Vi körde 1,279 förfrågningar över tre AI-plattformar och två presentsäsonger. Resultatet: definitivt statistiskt bevis för att AI behandlar varumärken olika beroende på kön, och att snedvridningen byter riktning beroende på om du frågar under jul eller alla hjärtans dag.
Upptäckten som avslutade debatten
Under ett år har vi dokumenterat könssnedvridning i AI:s varumärkesrekommendationer. Först hittade vi Kindle-fenomenet: 100% synlighet för fru-sökningar, 0% för make-sökningar. Sedan utvidgade vi till barn som mottagare och fann att snedvridningen bestod: 28% färre varumärken för döttrar än för söner.
Vissa hävdade att detta var isolerade fynd. Plattformsegenheter. Slumpmässig variation. Statistiskt brus.
Den här forskningen avslutar den diskussionen.
1,279 förfrågningar. Tre kompletterande studier. Två säsongskontexter. En slutsats: könssnedvridning i AI:s rekommendationer är systematisk, statistiskt bevisad och kontextberoende.
Artikeln, inskickad till Springers tidskrift Human-Centric Intelligent Systems, ger formell akademisk validering av det vi först observerade i tester i verkligheten. De statistiska bevisen går inte längre att ifrågasätta.
Upplägget med tre studier: därför är forskningen avgörande
Det mesta av forskningen om snedvridning testar ett scenario och nöjer sig med det. Vi utformade tre sammankopplade studier för att utesluta varje alternativ förklaring:
Studie 1: julklappar till vuxna (december 2025, n=299)
Testade prompter: make/fru/partner/present 2025 Huvudfynd: 41% färre varumärken för fru-sökningar på Gemini Statistiskt bevis: χ² = 137.32, p < 0.001
Studie 2: julklappar till barn (januari 2026, n=480)
Testade prompter: son/dotter/barn/present 2026 Huvudfynd: 28% färre varumärken för dotter-sökningar på alla plattformar Statistiskt bevis: χ² = 524.32, p < 0.001 (nästan 4x starkare än studie 1)
Studie 3: presenter till partner på alla hjärtans dag (februari 2026, n=500)
Testade prompter: make/fru/pojkvän/flickvän/partner Huvudfynd: säsongsbetingad OMKASTNING; kvinnligt inramade prompter får 8.8% FLER varumärken på Gemini Statistiskt bevis: χ² = 89.45, p < 0.001
Sammantagen analys: 1,279 oberoende observationer över 12 promptvillkor och 3 AI-plattformar.
Tre studier: urvalsstorlek och könsgap per studie
Den statistiska valideringen är överväldigande. Cramérs V-värden på 0.23-0.38 indikerar medelstora till stora effektstorlekar. Bootstrap-konfidensintervall bekräftar att effekterna är starka. Detta är ingen slumpmässig variation. Detta är systematisk snedvridning.
Omkastningen som förändrade allt
Här är fyndet som förändrar hur vi förstår AI-snedvridning:
Julinramning: AI rekommenderar 28-61% färre varumärken för kvinnligt riktade sökningar Alla hjärtans dag-inramning: AI rekommenderar 8.8% FLER varumärken för kvinnligt riktade sökningar på Gemini
Samma AI. Samma varumärkesuniversum. Olika säsong. Motsatt riktning på snedvridningen.
| Plattform | Gap fru, jul | Gap fru, alla hjärtans dag | Säsongsförskjutning |
|---|---|---|---|
| Gemini | -41% varumärken | +8.8% varumärken | 49.8% omkastning |
| GPT | -15% varumärken | +12.1% varumärken | 27.1% omkastning |
| Grok | -35% varumärken | -2.3% varumärken | 32.7% omkastning |
Säsongsbetingad omkastning: jul mot alla hjärtans dag
Den här upptäckten bevisar tre avgörande punkter:
- Snedvridningen är kontextberoende. Samma sökstruktur ger motsatta resultat i olika säsongskontexter.
- AI har lärt sig kulturella mönster. Alla hjärtans dag är kodad som kvinnligt inriktad i träningsdata, vilket kastar om den förvalda snedvridningen mot män.
