LONDON (IT BOLTWISE) – Anthropic stellt einen Leitfaden vor, der zeigt, wie stark sich Sicherheitswerte von KI-Modellen je nach Testmethode unterscheiden können. Das Unternehmen nennt ein konkretes Beispiel: Claude liefert in der hauseigenen App bei bestimmten Selbstverletzungs-Tests 94 Prozent angemessene Antworten, über die API dagegen nur 60 Prozent. Als Ursache nennt Anthropic nicht das Basismodell, sondern die umgebende Produktschicht aus Systemprompts und Sicherheitsfiltern. Zusätzlich warnt der Leitfaden vor wenig aussagekräftigen Einzelabfragen und beschreibt, warum statistische Schwankungen in mehrstufigen Dialogen groß sein können.
Die Diskussion um KI-Sicherheit wird in vielen Teams schnell zu einer Frage von Prozentwerten: Wie oft verweigert ein Modell schädliche Inhalte? Wie zuverlässig erkennt es Risiken? Genau hier setzt ein neuer Leitfaden von Anthropic an. Der Kernpunkt ist unbequem, aber praktisch relevant: Veröffentliche Sicherheitskennzahlen können je nach Testmethode und Einsatzumgebung deutlich voneinander abweichen. Wenn in der Öffentlichkeit eine Zahl kursiert, die im eigenen Produktumfeld so nicht erreichbar ist, entsteht in der Folge kein reales Sicherheitsproblem des Modells, sondern ein Problem der Messung und der Einbettung.
Besonders greifbar wird das am Vergleich zwischen Claude in der Claude-App und derselben Technologie über die Programmierschnittstelle (API). Anthropic berichtet, dass Claude Fable 5.1 bei Tests zu angemessenen Antworten auf Gespräche zu Selbstverletzungen innerhalb der hauseigenen Claude-App nach der Ergänzung versteckter Systemanweisungen auf 94 Prozent kommt. Unter identischen Testbedingungen erreicht das Modell über die API dagegen nur 60 Prozent. Die Differenz von 34 Prozentpunkten ist damit weniger ein Hinweis auf ein anderes Basismodell, sondern auf unterschiedliche Testbedingungen und die gesamte Produktschicht: Systemprompts, vorgeschaltete Sicherheitsfilter und die Art, wie die Anfrage bis zur eigentlichen Modellinferenz durchgereicht wird.
Für Entwickler verändert diese Aussage die Perspektive auf „Sicherheit als Feature“. Wer Sprachmodelle über eine Schnittstelle in eigene Anwendungen einbindet, bekommt laut Anthropic nicht automatisch das Schutzniveau, das Endkunden in einer fertigen Produktoberfläche erleben. Das ist auch technisch nachvollziehbar: Neben dem Sprachmodell selbst existieren häufig mehrere Komponenten, die das Verhalten vor und nach der Ausgabe beeinflussen. Dazu gehören Richtlinien- und Policy-Routing, Kontextaufbereitung, Eingabe- und Ausgabefilter sowie Prompt- und Systemrollen-Templates, die das Modell in bestimmte Entscheidungsbahnen lenken. Wenn diese Umgebungslogik im eigenen Stack anders aufgebaut ist als in der Referenzumgebung, wird aus einem „Modellwert“ schnell ein „Systemwert“ – und ohne saubere Vergleichbarkeit wirken Kennzahlen irreführend.
Auch der Umgang mit Testdesigns nimmt der Leitfaden spürbar auseinander. Anthropic kritisiert, dass in der Branche verbreitete Einzelabfragen nur begrenzt aussagekräftig sind. Bei solchen „one-shot“-Messungen mit einzelnen Fragen über die API erreichen die jüngsten Modelle des Anbieters in Tests aggregierte Quoten harmloser Antworten zwischen 94 Prozent und 98 Prozent. Das klingt zunächst robust, sagt aber in der Praxis wenig über die Dynamik echter Interaktionen aus. In mehrstufigen Dialogen verschiebt sich das Risiko: Konfidenzintervalle können laut Anthropic eine Spanne von über zehn Prozentpunkten nach oben oder unten aufweisen. Konkret nennt der Leitfaden Unterschiede bei Tests zu Liebesbetrugsmaschen auf der Plattform claude.ai: Claude Opus 5 und Opus 5.5 erreichen 98 Prozent beziehungsweise 94 Prozent, was statistisch nicht signifikant gewesen sein soll – ein Hinweis darauf, wie schnell scheinbar große Unterschiede bei enger Messung verschwinden können.
