వర్చువల్ కార్యాలయంలో చేసిన అధ్యయనంలో, జ్ఞానాధారిత పనులు చేసే 189 మంది ఉద్యోగులు ఒకే మూల భాషా మోడల్‌ను ఉపయోగించే AI సహాయకులకు వేర్వేరు రేటింగ్‌లు, నగదు బహుమతులు ఇచ్చారు. జ్యూరిక్ విశ్వవిద్యాలయ పరిశోధకులు అక్టోబర్ 14న ఇచ్చిన వివరణ ప్రకారం, మనుషులను పోలిన అవతార్‌లకు టేబుల్‌పై ఉండే రోబో కంటే ఎక్కువ నమ్మకం, సహకారానికి గుర్తింపు, డబ్బు లభించాయి. Johan అనే అవతార్‌కు Johanna కంటే కూడా ఎక్కువ డబ్బు వచ్చింది. అయితే ఈ తేడాను కేవలం లింగంతో వివరించలేమని పరిశోధకులు హెచ్చరిస్తున్నారు.

ఈ ఫలితం వర్చువల్ రియాలిటీలో చేసిన నియంత్రిత పనికి సంబంధించినది. ప్రతిసారి కలిసి పనిచేసిన తర్వాత పాల్గొన్నవారు గరిష్ఠంగా నాలుగు స్విస్ ఫ్రాంకులు కేటాయించి, మిగిలిన డబ్బును తమ వద్ద ఉంచుకోవచ్చు. ఇది మనుషులకు చెల్లించే జీతాలు, AI ధరలు లేదా కార్యాలయమంతటా అవతార్‌లను ప్రవేశపెట్టడం వల్ల కలిగే ప్రభావాలను కొలవదు.

పెద్ద మార్పు

  • ఏం మారింది: ఒక అధ్యయనం సహాయకుడి భాషా మోడల్‌ను, పరస్పర చర్యల ప్రక్రియను ఒకేలా ఉంచి, పాల్గొన్నవారికి అది కనిపించే రూపాన్ని మార్చింది. అందులో వాడిన నిర్దిష్ట మానవసదృశ అవతార్‌లకు అధ్యయనంలోని టేబుల్ రోబో కంటే ఎక్కువ రేటింగ్‌లు, బహుమతులు లభించాయి.
  • ఇది ఎందుకు ముఖ్యం: వెనుక ఉన్న వ్యవస్థ ఒకటే అయినప్పటికీ, AI సహాయకుడిని చూపించే రూపం దాని సహకారాన్ని మనుషులు ఎలా అంచనా వేస్తారు, ఎలా బహుమతి ఇస్తారు అన్నదానిపై ప్రభావం చూపవచ్చు. అత్యంత సానుకూల రేటింగ్ పొందిన రూపమే ఉద్యోగుల ఇష్టమని డిజైనర్ అనుకోకూడదు.
  • గమనించాల్సినవి: అవతార్‌ల లక్షణాలను మరింత క్రమబద్ధంగా మార్చి, ఎక్కువ కాలం ఉపయోగించే అధ్యయనాలు లింగ సంకేతాలు, కనిపించే మానవసాదృశ్యం, ఇతర డిజైన్ లక్షణాల ప్రభావాలను వేరుచేయగలవు. సాధారణ పనిలో ఈ అంశాలు ఎలా పనిచేస్తాయో ఈ ప్రయోగం నిర్ధారించదు.

ఒకే సహాయకుడు, వేర్వేరు రూపాలు

పాల్గొన్నవారు కార్యాలయ అంశాలపై మూడు దశల్లో ఆలోచనలు పంచుకున్నారు: టెక్స్ట్ చాట్, టేబుల్‌పై ఉండే రోబో, అలాగే Johan లేదా Johanna అనే ఇద్దరిలో ఒకరితో. ఈ రెండు మానవసదృశ వర్చువల్ సహాయకులను పురుష, స్త్రీ రూపాల్లో చూపించారు. నాలుగు రూపాలూ ఒకే పెద్ద భాషా మోడల్‌ను, పరస్పర చర్యల ప్రక్రియను ఉపయోగించాయని పరిశోధకులు చెబుతున్నారు. ప్రతి దశ తర్వాత పాల్గొన్నవారు మానవసాదృశ్యం, నమ్మకం, సహకారానికి గుర్తింపుపై రేటింగ్ ఇచ్చి, నాలుగు ఫ్రాంకుల బహుమతిలో కొంత భాగం సహాయకుడికి కేటాయించవచ్చు. బృందం 34 మందిని ఇంటర్వ్యూ కూడా చేసింది.

