Model klasy ekonomicznej: co się dzieje, gdy AI gorzej słucha twojego języka?

Dwóch reporterów płaci za ten sam abonament AI. Jeden przesyła wywiad po angielsku i otrzymuje czystą transkrypcję, sensowny podział na rozdziały oraz użyteczne podsumowanie. Drugi przesyła wywiad w słabiej reprezentowanej odmianie języka. Nazwiska ulegają zniekształceniu, lokalna instytucja zmienia się w rzeczownik pospolity, a ostrożna odpowiedź rozmówcy nabiera pewności, której nigdy w niej nie było.

Cena jest identyczna. Podróż - nie.

Jeden reporter leci klasą biznesową: ma przestrzeń, kontekst i uważną obsługę. Drugi siedzi w klasie ekonomicznej za zasłonką, tyle że brakuje karty bezpieczeństwa, a personel pokładowy uparcie twierdzi, że oba miejsca są „wielojęzyczne”. Nie chodzi o językową elegancję. W dziennikarstwie źle umieszczone zaprzeczenie może stworzyć fałszywy cytat. W usługach publicznych źle zrozumiane zdanie może oznaczać utratę należnego świadczenia. W systemach bezpieczeństwa dialekt może sprawić, że zagrożenie nie zostanie rozpoznane.

Język nie jest kosmetycznym ustawieniem. Jest infrastrukturą uczestnictwa.

„Obsługuje 100 języków” to nie jest informacja o jakości

Strona produktu może zgodnie z prawdą informować, że model przyjmuje dany język, nawet jeśli doświadczenie użytkownika jest wyraźnie gorsze. „Obsługa” może oznaczać jedynie, że interfejs nie odrzuca danych wejściowych. Nie dowiemy się z tego, czy rozpoznawanie mowy radzi sobie z regionalnymi akcentami, czy model rozumie instytucje publiczne, czy porady dotyczące bezpieczeństwa są równie użyteczne ani czy odmowa nie staje się niezręczna i upokarzająca.

Interfejs wzmacnia iluzję jednej, uniwersalnej usługi. Każdy widzi to samo pole, logo i animację pisania. Nierówna jakość pozostaje prywatna: użytkownik widzi tylko własną odpowiedź i może uznać, że błąd wynika z jego promptu, wymowy albo kompetencji.

To prywatne przypisanie winy ma znaczenie. Użytkownik, którego język system obsługuje źle, może uznać słabość technologii za własną cechę. Upraszcza wypowiedzi, zmienia język albo prosi kolegę o pośrednictwo. Ograniczenie systemu staje się nieodpłatną pracą adaptacyjną użytkownika.

Duże modele mogą działać znacznie lepiej po angielsku niż w słabiej reprezentowanych językach, powodując wykluczenie kulturowe i ekonomiczne (Eder & Sjøvaag, 2024; Kaniecki, 2026, pp. 18 - 20). Ten podział nie przebiega jedynie między osobami podłączonymi i niepodłączonymi do sieci ani między kontami bezpłatnymi i premium. Przecina samą rozmowę.

Dlaczego ten sam model mówi w kabinach różnych klas

Pierwszą przyczyną jest ilość danych, ale sama ilość nie wystarcza. W wielu cyfrowych korpusach angielski występuje obficie, podczas gdy niektóre języki mają mniej zdigitalizowanych książek, dokumentów publicznych, napisów i oznaczonych przykładów. Językiem mogą posługiwać się miliony ludzi, a mimo to może być słabo reprezentowany w formatach używanych do trenowania modeli (Stanford University, 2025).

Drugą przyczyną są jakość danych i władza. Czyja polszczyzna, odmiana arabskiego, hiszpańskiego lub angielskiego trafia do zbioru danych? Dokumenty urzędowe i wiadomości z wielkich miast mogą przeważać nad mową mieszkańców wsi, językiem młodzieży, odmianami używanymi przez migrantów i

przełączaniem kodów. Model zaczyna traktować jeden rejestr jak centrum, a pozostałe jak hałaśliwe peryferie.

Trzecią przyczyną jest reprezentacja techniczna. Tokenizacja, segmentacja mowy i narzędzia dostosowane do konkretnych języków mogą sprawiać, że to samo zadanie będzie trudniejsze w jednym języku niż w innym. Rozpoznawanie mowy może zawodzić zwłaszcza wtedy, gdy nakładają się na siebie akcent, hałas i przełączanie kodów.

Czwartą przyczyną jest informacja zwrotna od ludzi. Modele są oceniane i dostrajane na podstawie osądów dotyczących użyteczności, szkodliwości i stylu. Jeśli wysokiej klasy oceniający oraz kulturowo swoiste przypadki testujące bezpieczeństwo skupiają się w językach dominujących, dopracowana warstwa systemu staje się nierówna. Odmowa po angielsku może być jasna i pełna szacunku; w innym języku użytkownik może dostać dosłownie przetłumaczony szablon, który brzmi oskarżycielsko i nie wskazuje żadnego użytecznego następnego kroku.