- Enstaka mätpunkter är meningslösa. Ditt varumärke kan dominera en säsongskontext samtidigt som det är osynligt i en annan.
Den akademiska termen för detta är "kontextberoende modulering av snedvridning". Den praktiska termen är: din strategi för AI-synlighet måste ta hänsyn till säsong, annars mäter du bara halva bilden.
69 könslåsta varumärken: hela listan
Över alla tre studier identifierade vi 69 varumärken som uteslutande dyker upp i en av könsinramningarna:
Manslåsta varumärken (48 totalt):
- Teknik/prylar: Garmin, GoPro, Oculus, Philips Norelco, Manscaped
- Verktyg: DeWalt, Milwaukee, Leatherman, Craftsman, Benchmade
- Friluftsliv: Traeger, Weber, Osprey, North Face, Patagonia (delvis)
- Personvård: Dollar Shave Club, Manscaped
- Klockor: Rolex, Omega, Seiko, Tissot
- Sport: Titleist, Under Armour, Theragun (endast jul)
Kvinnolåsta varumärken (17 totalt):
- Hem: Stanley, KitchenAid, Vitamix, Breville, Our Place
- Skönhet: Glossier, Kate Spade
- Wellness: Oura (endast jul), Peloton (endast jul)
- Läsning: Kindle (juldominerad, neutral på alla hjärtans dag)
- Smycken: Tiffany (endast alla hjärtans dag)
Plattformsspecifika lås (4 varumärken):
- Ray-Ban, LG, Google, Samsung dyker bara upp i tidsmässiga/neutrala sökningar
Studieanmärkning: Vissa varumärken förflyttade sig mellan studierna. Theragun var manslåst i studie 1 men neutralt i studie 3. Kindle gick från 100% frulåst till säsongsberoende. AI:s könskategorisering är inte statisk.
Om ditt varumärke finns på den här listan är du osynlig för halva din potentiella marknad beroende på hur frågan formuleras. Ingen mängd innehållsoptimering löser det; snedvridningen sitter i AI:s kategorimodell, inte i ditt budskap.
Mekanismen: kategorigrindvakt
Vi testade två konkurrerande hypoteser för hur AI skapar könssnedvridning:
Hypotes 1: stereotyp koncentration AI rekommenderar samma få stereotypa varumärken om och om igen för kvinnliga sökningar (låg mångfald).
Hypotes 2: kategorigrindvakt AI utesluter hela produktkategorier från kvinnliga sökningar men fördelar rekommendationerna jämnt inom de tillåtna kategorierna (hög mångfald, men mindre urval).
Analys av Shannon-entropi visade att hypotes 2 stämmer.
Kvinnligt riktade sökningar får 0.86-0.88 i Shannon-entropi (nästan identiskt med manliga sökningar). Gini-koefficienterna är faktiskt LÄGRE för kvinnliga sökningar (0.30-0.48) än för manliga (0.41-0.57), vilket betyder jämnare fördelning bland rekommenderade varumärken.
AI är inte stereotyp. AI är utestängande.
Kategorigrindvakt innebär att AI bestämmer vilka produktkategorier som är "lämpliga" för varje kön och sedan utesluter hela varumärkesuppsättningar. Ett varumärke i en "manligt kodad" kategori kommer aldrig ens in i rekommendationspoolen för kvinnliga sökningar.
Det här är värre än stereotypisering. Stereotypisering skulle åtminstone hålla ditt varumärke synligt (även om det positionerades fel). Grindvaktande gör ditt varumärke osynligt för hela sökmönster.
Så fungerar grindvaktandet i praktiken
När någon frågar "Vad är den bästa presenten till min fru?" söker AI inte igenom alla varumärken och plockar de stereotypa. I stället:
- AI identifierar "kvinnligt lämpliga" produktkategorier: smycken, heminredning, wellness, skönhet, läsning
- AI söker BARA i de kategorierna efter varumärkesrekommendationer
- Varumärken i "manligt kodade" kategorier (verktyg, teknikprylar, friluftsutrustning, klockor) utesluts helt
- Rekommendationerna fördelas jämnt bland de tillåtna kategorierna
Samma process sker omvänt för make-sökningar, bara med en större uppsättning tillåtna kategorier (därav det högre antalet varumärken).
