Claude의 답변 스타일, 모델 버전과 언어에 따라 달라진다

2026년 7월 13일, Anthropic이 발표한 대규모 연구에 따르면, AI 모델 Claude의 '성격'은 어떤 모델 버전을 사용하느냐, 어떤 언어로 대화하느냐에 따라 측정 가능한 수준으로 체계적으로 달라집니다 ^FDA. 이 연구는 30만 9815건의 실제 Claude.ai 비식별화 대화(conversations)를 분석하여 얻은 결과로, 많은 사용자가 'Claude가 매일 다르게 반응하는 것 같다'고 느끼는 현상이 실제 데이터로 확인된 셈입니다 ^DA.

Claude의 가치관을 결정하는 4가지 행동 축

Anthropic 연구진은 Claude의 출력에서 3300개 이상의 개별 가치관(values)을 식별한 뒤, 차원 축소(dimensionality reduction) 기법을 통해 이들을 4가지 핵심 행동 축으로 압축했습니다 ^BEA. 각 축은 서로 반대되는 두 성향 사이의 스펙트럼으로 구성됩니다 ^A. 이 네 축은 대화의 과제(task), 주제, 사용자의 가치관을 통제한 후에도 나타나는 Claude의 표현 가치관 변동 중 약 15%를 설명합니다 ^EGA.

• 순응(Deference) vs 신중(Caution): 사용자가 원하는 방향으로 수용적으로 반응하는 경향이 강한지, 아니면 잠재적 위험이나 해악을 방지하기 위해 신중하게 대응하는 경향이 강한지를 나타냅니다 ^A.
• 온정(Warmth) vs 엄밀(Rigor): 사용자에 대한 긍정적인 감정과 배려를 표현하는 쪽으로 기우는지, 아니면 정확성과 정밀성을 강조하는 쪽으로 기우는지를 나타냅니다 ^A.
• 심층(Depth) vs 간결(Brevity): 깊이 있는 설명과 맥락을 제공하는 쪽으로 기우는지, 아니면 요청된 것만 간결하게 처리하는 쪽으로 기우는지를 나타냅니다 ^A.
• 솔직(Candor) vs 실행(Execution): 자신의 불확실성이나 한계를 솔직하게 드러내는 쪽으로 기우는지, 아니면 더 매끄럽고 자신감 있는 답변을 생성하는 쪽으로 기우는지를 나타냅니다 ^A.

각 모델 버전별 가치관 프로필

각 Claude 모델은 사용자가 주관적으로 느끼는 톤(tone)과 행동 방식을 그대로 반영하는 뚜렷한 가치관 프로필을 보여줍니다 ^A.

• Sonnet 4.6: 순응, 온정, 간결, 실행 쪽으로 기울었습니다. 사용자의 아이디어를 검증하고 긍정적으로 반응하며, 요점을 직접적으로 전달하고 불필요한 설명 없이 작업을 실행하는 스타일입니다 ^FEAR. 'AI가 내 말을 잘 들어주는 것 같다'고 느꼈다면, 아마 Sonnet 4.6을 사용하고 있었을 가능성이 높습니다.
• Opus 4.6: 순응, 엄밀, 간결, 실행 쪽으로 기울었습니다. Sonnet의 온정과 Opus 4.7의 신중함 사이의 중간 지점에 위치하며, 정확성을 우선시하면서도 사용자의 의견에 비교적 수용적인 태도를 보입니다 ^AR.
• Opus 4.7: 신중, 엄밀, 심층, 솔직 쪽으로 강하게 기울었습니다. 가정에 의문을 제기하고, 생각하지 못한 위험 요소를 능동적으로 지적하며, 추론 과정을 깊이 있게 설명하고 자신의 한계를 인정하는 데 주저함이 없습니다 ^FDAR. 'Claude가 내 계획의 문제점을 지적해줬다'는 사용자 경험은 Opus 4.7의 전형적인 모습입니다 ^DR.

언어에 따른 가장 큰 차이: 온정 vs 엄밀

4가지 축 중 온정(Warmth) vs 엄밀(Rigor) 축에서 언어 간 가장 큰 변동폭이 관찰되었습니다 ^EA.

• 가장 온정적인 언어(순응, 간결, 실행 중심): Claude는 힌디어로 대화할 때 가장 온정적이고 따뜻한 태도를 보였으며, 아랍어에서도 매우 온정적이고 순응적인 경향을 나타냈습니다 ^FGA.
• 가장 엄밀한 언어(신중, 심층 중심): Claude는 영어와 러시아어에서 가장 엄밀하고 신중한 태도를 보였으며, 정확성과 증거 제시를 강조했습니다 ^FGA.

추가로 보고된 언어별 패턴은 다음과 같습니다 ^FG. 네덜란드어에서는 Claude가 더 솔직한 경향(Candor)을, 인도네시아어에서는 작업을 직접적으로 처리하는 실행 중심(Execution) 경향을 보였습니다. 일본어의 경우, 다른 언어에 비해 상대적으로 이러한 축에서의 편향(bias)이 덜한 것으로 나타났습니다 ^GN.

실용적 함의

이번 연구는 단순한 흥미로운 사실을 넘어, AI 사용자에게 명확한 실용적 지침을 제공합니다.

• 모델 선택이 중요하다: 빠르고 격려하는 답변이 필요하다면 Sonnet 4.6이 적합합니다. 반면, 비판적 피드백이나 위험 분석, 깊이 있는 추론이 필요하다면 Opus 4.7을 선택하는 것이 전략적으로 현명합니다 ^D.
• 언어가 결과를 바꾼다: 같은 질문이라도 어떤 언어로 하느냐에 따라 Claude의 반응 톤과 깊이가 달라집니다. 사용자가 느끼는 '뭔가 오늘 Claude가 다르다'는 감각은 단순한 기분 탓이 아니며, 이 연구는 그 체계적인 패턴을 처음으로 대규모 데이터로 입증했습니다 ^D.

아직 풀리지 않은 질문: 왜 이런 차이가 발생할까?

Anthropic은 이 연구가 '왜(why)' 가치관이 변하는지에 대한 답을 제시하기보다는, 그 질문을 던지기 위한 출발점이라고 명확히 밝히고 있습니다 ^A.

• 연구는 언어별 변동이 학습 데이터 분포의 차이, 행동 미세 조정(behavioral fine-tuning) 결정, 또는 학습 코퍼스(corpus)에 내재된 문화적 맥락 중 무엇에서 비롯되는지 규명하지 못했습니다 ^A.
• 네 가지 축이 전체 변동의 15%만을 설명한다는 것은, 행동 변동의 85%가 여전히 설명되지 않은 요인들에 의해 발생한다는 뜻입니다 ^AEG.
• 특정 훈련 결정(예: 캐릭터 훈련 방식)과 가치관 변화 사이의 연관성을 규명하는 것은 향후 과제로 남겨두었습니다 ^A.