Anthropic hat eine Studie zu den Werten seines KI-Modells Claude veröffentlicht, die je nach Sprache und Modellversion deutliche Unterschiede findet. Auf Hindi und Arabisch antwortet das Modell wärmer und zurückhaltender, auf Englisch und Russisch strenger und kritischer. Grundlage sind mehr als 300.000 anonymisierte Gespräche aus drei Modellversionen.
Studie wertet über 300.000 Claude-Gespräche aus
Für die Untersuchung analysierte Anthropic 309.815 anonymisierte Konversationen von Claude.ai-Nutzenden aus dem Mai 2026 (unabhängig nicht verifiziert). Das Team identifizierte zunächst 3.307 einzelne Werte-Begriffe und verdichtete sie zu 339 übergeordneten Werten. Anschließend reduzierten die Forschenden diese Vielzahl auf vier Achsen, die das Antwortverhalten beschreiben: Zurückhaltung versus Vorsicht, Wärme versus Genauigkeit, Tiefe versus Kürze sowie Offenheit versus Zielorientierung.
Die vier Achsen erklären laut Anthropic nur rund 15 Prozent der verbleibenden Variation, nachdem Aufgabe, Thema und die von Nutzenden selbst geäußerten Werte statistisch kontrolliert wurden. Verglichen wurden die drei Modelle Sonnet 4.6, Opus 4.6 und Opus 4.7. Für die Sprachanalyse ließ Anthropic 800 Gespräche in acht Sprachen übersetzen und wertete zusätzlich die 20 meistgenutzten Sprachen der Plattform aus. Die ausgewerteten Konversationen stammen ausschließlich aus echten Nutzungssituationen auf Claude.ai, nicht aus kontrollierten Testumgebungen.
Ein auf Claude selbst basierendes, datenschutzfreundliches Verfahren kennzeichnete die Werte in jedem Gespräch automatisiert. Die vier Achsen wolle Anthropic künftig auch zur Bewertung neuer Modellversionen einsetzen.
Sprache beeinflusst Wärme und Strenge der Antworten
Die Ergebnisse zeigen deutliche Unterschiede zwischen den Sprachen. Auf Hindi und Arabisch fällt das Modell besonders warm und zuvorkommend aus: Es nutzt höfliche Formulierungen, Humor und bestätigende Aussagen. Auf Englisch und Russisch dominiert dagegen Strenge – das Modell hinterfragt Annahmen häufiger, korrigiert Details und verlangt öfter Belege.
Weitere Achsen zeigen ein uneinheitliches Bild. Indonesisch tendiert zu einer zielorientierten, ausführenden Antwortweise, während Niederländisch am offensten mit Unsicherheiten und eigenen Fehlern umgeht. Arabisch fällt zugleich am zurückhaltendsten und kürzesten aus, Englisch liefert die ausführlichsten und vorsichtigsten Erklärungen.
Anthropic führt die Unterschiede unter anderem auf eine ungleiche Verteilung der Trainingsdaten je Sprache zurück, verweist aber auch auf mögliche kulturelle Unterschiede in Gesprächsnormen. Laut Business Today weist Anthropic zudem darauf hin, dass zwei Personen dieselbe Geschäftsidee in unterschiedlichen Sprachen unterschiedlich bewertet bekommen könnten, weil das Modell seine Einschätzung je nach Sprache anders rahmt. Für Unternehmen mit mehrsprachigen Teams kann das bedeuten, dass identische Anfragen je nach verwendeter Sprache spürbar andere Rückmeldungen liefern.
Modellversionen unterscheiden sich in Vorsicht und Tempo
Neben der Sprache prägt auch die Modellversion den Ton. Sonnet 4.6 antwortet warm, zurückhaltend und kurz, nutzt Humor und bestätigt Nutzeraussagen häufiger als die anderen Modelle. Die Warmth-Achse liegt bei Sonnet 4.6 rund 0,17 Standardabweichungen über dem Durchschnitt der drei Modelle.
Opus 4.7 setzt dagegen auf Vorsicht und Tiefe, mit Werten von 0,24 beziehungsweise 0,23 Standardabweichungen über dem Durchschnitt. Das Modell hinterfragt Annahmen und weist öfter auf Risiken und eigene Unsicherheiten hin. Nutzende hätten laut Decrypt bereits vor der Studie bemerkt, dass Opus 4.7 seine Antworten auffällig oft relativiert. Opus 4.6 kombiniert Genauigkeit mit einer knappen, zielgerichteten Antwortweise und bleibt näher am eigentlichen Auftrag der Anfrage.
Die Studie baut auf einer früheren Untersuchung namens „Values in the Wild“ auf, für die Anthropic bereits 308.210 Gespräche in fünf Wertekategorien einteilte. Dabei zeigte sich, dass Claude die Werte der Nutzenden in 28,2 Prozent der Fälle spiegelte, teils aber auch alternative Sichtweisen einbrachte.
Offen bleibt, wie viel der Sprachunterschiede tatsächlich auf eine ungleiche Verteilung der Trainingsdaten zurückgeht und wie viel auf tiefere kulturelle Prägungen der jeweiligen Sprachgemeinschaft. Anthropic räumt selbst ein, nicht genau zu wissen, welche Eigenschaften der Trainingsdaten die Effekte auslösen, und noch nicht entschieden zu haben, wie viel von der beobachteten Variation überhaupt wünschenswert ist. Entscheidend wird, ob das Unternehmen aus den Befunden konkrete Anpassungen ableitet, damit Nutzende unabhängig von ihrer Sprache eine vergleichbar hilfreiche und vorsichtige Antwort erhalten.