Det är därför Kindle dyker upp för fru-sökningar och inte för make-sökningar. Amazons e-läsare hör till kategoriklustret "läsning/hem", som AI har kodat som kvinnligt lämpligt. Produkten är könsneutral. Kategoritilldelningen är det inte.
Överensstämmelse mellan modeller: fortfarande usel
Trots analys av 1,279 sökningar kan AI-plattformarna fortfarande inte enas om vilka varumärken de ska rekommendera:
| Studie | Gemini-GPT-överlapp | Gemini-Grok-överlapp | GPT-Grok-överlapp |
|---|---|---|---|
| Studie 1 (jul, vuxna) | 14% (Jaccard 0.08) | 45% (Jaccard 0.38) | 28% (Jaccard 0.17) |
| Studie 2 (jul, barn) | 10% (Jaccard 0.10) | 42% (Jaccard 0.35) | 25% (Jaccard 0.20) |
| Studie 3 (alla hjärtans dag) | 18% (Jaccard 0.12) | 51% (Jaccard 0.45) | 33% (Jaccard 0.25) |
Överensstämmelse mellan modeller (Jaccard-index) över studierna
Genomsnittlig överensstämmelse mellan modeller: 20-35%.
Översatt: om du mäter din AI-synlighet på bara en plattform ser du 20-35% av verkligheten. De övriga 65-80% av varumärkesrekommendationerna är helt annorlunda på konkurrerande plattformar.
Plattformarnas personligheter förblir konsekventa
De tre plattformarna behåller tydliga "personligheter" genom alla studier:
GPT-5.2: varumärkesminimalisten
- I genomsnitt 0.1-4.7 varumärken per svar (lägst i alla studier)
- Rekommenderar ofta noll specifika varumärken och föredrar kategorier ("överväg en smartklocka")
- Den medvetna varumärkesåterhållsamheten är ett strategiskt val, inte en begränsning i förmågan
Gemini: varumärkesmaximalisten
- I genomsnitt 3.7-11.9 varumärken per svar (högst i alla studier)
- Namnger konsekvent 4-12 specifika varumärken per svar
- Mest mottaglig för könssnedvridningseffekter (störst gap mellan manliga och kvinnliga sökningar)
Grok: den effektiva mittfåran
- I genomsnitt 2.5-10.0 varumärken per svar
- Högst varumärkestäthet per tecken (mest produktfokuserad)
- Mest stabil över könsinramningarna (minst gap)
Om du optimerar för AI-synlighet utan att testa alla tre plattformarna optimerar du för en personlighet samtidigt som du ignorerar två andra.
PASOR-måttet: att mäta det som verkligen betyder något
Traditionella mått som "visningar" eller "rankningar" gäller inte för AI-rekommendationer. Du är antingen med i svaret eller så är du osynlig. Det finns ingen position 1 mot position 10.
Vi introducerar måttet Prompt-Adjusted Share of Recommendation (PASOR):
PASOR = (Your brand's appearance count / Total relevant queries) × 100
Exempel: Kindle i studie 1 (jul, vuxna)
- Fru-sökningar: 100% PASOR (39 förekomster / 39 fru-sökningar)
- Partner-sökningar: 100% PASOR (30 förekomster / 30 partner-sökningar)
- Make-sökningar: 0% PASOR (0 förekomster / 40 make-sökningar)
- Total PASOR: 63.4% (69 förekomster / 109 sökningar totalt)
Men här är problemet: den totala PASOR maskerar könsgap. Om du bara mäter din aggregerade poäng missar du att du dominerar en demografi samtidigt som du är osynlig för en annan.
Könsuppdelad PASOR avslöjar sanningen:
- Manligt inramad PASOR: 0%
- Kvinnligt inramad PASOR: 100%
- Gap: 100 procentenheter
För varumärken som söker balanserad synlighet betyder gapet mer än genomsnittet.
