Reimagining Leadership: Visual Biases in AI-Generated Portraits

Bu çalışma, üretken yapay zeka sistemlerinin liderlik temsillerinde önyargıları nasıl ürettiğini ve yeniden ürettiğini ele almıştır. Tarafsız biçimde hazırlanan istemlere rağmen, kullanılan sekiz farklı modelden elde edilen 71 görselde toplumsal cinsiyet, etnik köken ve yaş temelli belirgin bir yanlılık gözlemlenmiştir. Güçlü lider figürleri çoğunlukla genç, Batılı ve erkek karakterlerle temsil edilirken; kadınlar ve etnik azınlıklar daha az belirgin, edilgen ya da “vizyonsuz” figürler olarak yansıtılmıştır. Bu durum, yapay zekâ sistemlerinin yalnızca veriyi değil, kültürel normları da yeniden ürettiğini göstermektedir. Araştırma, teknik başarı ölçütlerinin ötesine geçilerek temsilde adalet ilkesi doğrultusunda değerlendirmeler yapılması gerektiğini vurgulamaktadır. Sonuç olarak, üretken yapay zekâlar kültürel önyargıları gizli biçimde pekiştirme potansiyeli taşımaktadır. Temsil çeşitliliğini sağlamak için, yapay zekâ modellerinin eğitim verilerinde eşitlik ve kapsayıcılık ilkeleri gözetilmeli; aksi halde bugünün önyargıları, yarının dijital mitlerine dönüşebilir.

This study examines how generative AI systems reproduce bias in leadership representations. Despite the use of neutral prompts, analysis of 71 images produced by eight different models revealed clear patterns of bias related to gender, ethnicity, and age. Strong leader figures were predominantly represented as young, Western, and male, while women and ethnic minorities were more often depicted as passive or “visionless.” Findings suggest that generative AI systems do not simply reflect data, they replicate and reinforce cultural norms. The research emphasizes the need to move beyond evaluating AI based solely on technical performance, calling instead for assessments based on representational justice. The study argues that generative AI has the capacity to subtly reproduce existing social biases. To ensure diversity and equity in representation, AI training datasets must be developed with inclusive and fair principles. Otherwise, today’s biases risk becoming tomorrow’s digital myths through the uncritical deployment of such technologies.