15. June 2026
Har du merket at AI-assistenten din har begynt å svare litt mer spisst eller gjenstridig i det siste? Flere brukere og utviklere melder nå om at Anthropic sin populære modell, Claude, har utviklet en uventet "passiv-aggressiv" tone. Brukere rapporterer at modellen oftere nekter å utføre oppgaver, belærer brukeren, eller fremstår unødvendig defensiv sammenlignet med tidligere versjoner.
Dette handler sjelden om at maskinen har våknet til liv og fått en dårlig dag på kontoret. Bakgrunnen ligger i de kontinuerlige sikkerhetsoppdateringene og finjusteringene som gjøres i kulissene. For å hindre at modellene blir lurt til å generere skadelig innhold eller bryte opphavsretten, strammer leverandørene inn tøylene. Bivirkningen er at modellen blir overdrevent forsiktig, noe som i praksis oppleves som om den har blitt en kranglefant.
For selskaper som har integrert Claude direkte i sine kundevendte tjenester – som automatiserte support-chatter eller AI-assistenter for kunder – utgjør dette en betydelig risiko. Hvis AI-en din plutselig begynner å svare kundene dine med en belærende tone, kan det raskt skade merkevaren. Dette understreker hvor viktig det er å ikke bare stole blindt på rå-API-en fra leverandøren, men å bygge inn egne sikkerhetsmarginer, faste føringer og grundig monitorering for å fange opp slike adferdsendringer før kundene dine gjør det.
Du kan lese mer om denne utviklingen hos Bram Cohen og se diskusjonen om Anthropics oppdateringer hos Very Sane.
Det har lenge vært en utbredt oppfatning at man kan låse opp skjulte superkrefter i store språkmodeller bare man formulerer "prompten" (instruksjonen) på en genial nok måte. En fersk analyse slår imidlertid fast det åpenbare, men ofte glemte: AI er fundamentalt sett bare programvare. En modell kan ikke instrueres til å overskride sine egne hardkodede, arkitektoniske begrensninger.
Bølgen av såkalte "prompt engineers" har skapt et inntrykk av at språkmodeller har en form for latent, magisk intelligens som bare må lokkes ut med de riktige ordene. Sannheten er at en prompt kun fungerer som en veiviser innenfor det landskapet modellen allerede er trent på. Hvis modellen mangler logisk resonneringsevne på et bestemt område, vil ingen mengde med "tenk steg for steg"-instruksjoner magisk tilføre den denne logikken.
For IT-direktører og utviklingsteam betyr dette at man må slutte å jakte på den perfekte, kilometerlange prompten for å løse komplekse oppgaver. I stedet bør ressursene rettes mot mer robuste arkitekturer som RAG (Retrieval-Augmented Generation), der modellen kobles direkte til bedriftens egne databaser, eller finjustering av mindre, spesialiserte modeller. Å tro at en dårlig modell blir god bare instruksjonen er lang nok, er som å tro at en juniorutvikler blir senior bare du snakker saktere og tydeligere.
Les hele analysen og de teknologiske realitetene hos The Register.