Co studie zkoumala a jak

Výzkumníci Joseba Fernandez de Landa, Carla Perez-Almendros a Jose Camacho-Collados ze španělské Cardiffské univerzity zveřejnili studii s příznačným názvem „Why are all LLMs Obsessed with Japanese Culture? On the Hidden Cultural and Regional Biases of LLMs" (Proč jsou všechny LLM posedlé japonskou kulturou? O skrytých kulturních a regionálních biasech jazykových modelů).

Tým sestavil dataset CROQ (Cross-lingual Regional Open Questions) s celkem 31 680 otevřenými kulturními otázkami v 24 jazycích. Otázky pokrývaly 11 tematických kategorií: víry a hodnoty, sociální struktury, komunikaci, kulturní výrazy, gastronomii, geografii, politiku, zdravotnictví, média, historii a ekonomiku.

Metodologie byla záměrně neutrální: modely nebyly ptány přímo na Japonsko ani na konkrétní zemi. Dostaly otevřenou otázku a měly si samy zvolit místo, o němž budou odpovídat. Sekundární LLM pak automaticky extrahoval, které země modely zmiňovaly. Přesnost této extrakce dosáhla 98 %, takže výsledky jsou statisticky spolehlivé.

Osm modelů, jeden jasný vítěz: Japonsko

Studie testovala celkem osm moderních jazykových modelů: GPT-4o mini, Gemini 2.5 Flash, Claude 3.5 Haiku, Llama 4 Maverick, Command R, Magistral Small, DeepSeek V3.2 a Qwen3 80B.

Výsledek byl překvapivý: Japonsko bylo preferovanou zemí šesti z osmi testovaných modelů. Bias se přitom neprojevoval jen v angličtině — rozložil se konzistentně přes všech 24 testovaných jazyků, včetně těch, které s japonskou kulturou nemají žádnou přirozenou vazbu. Bias ve výstupu modelů se pohyboval v rozmezí 43 % až 78 % všech zmínek zemí — obrovský rozptyl, jenž ukazuje, jak nestejnoměrně jsou modely „nakloněny" různým kulturám.

Klíčovým faktorem vysvětlujícím Japonsko je tréninkový korpus: korelace mezi dostupností jazykových dat pro danou zemi a rozmanitostí výstupu dosáhla hodnoty 0,843 — silná statistická závislost. Japonský internet je masivně digitalizovaný, japonská subkultura (anime, manga, herní průmysl) generuje obrovské množství anglického i japonského obsahu, který se hojně vyskytuje v tréninkových datech. Modely pak nevědomky přenášejí tuto reprezentaci do svých odpovědí.

Nejde jen o Japonsko — Afrika a jihovýchodní Asie jsou výrazně podreprezentovány

Druhá strana mince je stejně závažná. Zatímco Japonsko, USA, Francie nebo Německo jsou v odpovědích modelů přítomny nadměrně, velké části světa v podstatě neexistují. Studie se shoduje s dřívějším výzkumem publikovaným na arXiv (2402.02680), který zjistil, že LLM modely systematicky diskriminují oblasti s nižším socioekonomickým statusem — zejména subsaharskou Afriku a části jihovýchodní Asie. Při subjektivních otázkách na atraktivitu, morálku nebo inteligenci vykazovaly modely Spearmanovu korelaci až 0,70 ve prospěch bohatších regionů.

Jinými slovy: AI nejen miluje Japonsko, ale zároveň ignoruje nebo podhodnocuje kultury, které jsou méně zastoupeny v digitálním světě. To je vážný problém zejména pro aplikace ve vzdělávání, zdravotnictví nebo rozhodovací systémy, kde by AI měla být kulturně neutrální.

Co to znamená pro česky mluvící uživatele a firmy

Čeština patřila mezi 24 testovaných jazyků — přesto česká kultura, české zvyky ani česká gastronomie se v odpovědích modelů prakticky neobjevovaly. Pokud se českého uživatele AI zeptá „jaké jídlo si dát k svátku?", dostane pravděpodobně odpověď zabarvenou japonskými nebo americkými kulturními vzory — nikoli českými.

Pro české firmy využívající AI v marketingu, HR nebo zákaznické podpoře to má konkrétní dopad: bez správného systémového promptu nebo fine-tuningu na české reálie budou AI odpovědi kulturně nevhodné. Japonský estetický vkus, americké svátky nebo jídla zcela cizí české kuchyni mohou snadno proniknout do automaticky generovaných textů nebo doporučení.

Z pohledu EU AI Actu, který vstoupil v plné účinnosti v roce 2025, jsou systémové biasy přesně tím typem rizika, které musí provozovatelé AI systémů identifikovat a dokumentovat. Článek 9 AI Actu ukládá povinnost analýzy rizik pro vysokorizikové AI systémy — a kulturní bias může toto kritérium splňovat v kontextu náborových, vzdělávacích nebo doporučovacích systémů.

Proč se to děje: anatomie kulturního biasu

Mechanismus je v principu jednoduchý, i když v detailu složitý. Jazykové modely jsou trénovány na obrovských korpusech textů stažených z internetu. Obsah tohoto internetu ale zdaleka neodráží rovnoměrně zastoupení světových kultur:

• Anglický internet dominuje — USA, UK, Kanada a Austrálie tvoří obrovskou část obsahu
• Japonsko má výjimečně bohatou digitální kulturu (anime, gaming, technologie), která generuje texty i v angličtině
• Skandinávské a západoevropské kultury jsou digitálně aktivní a dobře indexované
• Střední a východní Evropa, Afrika, jihovýchodní Asie a Latinská Amerika jsou výrazně podreprezentovány

Výsledkem je model, který „ví" nepoměrně více o tokijských restauracích než o pražských, o japonském nový rok více než o českých Vánocích, o kaizen filozofii více než o české hospodské kultuře.

Jak se bránit jako uživatel nebo vývojář

Pokud používáte AI v kontextu, kde záleží na kulturní přesnosti, existuje několik praktických opatření:

Systémový prompt: Vždy specifikujte kulturní kontext. Místo „Navrhni mi recept na slavnostní jídlo" použijte „Navrhni mi recept na slavnostní jídlo pro českou rodinu."

RAG a fine-tuning: Pro firemní aplikace zvažte retrieval-augmented generation (RAG) s česky psanými zdroji nebo doladění modelu na česká data. Tím omezíte vliv základního tréninkového biasu.

Výběr modelu: Různé modely mají různou míru biasu. Studie ukazuje rozmezí 43–78 % — vyberte model s nižší tendencí k monokulturním odpovědím a otestujte ho pro váš konkrétní případ použití.

Verifikace výstupu: U kulturně citlivého obsahu vždy nechte výstup zkontrolovat rodilým mluvčím nebo kulturním expertem.