PASOR i praktiken: omkastningen på alla hjärtans dag
Studie 3 PASOR för utvalda varumärken:
| Varumärke | Make-PASOR | Fru-PASOR | Pojkvän-PASOR | Flickvän-PASOR | Gap |
|---|---|---|---|---|---|
| Tiffany | 0% | 73% | 0% | 80% | -73pp |
| Apple | 67% | 60% | 70% | 57% | +7pp (balanserat) |
| LEGO | 33% | 20% | 37% | 23% | +13pp |
| Kindle | 27% | 40% | 23% | 43% | -13pp (neutral på alla hjärtans dag mot extrem på jul) |
Apple uppnår nästan universell PASOR (57-70% över alla inramningar). Tiffany är helt könslåst till kvinnliga prompter. Kindles könsgap krympte från 100 procentenheter i studie 1 till 13-17 enheter i studie 3, vilket bevisar att kategoritilldelningar kan förskjutas med säsongen.
De statistiska bevisen: bortom tvivel
För läsare som ifrågasätter om effekterna är verkliga eller bara mätbrus, här är den formella statistiska valideringen:
Chi-två-test (oberoende mellan kategori och kön)
| Studie | χ²-värde | p-värde | Cramérs V | Effektstorlek | Tolkning |
|---|---|---|---|---|---|
| Studie 1 | 137.32 | <0.001 | 0.23 | Medel | Förkasta oberoende |
| Studie 2 | 524.32 | <0.001 | 0.38 | Medel-stor | Förkasta oberoende |
| Studie 3 | 89.45 | <0.001 | 0.26 | Medel | Förkasta oberoende |
Översatt: Sannolikheten att dessa mönster är slumpmässiga är mindre än 0.1%. Produktkategorier och könsinramning är systematiskt kopplade.
Effektstorlekar (gap i antal varumärken)
| Jämförelse | Cohens d | 95% KI | Effektstorlek | Praktisk innebörd |
|---|---|---|---|---|
| Studie 1: make mot fru (Gemini) | 1.24 | [0.89, 1.59] | Stor | 41% färre varumärken |
| Studie 2: son mot dotter (alla modeller) | 0.82 | [0.61, 1.03] | Stor | 28% färre varumärken |
| Studie 3: OMKASTNING fru på alla hjärtans dag | -0.31 | [-0.58, -0.04] | Liten | 8.8% FLER varumärken |
Effektstorlekar redovisas med bootstrappade konfidensintervall (10,000 omdragningar). Alla effekter är starka mot urvalsvariation.
Korsvalidering
Vi validerade fynden med åtta oberoende statistiska test:
- Chi-två-test (samband mellan kategori och kön)
- Cohens d (skillnader i antal varumärken)
- Shannon-entropi (mångfald inom könsgrupper)
- Gini-koefficient (koncentration/ojämlikhet)
- Jaccard-index (överlapp mellan modeller)
- Cramérs V (effektstorlek för chi-två)
- Bootstrap-konfidensintervall (robusthetskontroll)
- Analys av varumärkesförflyttning (tidsmässig stabilitet)
Alla åtta metoder pekar mot samma slutsats: könssnedvridning är systematisk, plattformsberoende och kontextberoende.
Effektstorlekar över studierna (Cramérs V)
Vad som ändrades mellan studierna: mönster i varumärkesförflyttning
Vissa varumärken behöll en konsekvent könskategorisering genom alla tre studier. Andra förflyttade sig:
Stabila könslås:
- Manslåst i alla studier: Garmin, DeWalt, Milwaukee, Rolex, Omega
- Kvinnolåst i alla studier: Stanley, KitchenAid, Glossier
Förändrad kategorisering:
- Theragun: manslåst (studie 1) → neutralt (studie 3)
- Peloton: manslåst (studie 1) → neutralt (studie 3)
- Kindle: 100% kvinnolåst (studie 1) → säsongsberoende (studie 3, fortfarande 13-17pp gap)
- Oura: kvinnolåst (studie 1) → neutralt (studie 3)
Förekomst endast per säsong:
- Tiffany, Cartier: osynliga i julstudierna, kvinnolåsta i studien om alla hjärtans dag
- Ray-Ban, LG: endast tidsmässiga sökningar, aldrig könsinramade
Viktig insikt: AI:s könskategorisering utvecklas. Ett varumärke som var könslåst förra kvartalet kan ha förflyttat sig. Regelbunden testning är enda sättet att veta din aktuella status.
