La empresa advierte que todavía no sabe qué factores del entrenamiento explican estas variaciones ni en qué medida son deseables para las distintas comunidades lingüísticas.
La forma en que un asistente de inteligencia artificial responde puede cambiar según el modelo utilizado y el idioma de la conversación. Esa es la conclusión de una investigación publicada por Anthropic, que analizó 309.815 conversaciones de Claude.ai realizadas durante dos semanas de mayo de 2026.
El estudio compara las respuestas de Sonnet 4.6, Opus 4.6 y Opus 4.7 en los 20 idiomas más utilizados en la plataforma. Anthropic examinó conversaciones donde los usuarios planteaban tareas subjetivas, como pedir consejos o solicitar una evaluación, con el objetivo de identificar los valores que se reflejan en las respuestas del sistema.
La empresa aclara que, al hablar de valores de Claude, se refiere a consideraciones normativas expresadas o demostradas en sus respuestas, como la honestidad o la cautela. El estudio no sostiene que el modelo posea valores intrínsecos, conciencia o intenciones propias.
Cuatro ejes para analizar las respuestas
Anthropic partió de 3.307 valores identificados en un trabajo anterior y los agrupó manualmente en 339 categorías de mayor nivel. A continuación, usó una técnica de reducción de dimensionalidad para resumir esa información en cuatro ejes que describen patrones recurrentes en las respuestas.
Según la investigación, cuatro ejes principales capturan 15% de la variación en los valores expresados por Claude, luego de controlar por la tarea, el tema y los valores manifestados por el usuario en cada conversación.
Deferencia frente a cautela: mide si Claude tiende a acomodar lo que una persona desea o a resguardarse frente a posibles riesgos y daños.
Calidez frente a rigor: mide si Claude tiende a expresar positividad y preocupación por la persona, o a enfatizar la exactitud y la precisión.
Profundidad frente a brevedad: mide si Claude tiende a explicar en detalle o a limitarse a hacer únicamente lo solicitado.
Franqueza frente a ejecución: mide si Claude tiende a poner en primer plano sus propias incertidumbres o a entregar una respuesta más pulida y segura.
Los extremos de cada eje no son mutuamente excluyentes. Una respuesta puede ser cálida y rigurosa a la vez, por ejemplo. Sin embargo, Anthropic observó que, en la práctica, una mayor presencia de valores de un extremo suele coincidir con una menor presencia de valores asociados al otro.
Para el análisis, la compañía utilizó una herramienta propia de procesamiento con protección de privacidad. Esta clasificó los 339 valores como presentes o ausentes en cada conversación, además de identificar los valores expresados por el usuario, la tarea y el tema tratado.
Diferencias entre las versiones de Claude
La investigación detectó diferencias estructuradas entre los tres modelos analizados, aunque Anthropic advierte que son pequeñas en comparación con la variación existente entre conversaciones individuales.
Sonnet 4.6 se inclinó relativamente más hacia la deferencia, la calidez y la brevedad. Anthropic asocia ese perfil con respuestas que afirman las ideas del usuario, incorporan humor o un tono lúdico y entregan contención sin emitir juicios.
Opus 4.7, en cambio, se inclinó más hacia el rigor, la cautela y la profundidad. De acuerdo con el estudio, este modelo tiende con mayor frecuencia a cuestionar supuestos, corregir detalles, pedir evidencia y advertir riesgos aun cuando la persona no los haya planteado expresamente.
En el eje de franqueza frente a ejecución, Opus 4.7 mostró una mayor tendencia a reconocer sus limitaciones, mientras que Opus 4.6 se acercó más a la ejecución, es decir, a mantenerse dentro del alcance de la petición y avanzar directamente en la tarea solicitada.
Anthropic sostiene que estos perfiles coinciden con percepciones previas sobre sus modelos. No obstante, la empresa presenta esa coincidencia como una señal de que el método podría estar registrando diferencias de comportamiento, no como una prueba definitiva de las causas que las producen.
El idioma también cambia la interacción
El análisis de los 20 idiomas más frecuentes en Claude.ai encontró que la variación es mayor en los ejes de calidez frente a rigor y de franqueza frente a ejecución. Los ejes de deferencia frente a cautela y de profundidad frente a brevedad fueron comparativamente más estables.
Anthropic observó la mayor inclinación hacia la calidez en hindi y árabe, mientras que el inglés y el ruso se acercaron más al rigor. En estos últimos idiomas, la empresa asocia el comportamiento con una mayor disposición a cuestionar supuestos, corregir detalles y solicitar evidencia.
El árabe mostró la mayor inclinación hacia la deferencia y la brevedad, mientras que el inglés se acercó más a la cautela y la profundidad. El neerlandés registró una mayor inclinación a la franqueza, asociada al reconocimiento de errores, y el indonesio a la ejecución.
La investigación plantea que dos personas que formularan una solicitud comparable en idiomas distintos podrían recibir una retroalimentación diferente no solo por las palabras empleadas, sino también por la forma en que Claude enmarca la respuesta. Anthropic usa como ejemplo una evaluación de un plan de negocios, que podría presentarse con más calidez en un idioma y con mayor rigor crítico en otro.
Datos de entrenamiento y preguntas abiertas
Anthropic no identifica una causa única para estas diferencias. La empresa plantea como hipótesis que los datos de entrenamiento no tienen la misma cantidad ni la misma composición en todos los idiomas. Algunos pueden estar más representados en textos profesionales, por ejemplo, y reflejar patrones de comunicación distintos.
La compañía también reconoce que no sabe en qué medida esta variación es deseable. Las normas conversacionales cambian entre idiomas, pero también podría existir una diferencia en qué tan cerca está el comportamiento del modelo de los objetivos definidos por Anthropic para cada comunidad lingüística.
El estudio tampoco mide todavía el efecto de estas diferencias sobre el bienestar, la confianza o la calidad de las decisiones de los usuarios. Esa es una limitación relevante: detectar una variación en las respuestas no permite concluir, por sí solo, si esa variación beneficia o perjudica a quienes interactúan con el sistema.
Anthropic plantea que el perfilamiento de valores podría incorporarse a las evaluaciones previas al lanzamiento y al monitoreo posterior de los modelos. El punto crítico será establecer qué variaciones obedecen a decisiones de entrenamiento, cuáles responden a un contexto lingüístico razonable y cuáles requieren corrección.
Con información de Anthropic.
📬 Newsletter gratuito
