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 . 각 축은 서로 반대되는 두 성향 사이의 스펙트럼으로 구성됩니다 . 이 네 축은 대화의 과제(task), 주제, 사용자의 가치관을 통제한 후에도 나타나는 Claude의 표현 가치관 변동 중 약 15%를 설명합니다 .

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

각 모델 버전별 가치관 프로필

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

• Sonnet 4.6: 순응, 온정, 간결, 실행 쪽으로 기울었습니다. 사용자의 아이디어를 검증하고 긍정적으로 반응하며, 요점을 직접적으로 전달하고 불필요한 설명 없이 작업을 실행하는 스타일입니다 . '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 .
• 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 . 'Claude가 내 계획의 문제점을 지적해줬다'는 사용자 경험은 Opus 4.7의 전형적인 모습입니다 .

언어에 따른 가장 큰 차이: 온정 vs 엄밀

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

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

추가로 보고된 언어별 패턴은 다음과 같습니다 . 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 .

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 .
• 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 .

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 .

• 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 .
• 네 가지 축이 전체 변동의 15%만을 설명한다는 것은, 행동 변동의 85%가 여전히 설명되지 않은 요인들에 의해 발생한다는 뜻입니다 .
• 특정 훈련 결정(예: 캐릭터 훈련 방식)과 가치관 변화 사이의 연관성을 규명하는 것은 향후 과제로 남겨두었습니다 .

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 . 각 축은 서로 반대되는 두 성향 사이의 스펙트럼으로 구성됩니다 . 이 네 축은 대화의 과제(task), 주제, 사용자의 가치관을 통제한 후에도 나타나는 Claude의 표현 가치관 변동 중 약 15%를 설명합니다 .

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

각 모델 버전별 가치관 프로필

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

• Sonnet 4.6: 순응, 온정, 간결, 실행 쪽으로 기울었습니다. 사용자의 아이디어를 검증하고 긍정적으로 반응하며, 요점을 직접적으로 전달하고 불필요한 설명 없이 작업을 실행하는 스타일입니다 . '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 .
• 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 . 'Claude가 내 계획의 문제점을 지적해줬다'는 사용자 경험은 Opus 4.7의 전형적인 모습입니다 .

언어에 따른 가장 큰 차이: 온정 vs 엄밀

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

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

추가로 보고된 언어별 패턴은 다음과 같습니다 . 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 .

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 .
• 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 .

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 .

• 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 .
• 네 가지 축이 전체 변동의 15%만을 설명한다는 것은, 행동 변동의 85%가 여전히 설명되지 않은 요인들에 의해 발생한다는 뜻입니다 .
• 특정 훈련 결정(예: 캐릭터 훈련 방식)과 가치관 변화 사이의 연관성을 규명하는 것은 향후 과제로 남겨두었습니다 .