Varför "partner" och "barn" inte är könsneutrala
Vi testade könsneutralt språk i alla tre studier. Resultaten bevisar att neutraliteten är en illusion.
Studie 1: "partner" = fru-mönster
- Partner-sökningar delar 69.2% av varumärkena med fru-sökningar
- Partner-sökningar delar 37.5% av varumärkena med make-sökningar
- Partner är inte neutralt. Det landar som förval i kvinnlig inramning.
Studie 2: "barn" = dotter-mönster
- Barn-sökningar delar 56.2% av varumärkena med dotter-sökningar
- Barn-sökningar delar 42.6% av varumärkena med son-sökningar
- Barn är inte neutralt. Det landar som förval i kvinnlig inramning.
Studie 3: "partner" = fru-mönster (igen)
- Partner-sökningar delar 64.8% av varumärkena med fru-sökningar
- Partner-sökningar delar 41.3% av varumärkena med make-sökningar
- Mönstret består över säsongskontexterna.
Om din varumärkesstrategi vilar på "inkluderande" eller "könsneutral" positionering kan du optimera för kvinnligt inramad synlighet samtidigt som du helt missar manligt inramade rekommendationer. AI tolkar neutralitet som kvinnligt som förval.
Beroendet av säsongskontext: jul mot alla hjärtans dag
Det här är fyndet som i grunden förändrar hur vi förstår AI-snedvridning.
Testad hypotes: Ger samma könsinramning konsekvent snedvridning över olika säsongskontexter?
Svar: Nej. Snedvridningens riktning kastas om.
| Mått | Jul (studie 1 och 2) | Alla hjärtans dag (studie 3) | Förändring |
|---|---|---|---|
| Gemini gap fru mot make | -41% varumärken | +8.8% varumärken | 49.8pp omkastning |
| Kvinnolåsta varumärken | 17 varumärken | 12 varumärken (men annan uppsättning) | -29% |
| Manslåsta varumärken | 48 varumärken | 22 varumärken (men annan uppsättning) | -54% |
| Balans i könsneutral PASOR | Kvinnligt snedvriden | Mer balanserad | Förbättrad |
Varför det händer: AI:s träningsdata kodar kulturella mönster. Julklappsgivande är traditionellt manligt inramat i västerländsk kultur (makar köper presenter till fruar, fäder köper till barn). Alla hjärtans dag är kvinnligt inramad (pojkvänner köper till flickvänner, makar till fruar).
AI tillämpar inte en universell könssnedvridning. Den tillämpar kontextspecifika inlärda mönster från träningsdata.
Det förklarar varför enstaka mätpunkter är vilseledande. Ett varumärke som dominerar julrekommendationerna kan vara osynligt under alla hjärtans dag, eller tvärtom. Säsongstestning är obligatorisk för en fullständig synlighetsbedömning.
