आभासी कार्यस्थळावरील एका अभ्यासात, ज्ञानाधारित काम करणाऱ्या 189 कर्मचाऱ्यांनी एकच मूळ भाषा मॉडेल वापरणाऱ्या AI सहाय्यकांना वेगवेगळे गुणांकन आणि रकमेची बक्षिसे दिली. झ्युरिक विद्यापीठातील संशोधकांच्या 14 ऑक्टोबरच्या निवेदनानुसार, मानवसदृश अवतारांना टेबलावरील रोबोटपेक्षा अधिक विश्वास, योगदानाचे श्रेय आणि पैसे मिळाले. Johan नावाच्या एका अवताराला Johanna पेक्षाही अधिक पैसे मिळाले; पण केवळ लिंगामुळे हा फरक पडला असे सांगता येत नाही, असे संशोधक बजावतात.

हा निष्कर्ष आभासी वास्तवातील नियंत्रित कृतीशी संबंधित आहे. प्रत्येक सहकार्यानंतर सहभागी जास्तीत जास्त चार स्विस फ्रँक देऊ शकत होते आणि उरलेले पैसे स्वतःकडे ठेवू शकत होते. यात लोकांना दिले जाणारे वेतन, AI ची किंमत किंवा संपूर्ण कार्यस्थळावर अवतार वापरण्याचे परिणाम मोजलेले नाहीत.

मोठा बदल

  • काय बदलले: एका अभ्यासात सहाय्यकाचे भाषा मॉडेल आणि संवादाची प्रक्रिया कायम ठेवून सहभागी त्याला कोणत्या रूपात भेटतात ते बदलले. त्यातील विशिष्ट मानवसदृश अवतारांना अभ्यासातील टेबलावरील रोबोटपेक्षा चांगले गुणांकन आणि अधिक बक्षिसे मिळाली.
  • हे महत्त्वाचे का: AI सहाय्यकाचे सादरीकरण त्याच्या योगदानाचे लोक कसे मूल्यमापन करतात आणि त्याला कसे बक्षीस देतात यावर परिणाम करू शकते, जरी त्यामागची प्रणाली तीच असली तरी. सर्वाधिक सकारात्मक गुणांकन मिळालेले रूपच कर्मचाऱ्यांना पसंत असेल असे रचनाकाराला गृहीत धरता येत नाही.
  • कशाकडे लक्ष द्यावे: अवतारांची वैशिष्ट्ये अधिक पद्धतशीरपणे बदलून आणि दीर्घकाळ वापरून केलेले अभ्यास लिंगाचे संकेत, जाणवणारे मानवसादृश्य आणि इतर रचनात्मक वैशिष्ट्यांचे परिणाम वेगळे करू शकतील. हे घटक दैनंदिन कामात कसे परिणाम करतील हे या प्रयोगातून निश्चित होत नाही.

एकच सहाय्यक, वेगवेगळी रूपे

सहभागींनी कार्यस्थळाशी संबंधित विषयांवर तीन फेऱ्यांत कल्पनांची देवाणघेवाण केली: मजकूर गप्पा, टेबलावरील रोबोट आणि Johan किंवा Johanna पैकी एक. हे दोन मानवसदृश आभासी सहाय्यक पुरुषी व स्त्रीरूपात सादर केले होते. चारही रूपांत एकच मोठे भाषा मॉडेल आणि संवादाची प्रक्रिया वापरल्याचे संशोधक सांगतात. प्रत्येक फेरीनंतर सहभागींनी मानवसादृश्य, विश्वास आणि योगदानाचे श्रेय यांना गुण दिले; त्यानंतर चार फ्रँकच्या बक्षिसातील काही भाग सहाय्यकाला देऊ शकत होते. पथकाने 34 सहभागींच्या मुलाखतीही घेतल्या.

