Studie: Aksent styrer lyd-AIs vurderinger i jobbsamtaler og språktester
En ny studie fra University of Washington viser at fire av de mest avanserte lydmodellene rangerer amerikanske og britiske aksenter høyest og kinesiske og nigerianske lavest – selv når alle leser nøyaktig samme manus og modellene transkriberer dem feilfritt. Skjevheten ligger altså ikke i forståelsen, men i vurderingen.
Hva studien viser
Forskerne ved University of Washington testet hvordan noen av de mest avanserte AI-modellene vurderer engelsktalende med ulike aksenter – både på hva de sa, og hvordan de sa det. Resultatet, som ble presentert i oktober på EMNLP 2026 (Conference on Empirical Methods in Natural Language Processing), er entydig: amerikanske og britiske aksenter rangert høyest, indiske aksenter midt på, og kinesiske og nigerianske aksenter lavest, ifølge funnene gjengitt av The Seattle Times (bf3dd1e9).
Det som gjør funnet gjennomtrengende, er at skjevheten ikke kan forklares med at modellene hadde problemer med å forstå talerne. I de scriptede testene sa alle talerne nøyaktig de samme ordene, og modellene transkriberte den aksenterte talen korrekt. Modellenes forståelse var altså i orden – men vurderingene skilte seg likevel systematisk etter aksent.
Slik ble modellene testet
Forskerne brukte AI-genererte «syntetiske stemmer» som leste identiske manus med fem ulike aksenter. Manuset imiterte tre realistiske sjangre: svar i jobbsamtaler, konferansepresentasjoner og svar på engelskprøver. Modellene ble bedt om å vurdere talene på en skala fra én til sju på to dimensjoner: levering og innhold. Resultatene ble deretter bekreftet med menneskelige talere (bf3dd1e9).
De testede modellene var Googles Gemini 2.5 Pro og Gemini 2.5 Flash, OpenAIs GPT-Audio-1.5 og Qwen3-Omni fra kinesiske Alibaba. Da teamet kjørte testene i vår, var de blant de mest avanserte tilgjengelige modellene. Nyere versjoner er siden lansert, så det er uavklart om gjeldende versjoner har samme mønster (bf3dd1e9).
Ett detaljfunn illustrerer hvor utbredt mønsteret er: Selv Alibabas modell – altså en kinesisk aktør – ga britiske talere de beste leveringskarakterene og kinesiske talere de dårligste da den lyttet til menneskers jobbsamtale-svar (bf3dd1e9).
Når modellenes forklaringer ikke kan stolles på
Modellene begrunnet rangeringene skriftlig, og begrunnelsene fulgte samme skjeve mønster. De beskrev amerikanske og britiske talere som «klare» og «utmerkede», mens kinesiske og nigerianske talere ble beskrevet som «mumlende» eller «vanskelige å forstå» (bf3dd1e9) – i motsetning til at transkripsjonene viste at modellene forsto dem fint.
Enda mer problematisk er forskernes funn om selvrapportering: Modellene innrømte at aksent hadde påvirket vurderingen i bare rundt 10 til 30 prosent av forklaringene. Forskningen konkluderer dermed med at AI ikke kan stoles på når det gjelder å selvrapportere sin egen skjevhet (bf3dd1e9). Med andre ord: En modell som bruker aksent som skjult vurderingsgrunnlag, vil som regel gi en begrunnelse som later som grunnlaget var noe annet.
Hvorfor det betyr noe
«Folk stoler nå på lyd-AI-modeller som en slags tredjepartsvurderinger – til ansettelse, til muntlige eksamener i utdanningen, til visse engelskprøver i innvandringssammenheng – kontekster der rettferdighet virkelig betyr noe», sa Orevaoghene Ahia, doktorgradsstudent ved Paul G. Allen School of Computer Science and Engineering i Seattle og medforfatter av studien (bf3dd1e9).
South China Morning Post, som gjengav studien gjennom Tribune News Service, peker på samme implikasjoner: Modellene vurderte innholdet i de identiske manusskriptene ulikt, noe som får konsekvenser for bruken av AI i ansettelse, utdanning og innvandringstester (ee4f931f).
Kombinasjonen av de to funnene er det som gjør saren alvorlig for disse bruksområdene: Modellen skjevvurderer etter aksent, og den vil som regel ikke innrømme det hvis man spør den hvorfor.
Forbehold og hva som gjenstår
Funnene er kjent gjennom sekundærdekning fra The Seattle Times og SCMP, ikke gjennom primær lesing av studien selv. Kildene oppgir verken antall talere, statistisk signifikans eller full forfatterliste, og den nøyaktige dato for EMNLP-presentasjonen i oktober er ikke presisert. Det er verdt å ha i mente når man tolker hvor robust funnene er.
Finansieringen er også verdt å merke seg: Gaver fra Google og OpenAI finansiert delvis forskningen – begge selskaper hadde modeller med i studien. Ahia opplyste imidlertid at selskapene ikke hadde noen rolle i arbeidet (bf3dd1e9).
Forskerne fant dessuten ingen meningsfull forskjell mellom mannlige og kvinnelige stemmer, ifølge Ahia. Videre vil teamet studere flere aksenter og undersøke lyd-AI i akuttsentraler som 911-sentraler – en kontekst der en misforståelse ikke bare rammer rettferdige vurderinger, men potensielt liv og helse (bf3dd1e9).
Kildene sier ingenting om hvorfor modellene har denne aksentskjevheten, og det er uavklart om nyere modellversjoner har samme mønster. Det forskerne kan dokumentere, er imidlertid klart nok: Når lyd-AI brukes som dommer, avgjør aksenten hvordan samme ord blir vurdert – og modellen forteller det ikke selv.