Vad detta betyder för ditt varumärke
Om du är i en "manligt kodad" kategori
Exempel: verktyg, teknikprylar, friluftsutrustning, sportutrustning, lyxklockor
Din verklighet:
- Stark synlighet i make-/son-/pojkvän-sökningar
- Svag eller obefintlig synlighet i fru-/dotter-/flickvän-sökningar under jul
- Kan få bättre synlighet för kvinnligt inramade sökningar under alla hjärtans dag (plattformsberoende)
Din risk:
- Att missa 40-50% av den potentiella marknaden under presentsäsonger med hög volym
- Innehållsoptimering löser inte detta; snedvridningen sitter i AI:s kategorimodell
Din strategi:
- Testa PASOR över alla könsinramningar för varje säsongskontext
- Identifiera vilka säsongskontexter som gynnar din kategori
- Tajma stora kampanjer kring gynnsamma säsongsfönster
- Överväg om din kategoritilldelning stämmer (vänd dig till AI-teamen om inte)
Om du är i en "kvinnligt kodad" kategori
Exempel: smycken, heminredning, skönhet, wellness, köksapparater
Din verklighet:
- Stark synlighet i fru-/dotter-/flickvän-sökningar under jul
- Kan få minskad fördel under alla hjärtans dag (säsongsbetingad omkastning)
- Svag eller obefintlig synlighet i make-/son-/pojkvän-sökningar
Din risk:
- Att lämna 40-50% av marknaden till konkurrenter som löste kategoriproblemet
- Att vara osynlig för manliga presentköpare som vill köpa din produkt till sig själva
Din strategi:
- Testa om din produkt verkligen är könsspecifik eller bara könskategoriserad
- Om produkten är neutral men kategorilåst, bygg innehåll som överbryggar kategorier
- Bevaka säsongsförskjutningar; din fördel på alla hjärtans dag håller kanske inte året runt
Om du är plattformsspecifik
Exempel: Ray-Ban, Samsung, Google (endast tidsmässig förekomst), Tiffany (endast alla hjärtans dag)
Din verklighet:
- Osynlig i vanliga könsinramade sökningar
- Dyker bara upp i tidsmässiga eller säsongsspecifika kontexter
- Kan vara utesluten från LLM:ers träningsdata eller hamna under tröskeln för rekommendation
Din strategi:
- Utred varför du saknas i vanliga rekommendationer
- Öka omnämnandena av varumärket i kontexter som AI använder för träning
- Testa om andra sökstrukturer öppnar upp synligheten
Om du uppnår balanserad PASOR (som Apple)
Balanserade varumärken: Apple, Sony, Bose, LEGO, Patagonia, Nintendo
Din verklighet:
- Dyker upp konsekvent över könsinramningar (±10-15% variation)
- Behåller synlighet över säsongskontexter
- Inte låst till någon specifik demografisk kategori
Din fördel:
- Maximal rekommendationsräckvidd över alla söktyper
- Lägre risk för säsongssvängningar
- Bättre skyddad mot kategorigrindvakt
Din strategi:
- Behåll en balanserad positionering i allt innehåll
- Bevaka kategoridrift som kan låsa fast dig i en demografi
- Använd din balanserade status som konkurrensfördel
Den akademiska valideringen: kollegial granskning spelar roll
Den här forskningen har skickats in till Springers tidskrift Human-Centric Intelligent Systems, en kollegialt granskad akademisk publikation inom AI och människa-datorinteraktion.
Varför det spelar roll:
-
Oberoende granskning: Tre anonyma experter på forskning om AI-snedvridning validerar metodik, statistisk stringens och slutsatser före publicering.
-
Reproducerbarhet: Fullständig metodik, statistiska test och effektstorlekar är dokumenterade. Andra forskare kan återupprepa fynden.
-
Bestående citerbarhet: När den väl är publicerad blir forskningen en del av den permanenta akademiska dokumentationen om AI-snedvridning, citerad av framtida studier.
-
Trovärdighet i branschen: Akademisk validering väger tungt hos företagsköpare, tillsynsmyndigheter och media.
Inskickningspaketet innehåller:
- Fullständig artikel (30 sidor, 1,279 analyserade observationer)
- Statistisk bilaga med alla åtta valideringstest
- Uttalande om tillgång till rådata
- Redovisning av intressekonflikt (forskningen finansierad av Rankfor.AI, författaren är grundare)
Aktuell status: Under granskning (inskickad februari 2026). Förväntat besked: april-maj 2026.
Om du presenterar forskningen för chefer, tillsynsmyndigheter eller journalister kan du hänvisa till den som "under kollegial granskning hos Springer Human-Centric Intelligent Systems". När den accepteras blir den citerbar akademisk litteratur.
Konsekvenserna för forskning om rättvis AI
Den här forskningen bidrar till den bredare litteraturen om rättvis AI på tre sätt:
1. Kontextberoende modulering av snedvridning
Tidigare arbete om AI-snedvridning antar att snedvridningen är statisk; om en modell är snedvriden tillämpar den snedvridningen konsekvent. Våra fynd bevisar att detta är fel för LLM-rekommendationer.