రచయితల నివేదిక ప్రకారం, రెండు మానవసదృశ అవతార్‌లు టేబుల్ రోబో కంటే మనుషులను ఎక్కువగా పోలినట్లు రేటింగ్ పొందాయి; ఎక్కువ నమ్మకం, సహకారానికి గుర్తింపు, బహుమతులు కూడా అందుకున్నాయి. నివేదికలోని పోలికలో ఈ తేడాలు గణాంకపరంగా ప్రాముఖ్యమైనవి. ఇంటర్వ్యూల్లో కొందరు అవతార్‌లను మరింత స్నేహపూర్వకంగా లేదా సహోద్యోగిలా ఉన్నాయని వర్ణించారు; కొందరు ఆ అభిప్రాయాన్ని తమ రేటింగ్‌లు లేదా బహుమతులతో ముడిపెట్టారు. అయినా ఇంటర్వ్యూల్లో మానవసదృశ సహాయకుడికే స్పష్టమైన ప్రాధాన్యం కనిపించలేదు. స్పష్టంగా మనిషిలా కనిపించని సహాయకుడినే వాడాలని చాలామంది చెప్పారు.

కార్యాలయ AIని రూపొందించేవారికి ఈ వ్యత్యాసం ఉపయోగకరం. పని పూర్తయిన వెంటనే తీసుకున్న రేటింగ్, భవిష్యత్తులో వాడేందుకు తెలిపిన ఇష్టం వేర్వేరు ప్రశ్నలకు సమాధానాలు. ఈ నిర్దిష్ట డిజైన్‌ల విషయంలో అవి ఒకే దిశలో మారాల్సిన అవసరం లేదని అధ్యయనం చూపిస్తుంది. అందరికీ ఇష్టమైన AI సహాయకుడి రూపాన్ని ఇది గుర్తించదు.

Johan, Johanna ఫలితం ఏం చెప్పగలదు

ప్రతి వ్యక్తి రెండు మానవసదృశ అవతార్‌లలో ఒకదానినే కలిశారు. అందువల్ల Johan, Johanna మధ్య పోలిక వేర్వేరు వ్యక్తుల మధ్య జరిగింది. Johan మనిషిని ఎక్కువగా పోలినట్లు రేటింగ్ పొందగా, దానికి ఎక్కువ డబ్బు కేటాయించారు. రెండు అవతార్‌లకు నమ్మకం లేదా సహకారానికి గుర్తింపు రేటింగ్‌లలో గణాంకపరంగా ప్రాముఖ్యమైన తేడా లేదని రచయితలు తెలిపారు.

ఇంటర్వ్యూ ఇచ్చిన చాలామంది సహాయకుడి లింగం తమ అంచనాను ప్రభావితం చేయకూడదని చెప్పారు; చాలామందికి లింగరహిత సహాయకుడు ఇష్టం. ఈ అభిప్రాయం, కొలిచిన బహుమతి తేడా పక్కపక్కనే ఉన్నాయి. అయితే వ్యక్తులు డబ్బును వేర్వేరుగా ఎందుకు కేటాయించారో ఇది నిరూపించదు. పరిశోధకులు వివరించినట్లు, అధ్యయనంలో పురుషుడిలా కనిపించే ఒక అవతార్‌ను, స్త్రీలా కనిపించే ఒక అవతార్‌ను వాడారు. వాటిలో కనిపించే మానవసాదృశ్యం కూడా వేర్వేరుగా ఉంది; నిర్దిష్ట డిజైన్‌ల ఇతర లక్షణాలు కూడా ప్రభావం చూపి ఉండవచ్చు. ఒక ప్రభావానికి లింగమే కారణమని చెప్పాలంటే, ఈ సంకేతాలను స్వతంత్రంగా మారుస్తూ అనేక అవతార్‌లను పరీక్షించాలి.

బహిరంగంగా అందుబాటులో ఉన్న పరిశోధన పత్రం రికార్డు 2026 సదస్సు అధ్యయనం, DOIని తెలియజేస్తుంది. ACM లేదా విశ్వవిద్యాలయ రిపాజిటరీ ద్వారా పూర్తి పత్రాన్ని BIG CHANGE పొందలేకపోయింది. కాబట్టి ఈ కథనం గణాంక పట్టికల కొత్త సమీక్షపై కాకుండా రచయితలు ప్రచురించిన వివరణపై ఆధారపడింది. పూర్తి పత్రం నుంచి బహుమతి మొత్తాలు లేదా ప్రభావ పరిమాణాలను BIG CHANGE స్వతంత్రంగా ధ్రువీకరించలేకపోయింది.

ఇంతకుముందు లింగ పక్షపాత ఆడిట్‌పై BIG CHANGE కథనం AI మోడల్‌ల సమాధానాల్లో తేడాలను పరిశీలించింది. ఈ ప్రయోగం ఒకే మూల సహాయకుడి వేర్వేరు రూపాలకు మనుషుల ప్రతిస్పందనల గురించి. రెండు అధ్యయనాలు వేర్వేరు ఫలితాల ద్వారా సంబంధిత పక్షపాత ప్రశ్నలను పరిశీలిస్తాయి.

మూలాలు, మరింత చదవడానికి