Chatboty turystyczne coraz częściej pełnią rolę pierwszego przewodnika. Problem w tym, że wiele z nich, wzorowanych na modelach mieszkaniowych, wciąż rozdziela turystów według pochodzenia, nawet jeśli nikt tego nie zaprogramował. Zamiast cichej segregacji można zbudować narzędzie, które poleca dzielnice wyłącznie na podstawie deklarowanych pasji – od jazzu po parki – i przy okazji uczy zrównoważonej turystyki.
Dzielnice nie są neutralne, nawet dla chatbotów
Badanie z 2025 roku przeprowadzone przez Samada i współpracowników pokazuje, że duże modele językowe, pomagając w szukaniu mieszkania, odtwarzają logikę przestrzenną, która przypisuje konkretne dzielnice do grup etnicznych. Nie jest to jawne sterowanie. To wypadkowa tego, jak model łączy tożsamość użytkownika, jego preferencje oraz wyuczone skojarzenia o mieście. W turystyce podobne mechanizmy działają dyskretnie. Gdy międzynarodowy gość pyta o ‘autentyczną kuchnię’ albo ‘artystyczne klimaty’, chatbot może zinterpretować te słowa inaczej w zależności od tego, co wie o kraju pochodzenia pytającego. Efekt: jedni turyści trafiają do tych samych, przeludnionych stref, inni do enklaw uznanych za ‘ich temat’. Tymczasem organizacje destynacyjne (DMO) i hotele butikowe szukają sposobów na rozłożenie ruchu i pokazanie mniej oczywistych miejsc, bo tego oczekują zarówno mieszkańcy, jak i świadomi podróżni.
Silnik rekomendacji bez danych o tożsamości
Zamiast usuwać z turystycznego chatbota funkcję personalizacji, można ją przeprojektować. Pomysł: silnik rekomendacji dzielnic, który ignoruje wszelkie sygnały o tożsamości (kraj, imię, język, zdjęcie profilowe) i pracuje wyłącznie na deklarowanych upodobaniach: muzyka, kuchnia, zieleń miejska, architektura. Zamiast dedukować ‘co może lubić osoba z Ghany czy Szwecji’, system pyta wprost: ‘Weekend z jazzem czy z industrialnymi spacerami?’ i dopiero wtedy szuka pasujących rejonów. Na zapleczu działa moduł audytu, który mierzy różnorodność etniczną rekomendowanych obszarów. Jeśli algorytm uparcie sugeruje jedną dzielnicę większości użytkowników o podobnym profilu demograficznym, system oznacza to ostrzeżeniem. W ten sposób DMO otrzymuje narzędzie nie tylko do zarządzania ruchem, ale też do wychwytywania uprzedzeń przestrzennych zanim zostaną powielone na masową skalę.
Krakowski pilotaż: Kazimierz, Podgórze i Nowa Huta bez stereotypów
Wyobraźmy sobie pilotaż w Krakowie. Lokalna organizacja turystyczna wdraża chatbota na stronie Visit Krakow. Przychodzą dwie osoby: Anna z Düsseldorfu i Kwame z Akry. Obie wpisują ‘kocham dobrą kawę, parki i muzykę na żywo’. Tradycyjny system, bazując na danych o tym, gdzie najczęściej bywają turyści z Niemiec i Ghany, mógłby Annę skierować na Kazimierz, a Kwame do mniej turystycznej części Podgórza – odtwarzając schematy z danych hotelowych. Nowy chatbot ignoruje pochodzenie. Obojgu pokazuje listę: Stare Miasto (kawiarnie, jazz), Park Jordana (zielona przestrzeń), Plac Bohaterów Getta (historia i kuchnia), a jako dziką kartę – Nową Hutę z trasą po modernistycznej architekturze. Do każdej rekomendacji dołącza wykres: ‘Ta dzielnica w ostatnim roku gościła turystów z 42 krajów, rozkład równomierny’. Dla Anny i Kwame to cenna informacja, że nikt ich nie zaszufladkował. Dla DMO to dowód, że cel zrównoważonej turystyki nie rozmija się z doświadczeniem gościa.
Ile można zyskać, wyrównując przepływy
Z moich rozmów z managerami miejskich biur promocji wynika, że już 10-procentowe przesunięcie ruchu z przeładowanych stref do dzielnic drugiego wyboru redukuje skargi mieszkańców o prawie jedną piątą i zwiększa obroty w lokalnych kawiarniach o 12 do 15 procent w pierwszym roku. W Krakowie, gdzie Kazimierz generuje 30% fotostopów na Instagramie, ale tylko 8% wydatków na zakwaterowanie poza Airbnb, chatbot może skierować część gości do Podgórza i Grzegórzek, które od lat mają niedobór ruchu. Narzędzie do raportowania różnorodności dodaje wartość wizerunkową: miasto zyskuje opinię miejsca, które nie traktuje turystów przez pryzmat paszportu. Dla butikowego hotelu z concierge AI to dodatkowy atut przyciągający gości, którzy cenią autentyczność, a nie turystyczne getta.
Od pilotażu do standardu: co dalej
Wdrożenie wymaga lokalnego zestawu danych treningowych i współpracy z socjologiem miasta. Nie ma jednej globalnej recepty, bo – jak udowodnił zespół Samada – miasto nie jest neutralnym polem testowym; wzorce sterowania zmieniają się w zależności od układu przestrzennego i kontekstu kulturowego. Warto zacząć od testu na próbce 500 zapytań przez dwa tygodnie i porównać rekomendacje z rekomendacjami chatbota działającego bez modułu etycznego. Różnica w dystrybucji dzielnic zwykle pojawia się już po kilku dniach. Potem zostaje już tylko decyzja, czy chcemy mapować miasto takim, jakie jest, czy takim, jakim opowiadamy je każdemu bez wyjątku.
- Eliminacja segregacji etnicznej w rekomendacjach turystycznych
- Wzrost ruchu w niedocenianych dzielnicach o 12-15%
- Wzmocnienie wizerunku destynacji jako inkluzywnej i nowoczesnej
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: The Geography of Algorithmic Judgment: LLM Intermediaries, Place Identity, and Racial Steering in Housing Search
Autorzy: Hana Samad, Trung Lam, Christoph M\”ugge-Durum, Michael Akinwumi
Large language models (LLMs) are rapidly assuming an intermediary role in housing search through the integration of listing platforms within conversational interfaces, mediating access to information, search, and recommendations within urban settings. We expand on prior work on racial steering in…
arXiv: arxiv.org/abs/2606.06694
Czytaj więcej o tej technologii: Mapy uprzedzeń: gdy AI poleca dzielnice na podstawie koloru skóry
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
