Hur man övervinner språkliga och kulturella fördomar vid antagande av GenAI

År 2025 domineras ChatGPT och AI-drivna Google-sökningar, men det är viktigt att komma ihåg olika kommunikationsformer. Generativ AI (GenAI) är i huvudsak textbaserad och fungerar på engelska, vilket kan isolera dess användningsfall för icke-engelsktalande.

Även om engelska talas som modersmål av mindre än 20% av världens befolkning, utgör det 67,3% av webbplatserna. Många GenAI-plattformar är tränade på engelska, vilket innebär att kommunikationen kan bli förvanskad i arbetsmiljöer som involverar flera språk eller kulturer.

Kommunikation är så mycket mer än bara bokstäver på en skärm: den innefattar ton, kroppsspråk, ansiktsuttryck, rytm och kulturell nyans, för att nämna några viktiga faktorer. Organisationer som distribuerar GenAI måste se till att de också mildrar potentiella språkliga och kulturella fördomar, särskilt med tanke på att vi lever i en globaliserad värld.

Varför röst fortfarande har betydelse

Det finns flera teorier som utvecklar vikten av multimodal kommunikation, särskilt i multikulturella och flerspråkiga miljöer.

En av de mest framträdande är Edward T. Halls teori om högt och lågt kontextkulturer. Hall beskriver de inneboende skillnaderna i hur olika kulturer kommunicerar. Högt kontextkulturer, som finns i många asiatiska länder, förlitar sig på indirekta och icke-verbala signaler i kommunikationen. Japanska, till exempel, är ett högt kontextspråk, där onomatopoei och subtila förändringar i uttryck drastiskt påverkar avsikt och inferens.

Lågt kontextkulturer, å andra sidan, som många av dem i väst (USA och många europeiska länder), förlitar sig på direkt och verbal kommunikation. Eftersom lågt kontextkulturer tenderar att vara mer explicita, smälter digital textbaserad meddelande smidigt in i deras kommunikationsväv. Kontextualiseringen av de dominerande textbaserade egenskaperna hos GenAI mot denna teori, är det inte förvånande att personer från högt kontextkulturer, särskilt icke-engelsktalande, har svårt att kommunicera lika effektivt med dessa verktyg.

I en internationell affärsmiljö, där människor från alla delar av världen konvergerar, kan bristen på subtila signaler som kroppsspråk och ton göra kommunikationen med AI betydligt mindre tillförlitlig. Digital eller teknologi-baserad kommunikation, särskilt den som upplevs via GenAI-verktyg, måste inkludera andra lägen utöver textbaserad meddelande.

Problemet med engelsk fördom i GenAI

Det har också funnits allvarliga farhågor om fördomar i AI-detektorer (som ironiskt nog drivs av AI) mot icke-engelsktalande författare. Dessutom visar ny forskning inom vetenskapen att så många som 38% av icke-engelsktalande avvisas av tidskrifter på grund av en upplevd språkbarriär. Författaren till denna forskning hävdar att det är viktigt att bryta ner språkbarriärer för att kunna dela kunskap. De hävdar också att språkets kvalitet inte bör diktera om kunskapen är värdefull nog att delas.

Forskare varnar för bristen på språklig mångfald inom LLM, och riskerna med att exkludera stora delar av världens befolkning som inte är engelsktalande. Detta är ett djupt rotat problem som begränsar hur människor kan engagera sig med och använda AI-verktyg.

Det är också ett problem som måste lösas så snart som möjligt, med tanke på att 95% av amerikanska företag har antagit GenAI. Denna teknik används alltmer i arbetsmiljöer som tillverkningsfabriker. Men icke-engelsktalande lämnas ofta utanför ekvationen när det gäller att diskutera AI-distributionsstrategier.

Låt oss se vad hinder för framgångsrik AI-antagande ser ut i verkligheten. Icke-engelsktalande har svårt med att skriva prompter, vilket leder till snedvridna utdata och risker för missförstådd information eller instruktioner. Till exempel förlitar sig vietnamesiska tillverkare med begränsad engelskakunskap på engelska översättningar via GenAI för instruktioner. Det skapar ett stort utrymme för fel eftersom kontexten och subtila signaler tas bort.

Dessutom urholkas förtroende och tillit. Det kan öka motståndet mot att använda teknologi i arbetsflöden, samtidigt som det undergräver anställdas moral och motivation.

