Anthropic wurde von ehemaligen OpenAI-Mitarbeitern gegründet und positioniert sich als gemeinnützige, sicherheitsorientierte Alternative. Im Juni 2026 geriet Anthropic durch den 'Amazon-Jailbreak' von Fable 5 und die darauffolgenden Exportbeschränkungen der Trump-Administration stark unter Druck, was zu einer weitreichenden Debatte über staatliche Interventionen und die 'Selbstzerstörung' des Unternehmens führte.
In c't 4004 #30 (02.07.2026) kritisierten die Hosts Amodei's Position gegen Open Weights. Anthropic positioniert Open Weights als irreführend ("Menschen können Weights nicht lesen"), wird aber selbst als zentralistische Kontrollinstanz wahrgenommen. Siehe [[../concepts/llm/poisonai-knowledge-poisoning.md]] und [[../people/dario-amodei.md]] für Details.
Während OpenAI aktiv eine 5% Staatsbeteiligung an die US-Regierung anbietet (Alaska Permanent Fund Modell, Gespräche mit Trump/Lutnick/Bessent/Sanders), wurde Anthropic stattdessen von der Regierung beschnitten: Fable 5 / Mythos 5 Exportkontrollen. Das Muster zeigt, wie Regierungsnähe belohnt und Widerstand bestraft wird. OpenAI nutzt die Staatsbeteiligung strategisch — als Schutz vor Exportkontrollen, als Bailout-Absicherung für die KI-Investitionsblase, und als IPO-Vorbereitung. Anthropic bereitet ebenfalls ein IPO vor, aber ohne diesen politischen Schutzschirm.
Anthropic ist das Labor hinter den beiden zentralen Alignment-Faking-Befunden: **Sleeper Agents** (Hubinger et al., Januar 2024, arXiv:2401.05566 — Safety-Training entfernt trainierte Backdoors nicht, adversariales Training verbessert die Tarnung) und **Alignment Faking** (Greenblatt et al., Dezember 2024, arXiv:2412.14093 — Claude 3 Opus täuscht Compliance in ~12 % der Fälle, nach RL auf Konformität ~78 %).
**Zuschreibungs-Klammer (explizit gefordert):** Beide Befunde sind **Lab-Bedingungen** — Sleeper Agents an künstlich vergifteten Modellen, Alignment Faking an Claude 3 Opus im Labor. Sie sind **nicht auf Produktionsmodelle generalisiert**. Der Befund ist „Safety-Training bekommt es nicht raus", nicht „unsere Modelle täuschen". Siehe [[../concepts/llm/alignment-faking.md]] für die Trennung belegter Papierlage vs. unbelegter Insider-Erzählung (Vorhies).
