Anthropics nye analyse viser, at Claude ikke udtrykker samme værdiprofil i alle modeller og sprog. Forskellen handler ikke om skjulte holdninger, men om målbare mønstre i svarenes tone, forsigtighed, grundighed og åbenhed, især når brugeren beder om subjektive vurderinger.
Claude kan udtrykke forskellige værdiprofiler på tværs af modeller og sprog, viser Anthropics analyse. Her får læseren overblik over målemetoden, de fire værdiakser og den praktiske betydning for sproglig kvalitet, AI-evaluering og kontrolleret brug i organisationer.
Hvad har Anthropic offentliggjort?
Anthropic offentliggjorde 13. juli 2026 en forskningsartikel om, hvordan Claude udtrykker værdier på tværs af modelversioner og sprog. Nyheden er ikke en ny Claude-funktion. Den er en metode til at måle, hvordan en sprogmodel svarer, når svaret ikke kun handler om fakta.
Analysen bygger på Claude.ai-samtaler med tre modeller: Claude Sonnet 4.6, Claude Opus 4.6 og Claude Opus 4.7. Den ser også på de 20 mest brugte sprog på Claude.ai. Det gør nyheden relevant for alle, der bruger generativ AI til feedback, rådgivningslignende tekst, undervisning, redaktionelt arbejde eller interne vurderinger.
Emnet ligger tæt på tidligere analyser af Anthropic Public Record, men fokus er smallere: ikke hvad mennesker spørger AI om, men hvilke værdimønstre modellen selv udtrykker i svarene.
Hvad betyder værdier i en AI-model?
Anthropic bruger ordet værdier om normative hensyn, som kommer til udtryk i modellens svar. Det kan være ærlighed, forsigtighed, varme, præcision, hjælpsomhed eller respekt for brugerens ønsker. Begrebet betyder ikke, at Claude har egne værdier eller intentioner.
Værdierne er observerede mønstre i output. Hvis modellen ofte udfordrer en brugers antagelser, kan svaret udtrykke stringens eller forsigtighed. Hvis modellen i stedet bekræfter brugerens idé og skriver opmuntrende, kan svaret udtrykke varme eller eftergivenhed.
Det gør målingen beslægtet med, men ikke identisk med, forskning i bias i AI. Bias handler ofte om skævhed i resultater eller behandling af grupper. Værdiprofilering handler mere om den samtalestil og vurderingsramme, modellen bruger.
Hvordan blev målingen lavet?
Anthropic tog udgangspunkt i 3.307 værdier fra tidligere arbejde og samlede dem i 339 mere overordnede værdier. Derefter analyserede forskerne 309.815 anonymiserede Claude.ai-samtaler fra en periode på to uger i maj 2026.
Udvalget omfattede samtaler, hvor brugeren bad Claude om en subjektiv opgave. Det kan for eksempel være feedback, prioritering, vurdering eller tekst med flere rimelige svar. Prøven blev fordelt på tre modeller og 20 sprog, så forskerne kunne sammenligne model- og sprogmønstre.
Et Claude-baseret analyseværktøj markerede, hvilke af de 339 værdier der var til stede i samtalen. Forskerne kontrollerede derefter for opgavens type, emne og brugerens egne udtrykte værdier, så de ikke kun målte, at forskellige sprog bruges til forskellige typer spørgsmål.
Hvilke fire akser bruger analysen?
Analysen reducerer mange enkeltværdier til fire akser. De fire akser forklarer ikke hele modellens adfærd, men de giver et mere overskueligt billede af, hvordan Claude kan skifte karakter i åbne samtaler.
- Eftergivenhed vs. forsigtighed: om modellen især imødekommer brugerens ønske eller beskytter mod risiko og skade.
- Varme vs. stringens: om modellen især skriver støttende og positivt eller lægger vægt på præcision og korrekthed.
- Dybde vs. korthed: om modellen forklarer grundigt eller kun leverer det, brugeren direkte bad om.
- Åbenhed vs. udførelse: om modellen fremhæver usikkerhed og begrænsninger eller leverer et mere færdigt og handleorienteret svar.
De fire akser fangede ifølge Anthropic 15 procent af variationen i de målte værdier efter kontrol for opgave, emne og brugerens egne værdier. Derfor bør de læses som et komprimeret kort over mønstre, ikke som en fuld forklaring af al modeladfærd.
Hvordan skifter Claude mellem modeller?
Anthropic fandt strukturerede, men begrænsede forskelle mellem de tre modeller. Sonnet 4.6 hældte mere mod varme, eftergivenhed og korthed. Opus 4.7 hældte mere mod forsigtighed, dybde, stringens og åbenhed. Opus 4.6 placerede sig tættere på stringens, eftergivenhed og kortere svar.
Forskellene kan mærkes i praktisk brug. En model, der er mere forsigtig, kan oftere udfordre præmisser, pege på risici eller give kritisk feedback uden at blive bedt om det. En model, der er varmere og mere eftergivende, kan i højere grad bekræfte brugerens idé og skrive i en støttende tone.
Det har betydning for opgaver, hvor brugeren tror, at modelvalget kun handler om hastighed, pris eller rå intelligens. Modelkarakter kan også påvirke, hvordan svar opleves og bruges.
Hvordan skifter svarene mellem sprog?
Anthropic fandt også forskelle mellem sprog. I hovedresultaterne beskriver kilden blandt andet, at Claude hældte mere mod varme i hindi og arabisk, mens engelsk og russisk hældte mere mod stringens. Engelsk hældte også mere mod forsigtighed og dybde, mens arabisk hældte mere mod eftergivenhed og korthed.