Att överbrygga klyftan

Dessa hinder och utmaningar bör hanteras så snart som möjligt. För att jämna ut spelplanen kring GenAI-antagande måste kulturella och språkliga nyanser beaktas. Det finns flera strategier som organisationer kan införa för att överbrygga dessa klyftor och bygga GenAI-antagande för en flerspråkig framtid.

Inkludera kognitiva och analytiska ramverk

Ett särskilt användbart kognitivt ramverk är OODA-loopen, utvecklad av den berömde stridsflygarpiloten John Boyd. De fem komponenterna i “orient”-steget i OODA-loopen – genetisk arv, kulturella traditioner, tidigare erfarenheter, ny information och analys/syntes – kan tillämpas för att förstå hur individuella beslut påverkas av indata.

Min rekommendation är att behandla språk som en del av ‘kulturella traditioner’ samtidigt som man ger särskild uppmärksamhet åt ‘genetiskt arv’ och ‘analys/syntes’ hos individer. Här är en nedbrytning av hur varje komponent spelar en roll i att träna AI-modeller för att bli mer språkligt omfattande.

• Genetiskt arv (inbäddade mänskliga egenskaper): Träna AI-system för att upptäcka universella signaler som ton och rytm som delas mellan språk och kulturer. En multimodal tillvägagångssätt för GenAI som inkluderar röst, text och video-signal – inte bara text.

• Kulturella traditioner: Skapa datamängder för att fånga vissa språkegenskaper, som onomatopoei och kontexttunga former av kommunikation. Kurera modeller för regioner snarare än att använda en universell modell som inte är lika kulturellt eller språkligt anpassad.

• Tidigare erfarenheter: Människor är mer benägna att lita på system som återspeglar deras levda verklighet. Till exempel kommer anställda i Vietnam eller Japan att använda AI på ett annat sätt än USA-baserade team, beroende på deras nivå av exponering och förtroende för dessa verktyg. Workshops där lokala team kan testa och öva på att använda GenAI. De kan sedan dela feedback på hur väl det återspeglar deras språkliga och kulturella kontext. Organisationer kan sedan justera prompt-bibliotek enligt behov, med tanke på användningsfallen för dessa guider (fabriksarbetare föredrar vanligtvis visuella guider).

• Ny information: GenAI-verktyg behöver kontinuerligt uppdateras med realvärldens data. Använd multilingual datainmatning över datamängder så att det integrerade systemet lär sig nyanserna i olika språk och kommunikationsformer.

• Analys/syntes: Här sker anpassningen mellan människor och AI. Språkliga data och signaler är ofta fragmenterade, vilket inte är kompatibelt med GenAI-modeller. Dessa data behöver konverteras till AI-smältbara data så att de kan bearbetas och analyseras för att generera kulturellt och språkligt anpassade utdata.

Praktisk utbildning för bästa praxis

Anställda bör också utbildas i bästa praxis kring att skriva prompter för GenAI-plattformar, med fokus på tydlighet. Prompt-bibliotek kan vara otroligt användbara för att bekanta team med bästa praxis för prompter.

Viktigt är att i AI-utbildningsworkshoppar också fokusera på principer som rättvisa och transparens. Dessa är grundläggande aspekter av partisk AI-distribution, och team bör också vara väl insatta i att upptäcka tecken på hallucinationer och fördomar, som förvärrar språkbarriärer.

Dessutom bör man undvika ‘eko-kammare’ genom att se till att ny information från AI inte bara kommer från en individ, utan från en bred range av källor. Eko-kammare är ett betydande problem i teknologi, inklusive AI, som förstärker befintliga fördomar och snedvrider utdata. Anställda utsätts för risker att hamna i en fördoms-fälla och följa missriktad vägledning eller information.

Slutligen bör man erkänna att alla AI-verktyg, inklusive GenAI, bör behandlas som en ‘konsult’, inte en strikt riktlinje. Team bör uppmuntras att alltid loopa in en människa för att förtydliga eventuell förvirring för att mildra risken för felaktig information eller vägledning.

AI förvandlar affärsprocesser, men det är viktigt att inte lämna någon efter på vägen. Att integrera dessa strategier inom AI-distribution ger företag möjlighet att navigera språkbarriärer som annars orsakar fördomar och snöbollseffekter.