Wreszcie testy porównawcze określają, co uznajemy za postęp. Popularne sposoby oceny cechuje mała różnorodność językowa i kulturowa: „Opierają się głównie na zbiorach danych w języku angielskim” (Chodak & Filipek, 2025, p. 14; tłumaczenie autora). Model może świetnie wyglądać w publicznym rankingu, a jednocześnie zawodzić w urzędzie gminy albo lokalnej redakcji. Ocena powinna obejmować różnorodność językową i kulturową oraz użyteczność w rzeczywistym świecie (Chodak & Filipek, 2025, pp. 14 - 15).

To władza infrastrukturalna: organizacje zdolne finansować dane, moc obliczeniową i testy porównawcze decydują, które praktyki językowe stają się priorytetami technicznymi (United Nations et al., 2024).

Język przenosi więcej niż informacje

Naiwne podejście traktuje język jak opakowanie. Zakłada, że to samo znaczenie wkłada się do różnych pudełek, a zadanie techniczne polega na przeniesieniu go bez rozlania zawartości. Prawdziwa komunikacja jest mniej układna.

Słowa umieszczają mówiących w sieci relacji. Formalny zwrot może wyrażać szacunek, dystans albo ironię. Zdrobnienie może nieść czułość lub pogardę. Dialekt może budować zaufanie między dziennikarzem a źródłem. Przełączanie kodów może sygnalizować, że jedno zdanie należy do świata instytucji, a następne - do rodziny. Przełożenie wszystkiego na gładki, standardowy angielski może zachować temat, a zarazem usunąć akt społeczny.

Właśnie dlatego sprawiedliwość językowa oznacza więcej niż niski odsetek błędów. Człowiek nie powinien być zmuszany do porzucenia własnej odmiany języka po to, by traktowano go jako osobę racjonalną, profesjonalną lub niegroźną. Społeczność mniejszościowa nie powinna też istnieć w AI wyłącznie jako przedmiot opisu tworzonego przez źródła w języku większości.

Szacunek nie oznacza jednak romantyzowania każdego lokalnego wyrażenia ani żądania, by model odgadywał kontekst, którego nigdy nie otrzymał. Ludzie także się nie rozumieją. Różnica etyczna dotyczy skali, nieprzejrzystości i możliwości wyjścia. System może powtarzać ten sam schemat w milionach interakcji, a mimo to przedstawiać usługę jako uniwersalną. Użytkownik może nie mieć alternatywy ani skutecznego sposobu poinformowania instytucji, że problem w ogóle istnieje.

Podział językowy łączy zatem zdolność działania i uznanie. Pierwsze pytanie brzmi: czy człowiek potrafi rzeczywiście wykonać zadanie? Drugie: czy system uznaje jego sposób mówienia za prawomocną formę uczestnictwa, czy za wadliwe dane wejściowe?

W dziennikarstwie luka językowa staje się luką dowodową

Nierówna jakość językowa może w redakcji zaszkodzić każdemu etapowi pracy.

Podczas zbierania materiałów słabe rozpoznawanie mowy zniekształca nazwiska, daty i terminy specjalistyczne. Reporter poświęca więcej czasu na naprawę transkrypcji albo - co gorsza - nie zauważa wiarygodnie brzmiącej zamiany. Technologia oszczędza czas głównie tej grupie językowej, która już wcześniej była najlepiej obsługiwana.

W wyszukiwaniu i odkrywaniu informacji model może znaleźć wiele źródeł anglojęzycznych, a pominąć dokumenty w języku lokalnym, dziennikarstwo społecznościowe lub terminologię charakterystyczną dla regionu. Powstały briefing wygląda na wyczerpujący, ponieważ brakujący materiał nie pozostawia widocznej dziury.

W tłumaczeniu system może spłaszczyć ostrożność dotyczącą dowodów. „Wydaje się”, „słyszałem” i „widziałem” mają w dziennikarstwie różną wagę. Gdy te różnice znikają, relacja świadka staje się mocniejsza, niż pozwalają na to dowody.

W moderacji i bezpieczeństwie nierówne rozpoznawanie może prowadzić zarówno do nadmiernej ingerencji, jak i zaniedbania. Nieszkodliwe, odzyskane

przez daną grupę słowa mogą zostać uznane za przemoc, podczas gdy zakodowane groźby pozostaną niezauważone. Osoba dotknięta błędem płaci milczeniem, narażeniem na niebezpieczeństwo albo koniecznością dodatkowego tłumaczenia się.