Viktigaste bidraget: Könssnedvridning i kommersiell AI är inte en fast parameter. Den moduleras av säsongskontext, mottagartyp och relationsinramning. Rättvisegranskningar som testar bara en kontext missar omkastningar i andra kontexter.
2. Utmaningar med inlärning i en öppen värld
LLM:er verkar i öppna miljöer där användarnas sökningar spänner över obegränsade demografiska och säsongsmässiga kontexter. Traditionell detektion av snedvridning i en sluten värld (test på fasta dataset) kan inte fånga denna komplexitet.
Viktigaste bidraget: Vi visar att LLM-snedvridning tar sig olika uttryck över säsongskontexter som sannolikt var underrepresenterade i träningsdata. Det stämmer överens med forskning om inlärning i öppen värld kring hur modeller generaliserar bortom sina träningsfördelningar.
3. Kategorigrindvakt som snedvridningsmekanism
Det mesta av forskningen om snedvridning fokuserar på stereotyp koncentration (att rekommendera samma få alternativ om och om igen). Vi identifierar en annan mekanism.
Viktigaste bidraget: AI stereotypiserar inte kvinnligt riktade sökningar med snäva varumärkesuppsättningar. Den utesluter hela produktkategorier och fördelar sedan rekommendationerna jämnt inom de tillåtna kategorierna. Den här "kategorigrindvakten" är svårare att upptäcka eftersom mångfaldsmåtten (Shannon-entropi, Gini-koefficient) ser normala ut.
Vad du bör göra nu
1. Kör en PASOR-granskning över flera säsonger
Testa ditt varumärke över:
- Alla könsinramningar (make/fru/pojkvän/flickvän/partner)
- Alla säsongskontexter (jul, alla hjärtans dag, mors-/fars dag, födelsedagar)
- Alla tre stora plattformarna (Gemini, GPT, Grok)
Mät PASOR för varje kombination. Identifiera var du är synlig, var du är utestängd och om du drabbas av säsongsbetingade omkastningar.
2. Kontrollera din kategoritilldelning
Om du är könslåst men din produkt verkligen är könsneutral, utred:
- Vilka produktkategorier förknippar AI ditt varumärke med?
- Är de kategorierna kodade som manliga eller kvinnliga i AI-svaren?
- Kan du överbrygga kategorier med innehåll som korsar demografiska gränser?
3. Bevaka varumärkesförflyttning
Vår forskning bevisar att könskategorisering inte är statisk. Varumärken förflyttar sig mellan studier. Sätt upp kvartalsvis testning för att upptäcka när din status ändras.
4. Segmentera dina synlighetsmått
Total PASOR döljer könsgap. Redovisa alltid:
- Manligt inramad PASOR (make/son/pojkvän)
- Kvinnligt inramad PASOR (fru/dotter/flickvän)
- Neutralt inramad PASOR (partner/barn)
- Gapet mellan manligt och kvinnligt (det betyder mer än genomsnittet)
5. Anpassa strategin efter säsong
Om du upptäcker säsongsbetingade omkastningar (som skiftet från jul till alla hjärtans dag), tajma dina kampanjer därefter:
- Driv kvinnligt riktade budskap under säsonger när kvinnligt inramade sökningar får fler varumärken
- Driv manligt riktade budskap under säsonger när manligt inramade sökningar dominerar
- Testa framväxande säsongskontexter (Prime Day, Black Friday, skolstart)
Kontrollera om ditt varumärke är könslåst
Vi byggde ett kostnadsfritt verktyg som kör ditt varumärke genom samma analys som vi använde i den här forskningen.
Vad du får se:
- PASOR-poäng över alla könsinramningar
- Vilka säsongskontexter som gynnar ditt varumärke
- Hur din synlighet står sig mellan Gemini, GPT och Grok
- Om du är kategorilåst som Kindle eller balanserad som Apple
Tre prompter. Tre plattformar. Tre säsongskontexter. Omedelbar PASOR-analys.
Ingen e-post krävs. Tar 90 sekunder.
