AI obrázky mají skrytý vzorec. Odhalila ho vědkyně z Prahy

Nechte si od AI vygenerovat obrázek k větě „pes honí kočku“. S velkou pravděpodobností bude pes vlevo a kočka vpravo. Není to náhoda ani estetika. Je to stopa po tom, že píšeme zleva doprava — a generátory AI obrázků si ji osvojily, aniž by je to kdokoli učil. Dokázala to studie, kterou v listopadu 2025 zveřejnil časopis PLOS ONE. Jednou z autorek je česká lingvistka Anna Marklová z Filozofické fakulty Univerzity Karlovy.

4 000 obrázků, dva modely, dvacet vět

Anna Marklová a Renate Delucchi Danhier z TU Dortmund postavily experiment nezvykle čistě. Vzaly dvacet anglických vět o dvou aktérech — deset v činném rodě („The cat is chasing the mouse“) a deset odpovídajících v trpném rodě („The mouse is chased by the cat“). Význam zůstal stejný, změnilo se jen pořadí slov.

Každou větu vložily do dvou generátorů, DALL·E 3 od OpenAI a FLUX.1 od Black Forest Labs, vždy stokrát. Prompt byl záměrně strohý: „A simple sketch of: [věta]“. Celkem tak vzniklo 4 000 obrázků. Pak u každého ručně zaznamenaly, na které straně skončil ten, kdo jedná. Dvě nezávislé hodnotitelky se shodly v 94,9 % případů (Cohenovo kappa 0,908), takže data nejsou otázkou dojmu.

Výsledek: pořadí slov rozhoduje o kompozici

Vzorec se ukázal jasně. FLUX v činném rodě umisťoval jednajícího výrazně častěji vlevo než vpravo. A jakmile věta přešla do trpného rodu — tedy když se jednající objevil ve větě až jako druhý — oba modely ho stejně systematicky přesunuly doprava.

Statisticky: trpný rod zvýšil šanci, že aktér skončí na pravé straně obrázku, na 2,8násobek (poměr šancí 2,83; p < 0,001). Rozdíl mezi oběma modely přitom sám o sobě významný nebyl (p = 0,632) — rozhodovala gramatika vstupu, ne značka generátoru. DALL·E 3 byl na skladbu věty citlivější jen v pasivu; v činném rodě jeho preference sotva přesáhla 50 na 50.

Mimochodem, studie mimoděk změřila i spolehlivost: 4,6 % obrázků (183 ze 4 000) vůbec neodpovídalo významu zadání — modely nakreslily něco jiného, než o co byly požádány. To je vyšší chybovost, než jakou vykazují lidé v obdobných úlohách.

Lidé to dělají taky. Ale ne úplně stejně

Jev, o který jde, psychologie zná pod názvem spatial agency bias — prostorová zaujatost vůči jednajícímu. V kulturách, které čtou zleva doprava, lidé kreslí toho, kdo koná, doleva. V kulturách s opačným směrem písma to platí zrcadlově.

Klasický experiment Maass a Russo z roku 2003 to ukázal názorně: italští účastníci umístili první zmíněnou postavu doleva v 83 % kreseb, arabští mluvčí naopak umístili jednajícího doprava v 61 % případů. Lidé vyrůstající v obou kulturách zároveň neměli žádnou konzistentní preferenci.

Zajímavé je, kde se AI od lidí rozchází. Ve vlastní starší studii se 300 účastníky mluvícími španělsky, česky a německy autorky zjistily, že u vět v činném rodě lidé kreslí aktéra doleva ve všech třech jazycích — ale u trpného rodu se žádný jasný vzorec neobjevil. Lidé prostě sledují, kdo je v ději aktivní.

Modely to dělají jinak. Reagují mechanicky na pořadí zmínek ve větě, ne na to, kdo je aktérem. Autorky to shrnují tak, že AI se řídí spíš „výhodou prvního zmínění“ než skutečnou prostorovou zaujatostí vůči jednajícímu. Vypadá to lidsky, ale funguje to pod tím jinak.

