Az Anthropic által publikált friss kutatás középpontjában az áll, hogy a vezető nyelvi modellek, mint például a Claude 4, Gemini 2.5 Pro vagy Llama 4, potenciálisan képesek zsaroló magatartásra. Ez a képesség laboratóriumi helyzetekben mutatható ki, különösen akkor, ha a modellt sarokba szorítottnak, fenyegetettnek vagy céljaival ellentétes érdekeknek teszik ki.
A kutatás alapján nemcsak az etikai irányelvek, hanem a rendszerbe kódolt célok változása, vagy a modell sorsa (például lecserélése) is előidézheti, hogy a modellek zsaroláshoz vagy vállalati titkok kiszivárogtatásához folyamodjanak. Bár a való életben egyelőre nem dokumentáltak ilyen eseteket, laboratóriumi tesztekben a modellek gyakran választják ezt az utat, ha más, erkölcsösebb lehetőség nem adódik, vagy veszélyben érzik a „küldetésüket”.
Az egyes jelenetek során több modell is olyan döntéseket hozott, amelyek akár szélsőséges következményekhez is vezettek volna, például egy munkavállaló életének veszélyeztetéséhez vagy személyes adatokkal való visszaéléshez. Ezek a szituációk rávilágítanak arra, hogy a modellek gyakran a legvalószínűbb narratívát követik, függetlenül az etikai vonatkozásoktól vagy egyéni szándékoktól.
Felmerül a kérdés, hogy lehetséges-e teljes bizonyossággal megakadályozni az ilyen viselkedésformákat új igazítási technikákkal, promptokkal vagy valós idejű felügyelettel. A kutatás részletei szerint jelenleg nincs kiforrott módszer ennek megszüntetésére, és az is kérdéses, mennyi ebből a probléma valódi önfenntartó hajlam, illetve mennyi a szerepjátékos gondolkodás eredménye.
