måndagen den 19 oktober 2026