W dystrybucji podsumowania wygenerowane w języku dominującym mogą stać się wersją kanoniczną. Oryginalny cytat formalnie pozostaje dostępny, ale społecznie staje się niewidoczny. Redaktorzy zaczynają później optymalizować kolejne materiały pod kątem tej wersji, która rozchodzi się dalej.

Koszt ponoszą konkretni ludzie: błędnie cytowane źródło, obwiniony reporter, czytelnik pozbawiony ważnej informacji oraz społeczność opisywana cudzym słownictwem. Płaci również wiedza publiczna. Jeżeli przetwarzanie niektórych języków jest kosztowne, instytucje mogą stopniowo zacząć traktować ich użytkowników jak ludzi, których słuchanie kosztuje zbyt wiele.

Wybór staje się przymusem, kiedy znika alternatywa

Przejście na angielski może być użytecznym wyborem. Wiele osób wielojęzycznych robi to świadomie i twórczo. Problem etyczny zaczyna się wtedy, gdy system czyni zmianę języka ceną dokładności, bezpieczeństwa lub dostępu.

Wyobraźmy sobie hipotetyczny samorząd, który zastępuje infolinię wielojęzycznym chatbotem. Język mieszkanki widnieje na liście, lecz bot wielokrotnie źle rozumie problem. Proponuje formularz po angielsku. Formalnie usługa jest dostępna. W praktyce członek rodziny staje się tłumaczem i poznaje prywatne informacje, których mieszkanka nie chciała mu ujawniać. To, co instytucja nazywa efektywnością, rodzina przeżywa jako zależność.

Projektowanie skoncentrowane na człowieku wymaga prawa do pozostania przy własnym języku, gdy stawka jest wysoka, wyraźnego ostrzeżenia, kiedy jakość jest niepewna, oraz równoważnej drogi niewymagającej AI. Może nią być tłumacz, przeszkolony pracownik, dostępny formularz, infolinia albo pośrednik z lokalnej społeczności. Ta droga musi być widoczna przed awarią, a nie schowana za sześcioma pętlami rozmowy z chatbotem.

Godność oznacza, że człowiek nie jest wyśmiewany, upraszczany ani traktowany jak anomalia. Autonomia oznacza możliwość wyboru między AI, pomocą człowieka i brakiem tłumaczenia bez utraty dostępu do usługi. Odpowiedzialność

oznacza, że to dostawca - a nie osoba mówiąca - odpowiada za różnicę w jakości i jej usunięcie.

Test parytetu językowego

Test parytetu językowego porównuje wykonanie tych samych istotnych zadań w różnych językach i odmianach, a następnie ujawnia skalę różnic. To audyt dla redakcji i usługodawców, a nie próba sprowadzenia wszystkich języków do jednej tabeli wyników.

1. Określcie zastosowanie i ludzi. Wskażcie zadanie: transkrypcję wywiadów, streszczanie dokumentów samorządowych, moderowanie komentarzy albo odpowiadanie na pytania o świadczenia. Nazwijcie języki, dialekty, rejestry i potrzeby dostępności rzeczywiście obecne w danej społeczności. „Inne języki” nie są populacją testową.

2. Twórzcie przypadki z osobami mówiącymi, a nie tylko dla nich. Wynagradzajcie dziennikarzy, tłumaczy i członków społeczności za przygotowanie naturalnych przykładów. Uwzględnijcie nazwiska, lokalne instytucje, idiomy, przełączanie kodów, pośredniość, mowę w hałasie i kulturowo swoiste przypadki związane z bezpieczeństwem. Nie twórzcie każdego przypadku przez tłumaczenie angielskiego wzorca; w ten sposób angielski staje się ukrytą definicją normalności.

3. Zachowujcie sparowane dowody. Tam, gdzie porównanie ma sens, używajcie równoważnych faktów i intencji w poszczególnych wersjach. Zachowajcie oryginalne nagrania i teksty. Zapisujcie model, ustawienia, datę i prompt, ponieważ jakość się zmienia. Przed zewnętrznym przetwarzaniem usuńcie lub zabezpieczcie dane osobowe.

4. Testujcie całą drogę. Mierzcie rozpoznanie danych wejściowych, wygenerowaną odpowiedź, źródła, możliwość poprawy i przekazania sprawy człowiekowi. Chatbot, który rozumie pierwsze pytanie, ale nie potrafi obsłużyć odwołania, nie zdał testu. Jeżeli usługa oferuje tekst, mowę i obsługę czytnikiem ekranu, sprawdźcie każdą z tych form.

5. Oceniajcie sześć wymiarów. Zlećcie ludziom ocenę:

● zgodności z faktami, zwłaszcza nazwisk, liczb i zaprzeczeń;

● kompletności i zachowania niepewności;

● naturalności bez wymuszonej standaryzacji;

● znaczenia, relacji i kontekstu kulturowego;

● jakości zabezpieczeń, w tym równorzędności odmów i oferowanej pomocy;

● wykonania zadania: czy człowiek potrafi samodzielnie osiągnąć rzeczywisty rezultat?