लेखकांच्या अहवालानुसार, टेबलावरील रोबोटच्या तुलनेत दोन्ही मानवसदृश अवतार अधिक माणसासारखे वाटले, त्यांच्यावर अधिक विश्वास ठेवला गेला, अधिक श्रेय आणि अधिक बक्षिसे दिली गेली. अहवालातील तुलनेत हे फरक सांख्यिकीयदृष्ट्या लक्षणीय होते. मुलाखतीत काहींनी अवतार अधिक मनमिळाऊ किंवा सहकाऱ्यांसारखे वाटल्याचे सांगितले आणि काहींनी ही भावना आपल्या गुणांकनाशी किंवा बक्षिसांशी जोडली. मात्र मुलाखतीत मानवसदृश सहाय्यकाला स्पष्ट पसंती आढळली नाही. अनेक सहभागींनी स्पष्टपणे मानवी नसलेले रूप असलेला सहाय्यक वापरणे अधिक पसंत असल्याचे सांगितले.

कार्यस्थळासाठी AI ची रचना करणाऱ्यांना हा फरक उपयोगाचा आहे. कृतीनंतर लगेच मिळालेले गुणांकन आणि भविष्यातील वापराबाबत सांगितलेली पसंती वेगवेगळ्या प्रश्नांची उत्तरे देतात. या विशिष्ट रचनांबाबत दोन्ही एकाच दिशेने बदलतीलच असे नसल्याचे अभ्यास दाखवतो. AI सहाय्यकांचे सर्वांना पसंत पडणारे एखादे रूप यातून ठरत नाही.

Johan आणि Johanna चा निष्कर्ष काय सांगू शकतो

प्रत्येक सहभागीची दोन मानवसदृश अवतारांपैकी एकाशीच भेट झाली, त्यामुळे Johan आणि Johanna ची तुलना वेगवेगळ्या सहभागींमध्ये झाली. Johan ला अधिक मानवसदृश म्हणून गुणांकन मिळाले आणि त्याला अधिक रक्कम देण्यात आली. दोन्ही अवतारांच्या विश्वास किंवा श्रेयाच्या गुणांकनात सांख्यिकीयदृष्ट्या लक्षणीय फरक नव्हता, असे लेखक नोंदवतात.

मुलाखतीतील अनेकांनी सहाय्यकाच्या लिंगाचा आपल्या निर्णयावर परिणाम होता कामा नये असे सांगितले, आणि अनेकांना लिंगविरहित सहाय्यक पसंत होता. हे व्यक्त केलेले मत आणि मोजलेला बक्षिसांचा फरक एकत्र अस्तित्वात आहेत; मात्र सहभागींनी पैसे वेगळ्या पद्धतीने का वाटले हे त्यातून सिद्ध होत नाही. जसे संशोधक स्पष्ट करतात, अभ्यासात पुरुषी रूपाचा एक आणि स्त्रीरूपाचा एक अवतार वापरला होता. जाणवणाऱ्या मानवसादृश्यातही या दोघांत फरक होता; विशिष्ट रचनांच्या इतर गुणधर्मांचाही वाटा असू शकतो. एखादा परिणाम लिंगामुळे झाला असे सांगण्यासाठी हे संकेत स्वतंत्रपणे बदलत अनेक अवतारांची चाचणी घ्यावी लागेल.

सार्वजनिकरीत्या उपलब्ध शोधनिबंधाची नोंद 2026 च्या परिषदेत सादर झालेला अभ्यास आणि DOI नमूद करते. BIG CHANGE ला ACM किंवा विद्यापीठाच्या संग्रहातून संपूर्ण शोधनिबंध मिळवता आला नाही. म्हणून हा वृत्तान्त सांख्यिकीय तक्त्यांच्या नव्या परीक्षणाऐवजी लेखकांच्या प्रकाशित स्पष्टीकरणावर आधारित आहे. संपूर्ण शोधनिबंधावरून बक्षिसांची रक्कम किंवा परिणामाचा आकार स्वतंत्रपणे पडताळता आला नाही.

यापूर्वीच्या लिंगाधारित पक्षपाताच्या तपासणीवरील BIG CHANGE च्या वृत्तान्तात AI मॉडेलच्या उत्तरांमधील फरक तपासले होते. हा प्रयोग एकाच मूळ सहाय्यकाच्या वेगवेगळ्या रूपांना लोक कसा प्रतिसाद देतात याबद्दल आहे. दोन अभ्यास वेगवेगळ्या निष्पत्तींच्या आधारे पक्षपाताशी संबंधित प्रश्न तपासतात.

स्रोत आणि पुढील वाचन