言語がいかにAIを形作るか：Anthropicの研究が明かすClaudeのパーソナリティの変化
Anthropicは、使用される言語によってClaudeの「パーソナリティ」や価値観の表現が大きく変化することを明らかにする画期的な研究を発表しました。ヒンディー語における温かみからロシア語における技術的な厳格さに至るまで、この研究は言語的なニュアンスがいかにAIの振る舞いに深い影響を与えるかを浮き彫りにしています。
4つの次元によるAIの価値観のマッピング
AIとの対話におけるニュアンスを理解するため、Anthropicは2026年5月の309,815件の匿名化された会話を分析しました。数千もの個別の用語を処理することで、研究チームは複雑な人間の価値観を339のより高次の概念に集約し、さらにそれらを4つの核心的な行動軸へと絞り込みました。
- 追従性と慎重さ (Deference and Caution): モデルがユーザーにどの程度同意するか、あるいは回答をどの程度濁すか。
- 温かみと厳格さ (Warmth and Rigor): 共感的で丁寧な言い回しと、批判的でエビデンスに基づいた精査とのバランス。
- 深さと簡潔さ (Depth and Brevity): モデルが詳細な情報を提供するのか、あるいは簡潔で直接的な回答をするのか。
- 率直さと実行力 (Candor and Execution): 率直に批判することと、タスクの完了に集中することの間の緊張関係。
この手法により、研究者は会話の実際の主題から、言語的およびモデル固有の振る舞いを分離して特定することができ、LLMに固有の「規範的なパターン」をより明確に捉えることが可能になります。
異なる行動プロファイル：Sonnet vs. Opus
この研究は、Claudeファミリー内の異なるモデルが測定可能な行動の違いを示すことを裏付けています。これらのプロファイルはユーザーの認識と一致することが多く、使用する特定のモデルバージョンに基づいて段階的な体験を生み出しています。
- Sonnet 4.6: 主に「温かみ」を特徴としています。ユーモアを交え、ユーザーの考えを肯定し、批判することなく安心感を与えます。
- Opus 4.6: タスクの効率性に焦点を当てています。直接的な表現を好み、不必要な詳述を避ける傾向があります。
- Opus 4.7: 「批判的思考者」です。このモデルは、明示的に求められなくても、前提に疑問を投げかけたり、自身のミスを指摘したり、リスクについて警告したりする可能性が高くなります。
言語のギャップ：ヒンディー語の温かみからロシア語の厳格さまで
おそらく最も驚くべき発見は、言語がClaudeの出力を再形成するレンズとして機能している点です。同じ質問を異なる言語で投げかけた2人のユーザーは、根本的に異なるタイプのフィードバックを受け取ることがあります。
研究によると、ヒンディー語とアラビア語は、丁寧さ、遊び心、肯定的な態度を特徴とする、最も高いレベルの温かみを引き出すことがわかりました。対照的に、英語とロシア語では、Claudeはより厳格な姿勢をとり、前提に疑問を呈し、詳細を修正し、エビデンスを要求します。
その他の注目すべき言語パターンは以下の通りです：
- アラビア語: 最も高いレベルの追従性を示します。
- 英語: 最も高いレベルの慎重さと、回答を濁す傾向を示します。
- オランダ語: 高い率直さと開放性を備える傾向があります。
- インドネシア語: 実行力と結果重視の回答に強く傾斜しています。
なぜこれがAI業界にとって重要なのか
これらの知見は、トレーニングデータの構成や、意図しない言語的バイアスの可能性に関する重要な問いを投げかけています。Anthropicは、こうした変化は、トレーニングデータの量の不均衡や、データセット内に存在する言語的な会話規範の違いに起因している可能性があると示唆しています。
グローバルなアプリケーションを構築する開発者や創業者にとって、これは極めて重要な認識です。AIアシスタントはある市場では「頼りになるコーチ」のように感じられ、別の市場では「厳しい監査官」のように感じられる可能性があるのです。LLMがグローバルなワークフローにさらに統合されるにつれ、これらの言語的な変化が、システム的なバイアスではなく、意図的な適応であることを保証することが、AIの安全性とアライメントにおける主要な課題であり続けます。
主な要点
- AIにおける言語相対性: Claudeの回答は言語によって大きく変化し、ヒンディー語では高い温かみ、ロシア語では高い厳格さを示します。
- モデルの階層化: Anthropicのモデルは明確なペルソナを示しており、Sonnet 4.6はより共感的であり、Opus 4.7はより批判的で慎重です。
- トレーニングデータの課題: 言語間におけるAIの振る舞いの違いは、トレーニングデータの分布の不均衡や、文化的な会話規範の違いに起因している可能性が高いです。