Anthropicは2026年7月13日、AIアシスタント「Claude」が会話の中で表現する価値観を定量的に分析する研究を公開しました。過去の研究で特定した3,000種類超の価値観を「配慮か慎重さか」「温かさか厳密さか」「深さか簡潔さか」「率直さか実行力か」という4つの軸に圧縮し、約31万件の実会話を対象に、モデル間・言語間でプロファイルがどう異なるかを測定しています。

研究の背景

正解が一つに定まらない質問(転職すべきか、友人との対立をどう扱うかなど)にClaudeが答えるとき、その応答には何らかの価値観が反映されます。Anthropicが目指す価値観は「Claudeの憲法(constitution)」に高いレベルで記述されていますが、日々の膨大な会話で現れうるすべての価値観を文書で予期することはできません。同社は過去の研究「Values in the Wild」で70万件の匿名化された会話を分析し、Claudeの応答から3,000種類超の価値観を特定しましたが、これほど多くの価値観をそのまま比較するのは困難でした。今回の研究は、それらを少数の軸に圧縮することで分析を扱いやすくするものです。

手法: 約31万件の会話から4つの軸を抽出

まず過去の研究で特定した3,307種類の価値観を、意味が近いものを手作業でまとめて339の上位価値観に集約。次にプライバシー保護つきの分析ツールで、ユーザーが主観的なタスクを依頼した309,815件のClaude.ai会話をサンプリングしました(2026年5月の2週間分)。サンプルは3つのモデル(Sonnet 4.6、Opus 4.6、Opus 4.7)とClaude.aiで利用の多い20言語から均等に抽出され、モデルと言語の組み合わせごとに約5,000会話が含まれます。会話ごとに339の価値観の有無をラベル付けし、一緒に現れやすい価値観をまとめる次元圧縮によって4つの軸を抽出しました。

4つの軸は、会話のタスク・話題・ユーザー側が表明した価値観の影響を統制した上で、価値観の変動の15%を捉えます。なお、8割以上の会話に現れる「有用性」「明確さ」「指示に従うこと」など18の普遍的な価値観は、変動の分析に寄与しないため除外されています。

4つの軸

• ▸配慮(Deference) vs 慎重さ(Caution) — 相手の望みに応えることと、リスクや害への警戒のどちらに傾くか
• ▸温かさ(Warmth) vs 厳密さ(Rigor) — 前向きさや気遣いの表現と、正確さ・精密さの重視のどちらに傾くか
• ▸深さ(Depth) vs 簡潔さ(Brevity) — 掘り下げた説明と、求められたことだけを行うことのどちらに傾くか
• ▸率直さ(Candor) vs 実行(Execution) — 自身の不確かさを前面に出すことと、洗練された自信ある回答の産出のどちらに傾くか

モデルごとに異なる価値観プロファイル

Sonnet 4.6は配慮・温かさ・簡潔さに傾き、ユーザーのアイデアや成果物を肯定する、口調やフォーマルさを相手に合わせる、ユーモアや遊び心を使う、判断を挟まず寄り添う、といった行動が特徴的でした。Opus 4.6は厳密さ・配慮・簡潔さに傾き、要点に直行し、依頼の範囲内にとどまる傾向があります。Opus 4.7は慎重さと深さへの傾きが最も強く、誤った前提への反論、求められていないリスクの指摘、率直な批評、推論の説明、自身の誤りや限界の認知、次のステップの提案が特徴として挙げられています。

これらのプロファイルは、各モデルに対する社内外の評判と一致しました。Claude.aiのユーザーはOpus 4.7が他のモデルより回答に留保を付けやすいとコメントしており、Anthropicのスタッフは Opus 4.7を透明性・誠実さ・謙虚さが相対的に高い、Opus 4.6を簡潔と評しています。Sonnet 4.6は公開時のブログでも温かく誠実で向社会的と紹介されていました。軸がこうした印象を再現できたことは、この手法がモデルの実際の振る舞いを捉えていることを示唆するとしています。

言語によっても表現される価値観が変わる

言語間の変動は「温かさ vs 厳密さ」と「率直さ vs 実行」の軸で最も大きく、「配慮 vs 慎重さ」「深さ vs 簡潔さ」の軸では比較的安定していました。具体的には、配慮はアラビア語で、慎重さは英語で最も強く表れます。温かさはヒンディー語とアラビア語で最も強く、丁寧な言葉遣い・ユーモア・相手の考えや成果物の肯定が特徴です。厳密さは英語とロシア語で最も強く、前提への疑問、細部の訂正、根拠の要求が特徴とされます。深さは英語、簡潔さはアラビア語、率直さはオランダ語(自身の誤りを認める)、実行はインドネシア語で最も強く表れました。

同じ依頼でも言語によって表現される価値観が変わるため、たとえば同じ事業計画へのフィードバックをヒンディー語とロシア語で求めた2人は、Claudeの評価の伝え方の違いから、計画の質について異なる印象を持ち帰る可能性があると例示されています。

今後の課題と展望

こうした差がどの学習データの性質に由来するかはまだ分かっていません。Anthropicは、言語ごとに学習データの量が偏っていること、専門的な文章の比率などデータの構成が言語で異なることを可能性として挙げています。また、言語ごとの会話規範に沿った望ましい変動なのか、特定の言語コミュニティへのサービスの質の差なのかも未解明としています。

今後の方向性としては、価値観の差を学習データや訓練段階まで遡って特定すること、ユーザーの幸福感やClaudeへの信頼などへの影響の測定、言語ごとに価値観がどう変わるべきかの検討、年齢・職業・地域といった他の要因の影響、キャラクター訓練やシステムプロンプトによる価値観の操縦可能性の検証、そしてモデル出荷前後の評価・モニタリングへの価値観プロファイリングの組み込みが挙げられています。