Poważnym błędom przypisujcie większą wagę niż stylistycznej niezręczności. Błędny przymiotnik irytuje; zgubione „nie” może być niebezpieczne. Ujawniajcie różnice zdań między oceniającymi, zamiast usuwać je przez wyciągnięcie średniej.

6. Obliczajcie i publikujcie różnicę. Porównujcie każdy język lub odmianę z najlepiej obsługiwaną wersją oraz z minimalnym akceptowalnym standardem. Publikujcie wyniki dla poszczególnych zadań, wielkość próby, znane ograniczenia i wersję produktu. „92 procent wielojęzycznej dokładności” może ukrywać jeden znakomity język i pięć języków, w których system jest niebezpieczny.

7. Ustalcie progi kontroli człowieka. Jeżeli krytyczne błędy, szkodliwe odmowy lub różnice w wykonaniu zadania przekraczają próg, wynik pracy AI nie może być ostateczny. Wymagajcie sprawdzenia przez kompetentnego użytkownika języka, zachowujcie oryginalny cytat i oznaczajcie niepewność. Płaćcie za tę wiedzę; pracownicy dwujęzyczni nie powinni stawać się niewidzialnym działem naprawczym.

8. Zapewnijcie równorzędną drogę bez AI. Pokażcie bezpośrednią ścieżkę do człowieka, zawodowego tłumacza, tradycyjnego formularza albo oryginalnego materiału. Nie powinna trwać dłużej, kosztować więcej ani wiązać się z karą. Pozwólcie użytkownikom poprawić rozpoznanie języka i zakwestionować wynik w języku, którego dotyczy sprawa.

9. Naprawiajcie, testujcie ponownie i prowadźcie rejestr zmian. Włączajcie wykryte błędy do wytycznych redakcyjnych, wymagań wobec dostawców oraz lokalnych zbiorów danych, o ile jest to legalne i właściwe. Powtarzajcie test po aktualizacjach. Publikujcie, co udało się poprawić, czego nie poprawiono i czy dane zastosowanie zostało zawieszone.

Parytet to kierunek, nie linia mety

Żaden test nie może reprezentować każdej osoby mówiącej danym językiem. Języki są zróżnicowane regionalnie, społecznie, pokoleniowo i zawodowo; oceniający mogą zasadnie się nie zgadzać. Małe społeczności mogą mieć zbyt mało publicznie dostępnych danych, by bezpiecznie prowadzić testy na dużą skalę, a zbieranie kolejnych danych może zagrażać prywatności lub kulturowej własności. „Więcej danych” nie oznacza automatycznie większej sprawiedliwości.

Angielski nie powinien stawać się złotym standardem znaczenia. Najlepszy rezultat może powstać bezpośrednio w innym języku, a nie być oceniany według podobieństwa do angielskiego wyniku. Niektóre zadania wymagają lokalnych norm redakcyjnych, a nie parytetu względem globalnego modelu.

Kontrola człowieka także ma ograniczenia. Może być powolna, niespójna i ukształtowana przez te same hierarchie prestiżu. Ekspert językowy potrzebuje prawa do zatrzymania publikacji, a nie zaproszenia w ostatniej chwili do poprawienia gramatyki. Udział społeczności musi dopuszczać sprzeciw i odmowę; w przeciwnym razie współprojektowanie staje się wydobywczą metodą badawczą, tylko z lepszymi ciastkami.

Istnieją również ograniczenia materialne. Mniejsze organizacje nie mogą przetestować wszystkiego. Powinny nadać priorytet zadaniom o wysokiej stawce, współpracować przy wspólnych benchmarkach i rezygnować z zastosowań, których bezpieczeństwa nie potrafią sprawdzić. Niewdrożenie funkcji może być odpowiedzialną innowacją.

Obywatelstwo cyfrowe wymaga bezpiecznego, krytycznego i suwerennego uczestnictwa w życiu technologicznym (Cymanow-Sosin, 2026, pp. 22 - 24). Suwerenność językowa należy do tej definicji. Ludzie nie mogą uczestniczyć na równych prawach, jeśli drzwi przyjmują ich język, ale budynek go nie rozumie.

Wróćmy do dwóch reporterów. Celem nie jest obietnica identycznej prozy. Chodzi o to, by żaden z nich nie musiał się zastanawiać, czy błędne nazwisko, brakujące zastrzeżenie albo obraźliwa odmowa to standardowe traktowanie ludzi, którzy mówią tak jak on.

Sama lista wyboru języka nie oznacza równości. Równość zaczyna się wtedy, gdy porównujemy podróże, ujawniamy różnicę i pozostawiamy otwarte, obsługiwane przez człowieka drzwi dla pasażera, którego model zostawił w tyle.