Algorytmy routingu w usługach LLM systematycznie przypisują teksty w African American English oraz angielszczyznę drugiego języka do mniej wydajnych modeli niż semantycznie równoważne sformułowania w standardowej angielszczyźnie. Zjawisko jest pogoniane przez jeden konkretny sygnał złożoności - długość wejścia tekstu - ponieważ niestandardowe rejestry pomijają słowa funkcyjne i wydają się krócej, a zatem bardziej proste.
Badacze testowali to zjawisko na 37704 autentycznych parach zdań od uczniów i na kontrolowanym korpusie równoległy. Zbadali też wpływ na jakość odpowiedzi dla całego łańcucha modeli od urządzeń brzegowych, przez edge computing, aż po modele chmurowe. W każdej warstwie - włącznie z najbardziej zaawansowanymi modelami w chmurze - zaobserwowano znacznie gorszą dokładność odpowiadania na zapytania w niestandardowych rejestrach.
Routowanie oparte na złożoności pogłębia istniejące już nierówności. Podczas gdy samego routingu nie uważa się za główne źródło degradacji jakości, głębokie stronniczości modelowe na każdym poziomie aplikują się konsekwentnie. Oznacza to, że użytkownicy mówiący English American lub uczący się angielskiego jako obcego otrzymują systematycznie gorszą usługę na każdym etapie procesu - zarówno przez rutownik jak i przez sam model docelowy.