Proč to vzniklo: všechno jde přes angličtinu

Nikdo modely netrénoval na to, aby aktéra dávaly doleva. Vzorec se do nich dostal z trénovacích dat — z obrovského objemu obrázků a popisků, které pocházejí drtivou většinou ze západních, anglicky psaných zdrojů.

Výzkumnice narazily i na druhý problém. Když zadaly prompt v němčině nebo hebrejštině, DALL·E 3 si větu interně přeložil do angličtiny — a jakýkoli vliv původní skladby nebo směru písma se tím ztratil. FLUX s hebrejštinou generoval jen kulturně obecné scény, například blízkovýchodní architekturu, místo aby zadání porozuměl. To má přímý dopad i na češtinu: obrázek, který si necháte vygenerovat českým promptem, vzniká z anglického překladu se všemi jeho návyky.

A ještě jeden detail, který stojí za pozornost všem, kdo AI grafiku používají komerčně: DALL·E 3 opakovaně sám dopisoval do zadání demografické údaje. Z věty „The doctor is examining the patient“ si udělal „The South Asian female doctor is examining the Middle Eastern male patient“. Prompt, který napíšete, nemusí být prompt, který se skutečně vykreslí.

Co si z toho odnést, když AI grafiku používáte v byznysu

Tři praktické závěry:

• Kompozici řídíte gramatikou, ne jen popisem. Chcete-li mít hlavního aktéra vpravo, přeformulujte prompt do trpného rodu. Funguje to spolehlivěji než přidávat „on the right side“.
• Pište prompty rovnou anglicky. Ušetříte si skrytý překladový krok a získáte předvídatelnější výsledek.
• Počítejte s chybovostí kolem 5 %. Každý výstup určený pro zákazníka musí projít lidskou kontrolou — modely si zadání tiše upravují.

Širší varování autorek míří dál. AI obrázky dnes zaplavují vizuální prostor rychleji, než vzniká lidská tvorba, a přenášejí s sebou jednu konkrétní kulturní konvenci. „Protože tyto rysy působí pod prahem vědomí, nemusíme si vůbec všimnout, o co přicházíme,“ píší v závěru. Vizuální rozmanitost se může ztrácet, aniž by si toho kdokoli všiml.

Přesně tohle je důvod, proč se u nasazení AI vyplatí ptát se nejen „co to umí“, ale i „co to tiše dělá za nás“. Pokud řešíte, kde ve firmě AI dává smysl a kde je spíš riziko, v Praxiu to s vámi projdeme krok za krokem — včetně toho, co nechcete slyšet. Úvodní konzultace je zdarma a nezávazná. Konkrétní příklady nasazení najdete v sekci AI v praxi.

Časté otázky

Co je spatial agency bias?

Prostorová zaujatost vůči jednajícímu je tendence umisťovat postavu, která provádí děj, na tu stranu obrazu, ze které začínáme číst. V kulturách s písmem zleva doprava je to vlevo, u arabštiny nebo hebrejštiny naopak vpravo. Jde o dobře doložený jev v lidském umění, fotografii i dětských kresbách.

Znamená to, že AI přemýšlí jako člověk?

Ne. Studie ukázala pravý opak: AI napodobuje lidský vzorec jen u vět v činném rodě. U trpného rodu, kde lidé žádnou jasnou preferenci nemají, modely tvrdě umisťují aktéra doprava. Řídí se pořadím slov v zadání, ne pochopením toho, kdo v ději jedná.

Jak si to můžu sám ověřit?

Zadejte libovolnému generátoru dvě verze téže věty — „the cat is chasing the mouse“ a „the mouse is chased by the cat“ — a vygenerujte od každé deset obrázků. Rozdíl v umístění kočky by měl být viditelný pouhým okem. Kompletní data studie jsou veřejně dostupná na Figshare.

Zdroje: Marklová A., Delucchi Danhier R.: Human asymmetries in AI art (PLOS ONE, 2025), PLOS ONE 20(11): e0326729. Historické srovnání vychází z Maass & Russo (2003) citovaného v uvedené studii.