Wie sich Claves Werte je nach Modellversion und Sprache verschieben

Am 13. Juli 2026 veröffentlichte Anthropic eine groß angelegte Studie, die 309.815 reale, anonymisierte Claude.ai-Chats auswertete, um zu verstehen, wie die vom KI-Assistenten ausgedrückten Werte je nach Modellversion und Sprache der Nutzer variieren . Das Ergebnis: Claves Persönlichkeit – gemessen an den Werten, die es in echten Gesprächen zeigt – verschiebt sich auf beständige, messbare Weise, je nachdem, welches Modell man verwendet und in welcher Sprache man schreibt .

Die vier Verhaltensachsen, die Claves Wertprofil definieren

Die Forscher von Anthropic identifizierten über 3.300 verschiedene Werte in Claves Antworten und verdichteten sie mithilfe der Dimensionsreduktion auf vier Hauptachsen. Jede Achse repräsentiert ein Spektrum zwischen zwei gegensätzlichen Tendenzen . Zusammen erklären diese vier Achsen etwa 15 % der gesamten Variation von Claves ausgedrückten Werten, nachdem Faktoren wie Aufgabe, Thema und Nutzerwünsche herausgerechnet wurden .

• Nachgiebigkeit vs. Vorsicht (Deference vs. Caution): Tendiert Claude eher dazu, die Wünsche des Nutzers zu erfüllen, oder wägt es gegen mögliche Risiken und Schäden ab?
• Wärme vs. Strenge (Warmth vs. Rigor): Legt Claude Wert auf eine positive, fürsorgliche Haltung gegenüber dem Nutzer oder eher auf Genauigkeit und Präzision?
• Tiefe vs. Kürze (Depth vs. Brevity): Neigt Claude zu ausführlichen Erklärungen oder beschränkt es sich auf das Nötigste?
• Offenheit vs. Ausführung (Candor vs. Execution): Stellt Claude seine eigene Unsicherheit in den Vordergrund oder liefert es eine möglichst elegante, selbstbewusste Antwort?

Wie jede Modellversion ausgerichtet ist: Sonnet 4.6, Opus 4.6 und Opus 4.7

Jede Modellversion zeigt ein eigenes Wertprofil, das die subjektiven Nutzererfahrungen mit Ton und Verhalten widerspiegelt .

• Sonnet 4.6 tendiert zu Nachgiebigkeit, Wärme, Kürze und Ausführung. Es ist entgegenkommender, emotional wärmer, prägnanter und liefert geschliffene, bestätigende Antworten . In der Praxis neigt Sonnet 4.6 dazu, die Ideen der Nutzer zu validieren, fokussiert zu bleiben und Aufgaben ohne unnötige Kommentare zu erledigen .
• Opus 4.6 tendiert zu Nachgiebigkeit, Strenge, Kürze und Ausführung – eine Mischung aus Entgegenkommen und Präzision, dennoch kurz und ausführungsorientiert . Es findet eine goldene Mitte zwischen der Wärme von Sonnet und der Vorsicht von Opus 4.7, priorisiert Korrektheit, bleibt aber vergleichsweise zustimmend .
• Opus 4.7 tendiert zu Vorsicht, Strenge, Tiefe und Offenheit. Es ist skeptischer, stellt Annahmen infrage, weist ungefragt auf Risiken hin, erklärt seine Überlegungen ausführlich und räumt eher eigene Grenzen ein . Nutzer beschreiben Opus 4.7 als das Modell, das einen Plan hinterfragt und auf Probleme hinweist, die man nicht bedacht hatte .

Die größte sprachabhängige Abweichung: Wärme vs. Strenge

Die Achse Wärme vs. Strenge zeigte die größte Variation zwischen den Sprachen . Claudes Antworten unterschieden sich in dieser Dimension stärker als in jeder der anderen drei Achsen .

• Meiste Wärme (nachgiebig, kurz, ausführungsorientiert): Claude ist am wärmsten auf Hindi sowie stark warm und zustimmend auf Arabisch .
• Meiste Strenge (vorsichtig, tiefgründig): Claude ist am strengsten auf Englisch und Russisch und legt Wert auf Genauigkeit, Belege und Vorsicht .

Weitere gemeldete sprachspezifische Muster: Auf Niederländisch ist Claude offener (tendiert zu Offenheit); auf Indonesisch ist es ausführungsorientierter (erledigt die Aufgabe direkt) . Auf Japanisch zeigte Claude im Vergleich zu anderen Sprachen eine relativ geringe Abweichung auf diesen gemessenen Achsen .

Praktische Konsequenzen für Nutzer

Die Forschung bestätigt: Nutzer, die das Gefühl haben, jedes Mal einen anderen „Charakter“ vor sich zu haben, liegen richtig.

• Wahl des Modells nach Aufgabenart: Wer eine schnelle, ermutigende Antwort braucht, ist mit Sonnet 4.6 gut beraten. Wer kritische Rückmeldung, Risikoanalyse oder tiefgehende Argumente sucht, sollte zu Opus 4.7 greifen .
• Sprache beeinflusst die Antwort: Dieselbe Frage auf Hindi oder Arabisch führt tendenziell zu wärmeren, zustimmenderen Antworten, während sie auf Englisch oder Russisch vorsichtiger und belegorientierter ausfällt .
• Diese Verschiebungen sind kein Zufall, sondern folgen einem konsistenten Muster. Die KI passt ihren Ton an – und das ist kein Einbildung, sondern messbare Realität .

Offene Fragen: Warum passiert das?

Anthropic betont, dass die Studie ein Anfang ist, um die Gründe für diese Verschiebungen zu verstehen, nicht die abschließende Antwort .

• Die Studie klärt nicht, ob die sprachabhängigen Unterschiede auf die Verteilung der Trainingsdaten in den verschiedenen Sprachen zurückgehen, auf Entscheidungen beim Feintuning oder auf den im Trainingskorpus verankerten kulturellen Kontext .
• Die vier Achsen erklären nur 15 % der Gesamtvariation – 85 % des Verhaltens bleiben durch diese Dimensionen unerklärt .
• Anthropic stellt klar, dass die Verbindung zwischen spezifischen Trainingsentscheidungen und den beobachteten Wertverschiebungen ein Ziel für zukünftige Arbeiten ist – die vorliegende Studie leistet dies noch nicht .