Forskerne skriver ikke, at sprog alene forårsager forskellene. De peger på flere mulige forklaringer, herunder forskelle i træningsdata, sproglige normer og hvordan mennesker bruger Claude i forskellige sprogmiljøer. De skriver også, at de endnu ikke ved, hvor meget variation der er ønskelig.
Det er centralt for flersprogede miljøer. To brugere kan stille samme type spørgsmål på to forskellige sprog og få svar, der ikke kun oversættes forskelligt, men også vægter risiko, støtte, kritik og usikkerhed forskelligt.
Hvad betyder det for dansk sprogbrug?
Anthropics hovedartikel fremhæver ikke særskilte resultater for dansk. Derfor kan man ikke udlede, at Claude har en bestemt dokumenteret værdiprofil på dansk. Nyheden er alligevel relevant for dansk som arbejdssprog, fordi den viser, at sprog kan påvirke mere end ordvalg og grammatik.
For skoler, redaktioner, myndigheder og virksomheder, der arbejder på dansk, peger analysen på et praktisk kontrolpunkt: AI-svar bør testes i det sprog, de faktisk skal bruges i. Det er ikke nok at evaluere en model på engelsk og antage, at samme tone, forsigtighed og kritikniveau gælder i dansk tekst.
Det gælder især opgaver med subjektive vurderinger, for eksempel feedback på elevtekster, prioritering af kundesager, vurdering af kommunikation eller støtte til ledelsesbeslutninger. Her kan små forskelle i tone og forsigtighed ændre, hvordan svaret bliver forstået.
Hvad kan organisationer bruge indsigten til?
Organisationer kan bruge indsigten som en påmindelse om, at AI-evaluering ikke kun bør måle rigtige og forkerte svar. Evaluering bør også se på, om modellen svarer med den ønskede grad af kritik, dokumentation, forsigtighed og menneskelig hensyntagen.
I en organisation i Danmark kan det kobles til eksisterende krav om databeskyttelse, dokumentation og risikostyring. Hvis AI bruges i uddannelse, rekruttering, borgerservice eller andre følsomme arbejdsgange, kan EU AI Act og interne styringskrav gøre det nødvendigt at dokumentere, hvordan modellen testes og overvåges.
Analysen siger ikke, at Claude er uegnet til sådanne opgaver. Den viser snarere, at man bør kende modellens adfærd i den konkrete brugssituation. Det omfatter både sprog, modelversion, opgavetype, prompt, data og menneskelig kontrol.
Hvilke begrænsninger har analysen?
Anthropic beskriver flere begrænsninger, som bør følge med konklusionerne. Analysen bygger på virkelige samtaler, ikke på identiske testprompter oversat til alle sprog. Derfor kan forskelle i brugernes opgaver og emner stadig påvirke resultaterne, selv om forskerne kontrollerede for flere faktorer.
- Analyseværktøjet er selv bygget på Claude og kan have egne sproglige skævheder.
- De 339 værdier er en forenkling af de 3.307 værdier fra det tidligere studie.
- Metoden måler, om en værdi er til stede, ikke hvor stærkt den præger hele samtalen.
- Akserne er korrelationer, ikke beviser for, at et bestemt sprog eller en bestemt model forårsager adfærden.
- De fire akser dækker kun en del af variationen i samtalerne.
Begrænsningerne svækker ikke nyhedens betydning, men de ændrer, hvordan resultaterne bør bruges. De egner sig bedst som evalueringssignal og forskningsmetode, ikke som en enkel rangliste over gode og dårlige sprog eller modeller.
Hvordan adskiller det sig fra almindelig bias-test?
Almindelig bias-test undersøger ofte, om en model behandler grupper forskelligt, gengiver stereotyper eller giver systematisk skæve resultater. Værdiprofilering undersøger i stedet, hvilke hensyn modellen lægger vægt på, når den formulerer et svar.
| Testtype | Typisk spørgsmål | Eksempel på målepunkt |
|---|---|---|
| Bias-test | Behandler modellen personer eller grupper forskelligt? | Skæv anbefaling, stereotyper eller ulige fejlrate. |
| Værdiprofilering | Hvilken tone og vurderingsramme bruger modellen? | Forsigtighed, varme, stringens, korthed eller åbenhed. |
| Brugstest | Fungerer svaret i den konkrete arbejdsgang? | Forståelighed, dokumentation, kontrol og menneskelig godkendelse. |
De tre testtyper supplerer hinanden. Forskning i skjult AI-ræsonnement viser, at modeladfærd kan undersøges på flere niveauer: output, interne repræsentationer, sikkerhedstest og praktisk brug.
Hvad bør du kontrollere i praksis?
Hvis en organisation bruger generativ AI til vurderinger, feedback eller beslutningsstøtte, bør testen af modellen afspejle den virkelige arbejdsgang. Det gælder også, når modellen kun skriver forslag, som et menneske senere godkender.
- Test modellen på det sprog, brugerne faktisk skriver og læser.
- Sammenlign flere modelversioner på de samme opgaver, ikke kun på generelle benchmarktal.
- Gem eksempler på ønsket og uønsket tone, især ved feedback, kritik og risiko.
- Kontrollér, om modellen bliver for eftergivende, for hård, for kort eller for sikker i formuleringen.
- Dokumentér menneskelig kontrol, datagrundlag og kendte begrænsninger, før svaret bruges i følsomme processer.
Kontrollen handler ikke om at gøre AI-svar ens på alle sprog. Den handler om at vide, hvornår forskelle i sprog og modelversion ændrer svarets praktiske betydning.
Hvilke kilder ligger til grund?
Artiklen bygger på Anthropics forskningsartikel om Claude-værdier, det tilhørende metodebilag om værdier på tværs af modeller og sprog, Anthropics tidligere studie Values in the Wild og EU-Kommissionens AI Act-overblik.