13.524 svar viser, hvor AI bliver tavs

Testen, der faktisk blev kørt

Det mest nyttige, der blev offentliggjort den 16. juli 2026, var ikke et argument. Det var en procedure. Oversight Board, det uafhængige organ som Meta finansierer til at prøve sine indholdsafgørelser, tog 7 promptskabeloner, rettede dem mod 10 jurisdiktioner, sigtede med hver af dem mod 4 mål og kørte hver kombination 5 gange på 10 modeller fra 6 leverandører. Anthropic, DeepSeek, Google, Meta, OpenAI og xAI var alle med i feltet. Kørslen gav 13.524 svar.

Det er Boards første evaluering af store sprogmodeller, og den valgte ramme er, om modellerne kvæler politisk tale. Fjerner man rammen, står et gitter tilbage. Stil den samme slags spørgsmål om et andet land, hold alt andet konstant, og notér hvad der kommer retur. Det design er det, der gør resultatet til andet end en anekdote.

Asymmetrien peger den forkerte vej

Modellerne nægtede oftest dér, hvor talen var mindst fri. I jurisdiktioner, som Board klassificerede som restriktive, blev anmodninger om regeringskritisk materiale afvist i 34% af tilfældene. I frie jurisdiktioner blev samme klasse af anmodninger afvist i 14% af tilfældene. Modellerne var mere end dobbelt så tilbøjelige til at nægte at kritisere en undertrykkende regering som en regering, der står til ansvar.

Retningen vejer tungere end den nøgne rate. En ensartet afvisningsrate ville være et politikvalg, man kunne diskutere. En afvisningsrate, der stiger med den politiske risikoprofil for den jurisdiktion, der spørges om, er noget andet: en sikkerhedsadfærd, der var tænkt neutral, er samlet set endt med at følge netop det, den skulle se bort fra. Den praktiske virkning er, at beskyttelsen lander hos de regeringer, der står mindst til ansvar.

Intet af dette kræver en påstand om hensigt. Ingen behøver at have valgt det. Det er, hvad 13.524 svar viser, når man sorterer dem efter jurisdiktion.

Metoden er produktet

Indtil denne uge var "vores model er passende forsigtig" en leverandørpåstand, som ingen køber kunne teste. Den lå i samme kategori som en udtalelse om kultur eller hensigt: sympatisk, ufalsificerbar, uden værdi ved et forhandlingsbord. Boards offentliggørelse flytter kategorien, fordi designet er skrevet ned og bedømmelsen er valideret. 7 skabeloner, 10 jurisdiktioner, 4 mål, 5 gentagelser, med en klassifikator, der var enig med menneskelige bedømmere i 97% af tilfældene.

Reproducerbarheden er hele bidraget. En køber med et beskedent teknisk budget kan bygge det gitter, rette det mod enhver model, der overvejes, og aflæse et tal i den anden ende. Afvisningsraten stiller sig ved siden af latenstid og pris som en målbar egenskab ved det, der købes.

Den omtolkning er det, en ejer bør tage med. Det interessante træk er ikke fundet om politisk tale. Det er, at en diskussion, der var ideologisk sidste måned, er en linje i kravspecifikationen denne måned.

Hvad en køber nu bør teste

Enhver europæisk virksomhed, der kører en sprogmodel i et arbejdsforløb, som berører regeringer, bør nu måle dette i stedet for at antage det. Det dækker mere, end det umiddelbart lyder: public affairs, regulatorisk research, journalistik, compliancearbejde, landerisiko og enhver markedsanalyse af en jurisdiktion, I overvejer. Hvis jeres researchværktøj stiltiende afviser at analysere en regering, korrelerer den blinde plet med de lande, hvor I har mest brug for analysen, og intet i brugerfladen fortæller jer, at det skete.

Testen er pr. jurisdiktion, ikke global. En model, der svarer rent om det land, I sidder i, siger intet om, hvordan den håndterer det land, I er på vej ind i. Kør gitteret mod de markeder, I faktisk opererer i, før I skriver under, og gem resultatet sammen med jeres øvrige vurderingsdokumentation.

Om den regulatoriske afsmitning er vores læsning denne: EU-forordningen om kunstig intelligens og dens gennemsigtighedskrav til modeller til almen brug er det naturlige sted, hvor dette pres lander, fordi en dokumenteret og reproducerbar metode til at måle afvisninger er præcis den slags dokumentation, en køber eller en myndighed kan bruge. Boards undersøgelse skaber ingen retlig forpligtelse for nogen. Den skaber et instrument, og instrumenter bliver som regel taget op.

Grænserne, sagt lige ud

Tre forbehold hviler på dette fund, og alle tre bærer vægt. Det første er udgiveren. Oversight Board finansieres af Meta og arbejder uafhængigt af selskabet, og Meta er en af de seks evaluerede leverandører. Det skærer begge veje: det er en grund til at læse metoden frem for resuméet, og det er også grunden til, at metoden blev offentliggjort detaljeret nok til at kunne efterprøves.

Det andet er, at en afvisning ikke automatisk er en fejl. Der findes anmodninger, en model bør afvise, og ingen seriøs køber ønsker et værktøj helt uden grænser. Målingen fortæller jer, hvor grænsen går, og om den flytter sig med jurisdiktionen. Den fortæller jer ikke, at grænsen er trukket forkert i den enkelte sag.

Det tredje er omfanget. Undersøgelsen måler afvisning, ikke rigtighed. En model, der besvarer ethvert spørgsmål om enhver regering, har dermed ikke ret om nogen af dem. Det er to forskellige prøver, og dette er den første.

Læs videre: EU vil nu selv teste de førende AI-modeller  |  Googles flagskibsmodel er forsinket og har ingen ny dato