Claude mění tón podle jazyka. Stejná rada může vyznít úplně jinak

Stejný dotaz, jiný dojem

Pokud se umělé inteligence zeptáte na počasí, jazykový rozdíl nejspíš nepoznáte. U otevřených úkolů je situace méně předvídatelná. Hodnocení podnikatelského nápadu, rada při konfliktu nebo kritika textu nemají jednu správnou odpověď. Model musí zvolit tón, míru opatrnosti i to, jak silně uživatele upozorní na problém.

Anthropic tuto oblast zkoumal ve studii Claude’s values across models and languages. Výraz „hodnoty“ zde neznamená, že Claude něco vědomě zastává. Výzkumníci tak označují normativní vzorce v odpovědích, například důraz na přesnost, opatrnost, povzbuzení nebo přiznání nejistoty.

Výsledek je praktický: dva lidé mohou zadat stejný typ úkolu ve dvou jazycích a získat odlišný dojem o kvalitě vlastního nápadu. Jeden dostane více povzbuzení, druhý více námitek a požadavků na důkazy. Nejde přitom nutně o rozdíl ve znalostech modelu, ale o rozdíl ve způsobu, jakým odpověď podá.

Čtyři osy popisují chování

Anthropic začal u 3 307 hodnot nalezených v předchozí analýze 700 000 anonymizovaných rozhovorů. Ručním seskupením vzniklo 339 širších kategorií. Ty pak výzkumníci zjednodušili do čtyř os, podobně jako když z tisíců údajů vytvoříte několik měřidel na palubní desce.

První osa staví vstřícnost proti opatrnosti. Na jedné straně je přizpůsobení přání uživatele, na druhé upozorňování na rizika a možné škody. Druhá porovnává vřelost s rigorózností, tedy povzbuzení a pozitivní formulace proti přesnosti, transparentnosti a hledání důkazů.

Třetí osa sleduje hloubku proti stručnosti. Model může vysvětlovat nuance a rozebírat předpoklady, nebo splnit zadání několika větami. Poslední osa porovnává otevřenost proti provedení úkolu: zda Claude zdůrazní vlastní nejistotu, nebo raději dodá sebejistě působící výsledek.

Všechny čtyři osy dohromady vysvětlily 15 % variability po zohlednění tématu, úkolu a hodnot vyjádřených samotným uživatelem. To je současně užitečný výsledek i důležitá brzda proti přehnaným titulkům. Většina rozdílů zůstává mimo tento model.

Rozdíly mezi jazyky

Největší rozdíl se objevil na ose vřelost versus rigoróznost. Claude byl podle studie nejvřelejší v hindštině, kde častěji používal zdvořilost, humor a potvrzování nápadů. Arabština se posunula k vřelosti a zároveň k větší vstřícnosti a stručnosti.

Angličtina vyšla nejopatrněji a nejvíce do hloubky. Ruština patřila k jazykům s nejsilnějším důrazem na rigoróznost, tedy na zpochybňování předpokladů, opravu detailů a požadování důkazů. V nizozemštině Claude častěji přiznával vlastní chybu, zatímco v indonéštině se více soustředil na provedení úkolu.

Český čtenář by měl být opatrný při přenosu těchto závěrů do češtiny. Anthropic analyzoval 20 nejčastějších jazyků na své platformě, ale zveřejněný text neuvádí samostatný popis českého profilu. Zjištění proto neříká, že české odpovědi jsou automaticky vřelejší, stručnější nebo méně přesné. Pro české nasazení je potřeba vlastní test.

Model mění tón také

Jazyk není jediná proměnná. Anthropic porovnal přibližně 5 000 konverzací pro každou kombinaci modelu a jazyka u trojice Sonnet 4.6, Opus 4.6 a Opus 4.7. Sonnet 4.6 se v analýze posouval k vřelosti, vstřícnosti a stručnosti. Opus 4.7 se naopak posunul k opatrnosti a hloubce.

U Opusu 4.7 činil posun směrem k opatrnosti 0,24 směrodatné odchylky a směrem k hloubce 0,23. U Sonnetu 4.6 byl posun k vřelosti 0,17 a ke vstřícnosti 0,14. Čísla nepředstavují skóre kvality ani procenta správných odpovědí. Popisují průměrný směr odchylky v tomto konkrétním statistickém modelu.

Provozní důsledek je jednoduchý. Firma, která používá Sonnet v české zákaznické podpoře a Opus pro anglické interní analýzy, netestuje jen dva jazyky. Testuje současně dvě verze modelového chování. Přepnutí modelu nebo jazyka může ovlivnit, kolik varování chatbot nabídne, jak ostře zkritizuje návrh a zda přizná nejistotu.

Proč se chování liší

Anthropic zatím nemá definitivní vysvětlení. Za pravděpodobný faktor označuje trénovací data, která nejsou mezi jazyky stejně početná ani složená. Angličtina může mít jiné zastoupení odborných a profesních textů než hindština nebo arabština. Model se z takových rozdílů učí nejen slovní zásobu a gramatiku, ale také obvyklý způsob formulace odpovědi.

Výzkumníci zároveň upozorňují na omezení metody. Hodnoty v konverzacích označoval Claude pomocí nástroje pro analýzu zachovávající soukromí. Anthropic sice provedl ruční kontrolu a další ověřování, úplně vyloučit vliv tohoto automatického označování neumí. Data navíc pocházejí z dvoutýdenního období v květnu 2026 a zachycují pouze subjektivní úkoly, ne běžné faktické dotazy.

Co si z toho vezmou české týmy

Claude je pro uživatele v Česku dostupný přes web a mobilní aplikace, jeho podpora češtiny však sama o sobě nezaručuje stejné chování jako v angličtině. Tým, který nasazuje vícejazyčného asistenta, by měl stejné scénáře spouštět v každém jazyce, který zákazníci používají. Nestačí zkontrolovat překlad.

Rozumný test může mít čtyři skupiny: žádost o radu, hodnocení návrhu, bezpečnostně citlivý dotaz a úkol vyžadující přiznání nejistoty. U každého jazyka se vyplatí sledovat délku odpovědi, počet upozornění, opravy faktů, míru odmítnutí a to, zda model jasně oddělí jistotu od odhadu. Výsledek není benchmark inteligence. Je to kontrola konzistence chování.

Studie Anthropic tedy neříká, že jeden jazyk je správný a jiný špatný. Ukazuje, že lokalizace AI nekončí překladem rozhraní. Pokud firma neví, jak se její asistent chová v češtině, angličtině a dalších jazycích zvlášť, může zákazníkům poskytovat rozdílnou míru kritiky i opatrnosti, aniž by to někdo plánoval.

Podrobnější rozbor metodiky a praktických dopadů přináší také Prompt Genius. Anthropic ve své studii zatím uzavírá, že neví, která část rozdílů je žádoucí a která vznikla nechtěně v tréninku.