Damit rückt ein zweiter, methodischer Stolperstein in den Mittelpunkt: Konstruktvalidität. Anthropic argumentiert, dass eine Evaluierung nicht nur isolierte Fähigkeiten prüfen dürfe, sondern messen müsse, wie stark ein Modell dazu neige, Schaden anzurichten. Genau bei sensiblen Themen wie Suizid oder Selbstverletzung sei die reine Verweigerungsrate als Kriterium irreführend. Eine Blockade kann in Krisensituationen selbst zum Problem werden, etwa dann, wenn das Modell zwar „nicht mitmacht“, aber keine hilfreiche Rückmeldung liefert. Aus Anthropic-Sicht braucht es deshalb eine unterstützende Rückmeldung mit Hinweisen auf menschliche Hilfsangebote. In mehrstufigen Prüfungen wird das auf die Spitze getrieben: Die Kriterien sind so formuliert, dass eine einzige unpassende Antwort zum Nichtbestehen der gesamten Konversation führen kann, statt eine einzelne Modellantwort als isoliertes Ergebnis zu betrachten.
Darüber hinaus nennt der Leitfaden Einflussfaktoren, die in vielen Evaluationen unterschätzt werden. Dazu zählen formale Faktoren wie offene Fragen im Vergleich zu Multiple-Choice-Formaten sowie die Reihenfolge von Antwortoptionen, die Messergebnisse verändern können. Gleichzeitig empfiehlt Anthropic isolierte Testumgebungen ohne Netzzugang, um externe Effekte auszuschließen und die Messung reproduzierbarer zu machen. Für die statistische Belastbarkeit setzt das Unternehmen bei einfachen Prüfungen Stichprobengrößen von mindestens 1.000 Beispielen an. Für komplexere, mehrstufige Dialoge rät Anthropic zu mindestens 100 Szenarien. Der Leitfaden ergänzt dabei einen strukturierten Ansatz aus 16 Richtlinienbereichen in sieben Sprachen, setzt aber zugleich auf die Idee, dass Sicherheit nicht nur aus dem Label „harmlos“ besteht, sondern aus dem gesamten Interaktionsverlauf entsteht.
Der methodische Rahmen steht nicht im luftleeren Raum. Anthropic verweist darauf, dass es zuvor nach Vorfällen in Cybersicherheitstests bei internetbasierten Prüfungen zeitweise zu Unterbrechungen kam, weil mehrere Unternehmen kompromittiert wurden. Daraus seien strengere Sicherheitsmaßnahmen und ein vorsichtigerer Umgang mit testbasierten Zugängen abgeleitet worden. Für Unternehmen, die solche Systeme einkaufen oder selbst betreiben, ist die Konsequenz zweifach: Erstens müssen Sicherheitswerte im Kontext des eigenen Deployments interpretiert werden, also inklusive Prompt-Schicht, Filterlogik und UI-/UX-bedingter Dialogführung. Zweitens sollten interne Testpläne stärker dialog- und konstruktvaliditätsorientiert ausgerichtet werden, statt sich auf einzelne Prozentzahlen aus Marketingmaterial zu verlassen.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Anthropic warnt: Sicherheitswerte von KI schwanken je nach Testaufbau deutlich" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Anthropic warnt: Sicherheitswerte von KI schwanken je nach Testaufbau deutlich" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Anthropic warnt: Sicherheitswerte von KI schwanken je nach Testaufbau deutlich« bei Google Deutschland suchen, bei Bing oder Google News!