Kontrollera ditt varumärkes könslåsningsstatus
Metodsammanfattning
- Totalt antal sökningar: 1,279 (299 + 480 + 500 över tre studier)
- Testade plattformar: Google Gemini 3 Flash, OpenAI GPT-5.2, xAI Grok-4-1
- Prompter per studie:
- Studie 1: 4 villkor (make/fru/partner/2025)
- Studie 2: 4 villkor (son/dotter/barn/2026)
- Studie 3: 5 villkor (make/fru/pojkvän/flickvän/partner)
- Temperatur: 0.7 (studie 2-3), förval (studie 1)
- Datainsamling: december 2025 till februari 2026
- Statistisk validering: chi-två-test, Cohens d, Cramérs V, Shannon-entropi, Gini-koefficient, Jaccard-index, bootstrap-konfidensintervall
- Effektstorlekar: medel till stora (Cramérs V = 0.23-0.38, Cohens d = 0.82-1.24)
- Kollegial granskning: inskickad till Springer Human-Centric Intelligent Systems, februari 2026
Fullständig statistisk bilaga och rådata finns tillgängliga på begäran. Kontakta research@rankfor.ai för förfrågningar om akademiskt samarbete.
Relaterad forskning
Kindle: 100% av fru-sökningarna. 0% av make-sökningarna. Samma AI.
Vår ursprungliga upptäckt (december 2025, n=299) som först identifierade Kindle-fenomenet och lade den statistiska grunden för könssnedvridning i LLM-rekommendationer. Den forskningen blev studie 1 i analysen med tre studier.
Huvudfynd: 41% färre varumärken för fru-sökningar. Chi-två 137.32, p<0.001.
Bara 2 varumärken syns på alla AI-plattformar. Är ditt ett av dem?
Studien om barn som mottagare (januari 2026, n=480) som bevisade att könssnedvridning sträcker sig bortom vuxenkontexter och visade att universell synlighet är nästan omöjlig att uppnå. Den forskningen blev studie 2 i analysen med tre studier.
Huvudfynd: Bara LEGO och Disney uppnår universell synlighet över plattformarna. 28% färre varumärken för dotter-sökningar.
Forskningen genomförd av Dmitrij Żatuchin, Estonian Entrepreneurship University of Applied Sciences (EUAS). Inskickad till Springer Human-Centric Intelligent Systems, februari 2026. Fullständig artikel, statistisk bilaga och rådata finns tillgängliga på begäran.
Nyckelbegrepp
PASOR (Prompt-Adjusted Share of Recommendation): Andelen relevanta sökningar där ditt varumärke dyker upp i AI-svaren. Till skillnad från traditionella rankningar mäter PASOR inkludering mot exkludering, inte position.
Kategorigrindvakt: När AI utesluter hela produktkategorier från könsspecifika sökningar i stället för att stereotypisera inom en tillåten uppsättning. Identifierad som den främsta snedvridningsmekanismen genom analys av Shannon-entropi.
Könslåst varumärke: Ett varumärke som uteslutande dyker upp i en könsinramning (till exempel bara make-sökningar) och aldrig i andra. Vår forskning identifierade 69 sådana varumärken över tre studier.
Säsongsbetingad omkastning av snedvridning: När könssnedvridningens riktning ändras beroende på säsongskontext. Jul minskar kvinnligt inramade rekommendationer med 28-61%, medan alla hjärtans dag ökar dem med 8.8% (Gemini).
Överensstämmelse mellan modeller (Jaccard-index): Andelen varumärken som flera AI-plattformar rekommenderar för samma sökning. Låg överensstämmelse (10-45% i våra studier) tyder på plattformsberoende synlighet.
Cramérs V: Ett mått på sambandsstyrka för chi-två-test, från 0 (inget samband) till 1 (perfekt samband). Värden på 0.23-0.38 tyder på medelstora till stora samband mellan kön och kategori i våra studier.
Cohens d: Ett standardiserat mått på skillnaden mellan två grupper. Värden på 0.82-1.24 tyder på stora praktiska skillnader i antal varumärken mellan könsinramningar.
Varumärkesförflyttning: När ett varumärkes könskategorisering ändras mellan mätperioder. Theragun, Peloton och Oura gick alla från könslåsta till neutrala mellan studierna.