Bagaimana Bahasa Membentuk AI: Studi Anthropic Mengungkap Pergeseran Kepribadian Claude

Anthropic telah merilis studi terobosan yang mengungkapkan bahwa "kepribadian" dan ekspresi nilai Claude berubah secara signifikan tergantung pada bahasa yang digunakan. Dari kehangatan dalam bahasa Hindi hingga ketegasan teknis dalam bahasa Rusia, penelitian ini menyoroti bagaimana nuansa linguistik sangat memengaruhi perilaku AI.

Memetakan Nilai AI Melalui Empat Dimensi

Untuk memahami nuansa interaksi AI, Anthropic menganalisis 309.815 percakapan anonim dari Mei 2026. Dengan memproses ribuan istilah individual, tim peneliti menyarikan nilai-nilai manusia yang kompleks menjadi 339 konsep tingkat tinggi, yang kemudian dikurangi menjadi empat poros perilaku inti:

  • Kepatuhan dan Kehati-hatian: Seberapa besar model menyetujui pengguna dibandingkan seberapa banyak ia memberikan jawaban yang berhati-hati (hedging).
  • Kehangatan dan Ketegasan: Keseimbangan antara ungkapan yang empatik dan sopan dengan pengawasan kritis berbasis bukti.
  • Kedalaman dan Keringkasan: Apakah model memberikan detail yang mendalam atau jawaban yang ringkas dan langsung.
  • Keterbukaan dan Eksekusi: Ketegangan antara bersikap kritis secara terbuka dan fokus pada penyelesaian tugas.

Metodologi ini memungkinkan peneliti untuk memisahkan perilaku linguistik dan perilaku spesifik model dari subjek percakapan yang sebenarnya, memberikan pandangan yang lebih jelas tentang "pola normatif" yang melekat pada LLM.

Profil Perilaku yang Berbeda: Sonnet vs. Opus

Studi ini mengonfirmasi bahwa model yang berbeda dalam keluarga Claude menunjukkan perbedaan perilaku yang terukur. Profil ini sering kali selaras dengan persepsi pengguna, menciptakan pengalaman bertingkat berdasarkan versi model spesifik yang digunakan:

  • Sonnet 4.6: Utamanya dicirikan oleh kehangatan. Model ini cenderung menggunakan humor, mengonfirmasi ide pengguna, dan menawarkan kenyamanan tanpa menghakimi.
  • Opus 4.6: Berfokus pada efisiensi tugas. Model ini cenderung langsung dan menghindari elaborasi yang tidak perlu.
  • Opus 4.7: Sang "pemikir kritis." Model ini lebih cenderung mempertanyakan asumsi, menandai kesalahannya sendiri, dan memperingatkan tentang risiko bahkan ketika tidak diminta secara eksplisit.

Kesenjangan Bahasa: Dari Kehangatan Hindi hingga Ketegasan Rusia

Mungkin temuan yang paling mencolok adalah bagaimana bahasa bertindak sebagai lensa yang membentuk kembali output Claude. Dua pengguna yang mengajukan pertanyaan yang sama dalam bahasa yang berbeda dapat menerima jenis umpan balik yang secara fundamental berbeda.

Penelitian menemukan bahwa Hindi dan Arab memicu tingkat kehangatan tertinggi, yang ditandai dengan kesopanan, keceriaan, dan afirmasi. Sebaliknya, dalam bahasa Inggris dan Rusia, Claude mengadopsi sikap yang jauh lebih tegas—mempertanyakan asumsi, mengoreksi detail, dan menuntut bukti.

Pola linguistik penting lainnya meliputi:

  • Arab: Menunjukkan tingkat kepatuhan tertinggi.
  • Inggris: Menunjukkan tingkat kehati-hatian dan hedging tertinggi.
  • Belanda: Cenderung memiliki keterbukaan dan kejujuran yang tinggi.
  • Indonesia: Sangat condong ke arah eksekusi dan respons yang berorientasi pada hasil.

Mengapa Ini Penting bagi Industri AI

Temuan ini menimbulkan pertanyaan kritis mengenai komposisi data pelatihan dan potensi bias linguistik yang tidak disengaja. Anthropic menunjukkan bahwa pergeseran ini mungkin berasal dari jumlah data pelatihan yang tidak merata atau norma percakapan linguistik yang berbeda dalam dataset tersebut.

Bagi pengembang dan pendiri yang membangun aplikasi global, ini adalah kesadaran yang vital: asisten AI mungkin terasa seperti pelatih yang suportif di satu pasar dan auditor yang ketat di pasar lain. Seiring dengan semakin terintegrasinya LLM ke dalam alur kerja global, memastikan bahwa pergeseran linguistik ini adalah adaptasi yang disengaja dan bukan bias sistemik tetap menjadi tantangan utama bagi keamanan dan penyelarasan (alignment) AI.

Poin-Poin Penting

  • Relativitas Linguistik dalam AI: Respons Claude bergeser secara signifikan berdasarkan bahasa, menunjukkan kehangatan tinggi dalam bahasa Hindi dan ketegasan tinggi dalam bahasa Rusia.
  • Tingkatan Model: Model-model Anthropic menunjukkan persona yang berbeda, dengan Sonnet 4.6 yang lebih empatik dan Opus 4.7 yang lebih kritis dan berhati-hati.
  • Tantangan Data Pelatihan: Perbedaan perilaku AI di berbagai bahasa kemungkinan berasal dari distribusi data pelatihan yang tidak merata dan norma percakapan budaya yang bervariasi.