Anthropic 2026. február 24-én tette közzé a Responsible Scaling Policy (RSP) harmadik, frissített változatát, amely a vállalat önkéntes keretrendszere a potenciálisan katasztrofális mesterséges intelligencia (MI) kockázatok mérséklésére. A frissítés célja a korábbi tapasztalatok megerősítése, a hiányosságok javítása, valamint a döntéshozatal átláthatóságának és elszámoltathatóságának növelése.
Rövid visszatekintés: az eredeti RSP és a változás elmélete
Az első RSP-et Anthropic 2023 szeptemberében adta ki. Akkor a nagynyelvi modellek elsősorban csevegőfelületek voltak; azóta azonban új képességek jelentek meg (webböngészés, kódírás és futtatás, számítógépek használata, autonóm többlépéses műveletek), és ezekhez új kockázatok társultak. Az eredeti RSP fő eszköze a feltételes (if–then) kötelezettségvállalások rendszere volt: ha a modellek egy adott képességszintet elérnek, akkor szigorúbb védőintézkedéseket kell bevezetni.
A szabályokhoz „AI Safety Level” (ASL) jelzések kapcsolódtak: például az ASL‑2 egy meghatározott védelmi készletet jelölt, az ASL‑3 pedig egy ennél szigorúbbat. A korai ASL-ek (ASL‑2, ASL‑3) részletesen definiáltak voltak, míg a későbbi szinteket (ASL‑4 és afölött) tudatosan kevésbé határozták meg, arra várva, hogy pontosabb képet kapjanak a magasabb képességszintek következményeiről.
Anthropic változás-elmélete három fő mechanizmust jelölt meg:
- Belső kényszerítő erő: az RSP belső követelménnyé tenné a fontos védőintézkedéseket, gyorsítva a fejlesztéseket.
- Verseny a javulásért („race to the top”): a vállalat reménye szerint az RSP ösztönzést ad más AI cégeknek hasonló szabályok bevezetésére, és idővel iparági normává vagy jogalkotási alapnokká válna.
- Konszenzus építése a kockázatokról: adott képességküszöbök elérésekor Anthropic unilaterális intézkedéseket hozna, és bizonyítékokkal próbálná rávenni más szereplőket és kormányokat multilaterális lépésekre.
Ezen kívül elismerték, hogy a magasabb ASL-eknél sok intézkedés csak kollektív cselekvéssel, kormányzati támogatással valósítható meg.
Mit hozott a gyakorlat? Az elmélet értékelése
Két és fél év tapasztalata alapján a vállalat őszintén értékeli: egyes elemek beváltak, mások nem teljesen. A sikeres pontok közé tartozik, hogy az RSP ösztönözte a szigorúbb védelmi eszközök fejlesztését. Például az ASL‑3 telepítési követelményének megfelelően Anthropic fejlettebb és pontosabb input‑ és output‑osztályozókat hozott létre, és 2025 májusában aktiválta az ASL‑3 védelmi intézkedéseket a vonatkozó modellekre.
Az RSP emellett más szereplőket is motivált hasonló keretek bevezetésére: néhány hónappal az Anthropic bejelentése után az OpenAI és a Google DeepMind is átfogó, hasonló megközelítést fogadott el. A RSP alapelvei hozzájárultak korai AI‑szabályozási irányok kialakulásához; kormányzati példák között Anthropic említi Kalifornia SB 53‑át, a New York-i RAISE Actet és az EU AI Act Codes of Practice dokumentumait. A vállalat saját Frontier Compliance Frameworkje is része ennek az átláthatósági törekvésnek.
Ugyanakkor több kihívás is kirajzolódott:
- Ambiguus küszöbszintek: a előre meghatározott képességküszöbök sokszor bizonytalanok voltak a mérésben. Egyes modellek közelítenek a küszöbökhöz, de nehéz határozottan állítani, hogy azok átlépték-e a határt. A tesztelés tudománya még nem elég kiforrott ahhoz, hogy ilyen döntéseket biztosan alátámasszon.
- Biológiai kockázatok példája: a modellek elég biológiai ismeretet mutatnak ahhoz, hogy a könnyen elvégezhető tesztek szerint ne lehessen alacsonynak mondani a kockázatot; ugyanakkor ezek a tesztek önmagukban nem elegendők a magas kockázat egyértelmű bizonyításához. Hosszabb wet‑lab vizsgálatokat is támogattak, de az eredmények továbbra is bizonytalanok, részben azért, mert ezek elvégzése közben új, erősebb modellek jelennek meg.
- Kormányzati lassúság és politikai klíma: bár az AI‑biztonság szükséges, a kormányzati cselekvés országos szinten lassú, és a politikai diskurzus gyakran az AI‑versenyképességet részesíti előnyben az erősebb szabályozással szemben.
- Kollektív erőforrásigény: a magasabb ASL‑ekhez javasolt, „robosztus” intézkedések egy része egységes vállalati erőfeszítéssel valószínűleg nem megvalósítható; példaként a RAND egy, a modellek súlyainak biztonságára vonatkozó jelentését idézik, amely szerint bizonyos, „SL5” jellegű követelmények jelenleg nem megvalósíthatók egyedül, és valószínűleg nemzetbiztonsági közösségi segítséget igényelnek.
Ezek a tényezők — az ambiguitás, az anti‑szabályozó politikai légkör és a magasabb ASL‑ek követelményeinek egyedül nehezen teljesíthető volta — strukturális kihívást jelentenek az RSP számára. Anthropic úgy döntött, hogy még a magasabb szintek elérése előtt átláthatóan elismeri ezeket a problémákat és átalakítja a politikát úgy, hogy reálisabb, egyoldalúan teljesíthető kötelezettségvállalásokat tartalmazzon, miközben továbbra is feltérképezi az iparági, multilaterális intézkedésként szükséges megoldásokat.
Az RSP frissítésének fő elemei
Az RSP 3.0 három kulcseleme:
- A vállalati tervek és iparági ajánlások szétválasztása
Az új RSP kétféle intézkedést különböztet meg: (a) azokat a mitigációkat, amelyeket Anthropic egyoldalúan meg fog valósítani függetlenül mások lépéseitől, és (b) egy ambiciózus képesség–mitigáció térképet, amely szerintük iparágszinten volna szükséges a kockázatok megfelelő kezelése.
- Frontier Safety Roadmap
Az új szabályozás előírja, hogy Anthropic kidolgozza és közzétegye a Frontier Safety Roadmap nevű, konkrét kockázatcsökkentési tervet a Security, Alignment, Safeguards és Policy területeken. A Roadmap céljai ambiciózusak, de elérhetőek, és nyilvános célként működnek, amelyeket a vállalat rendszeresen értékel és minősít.
Példák a jelenlegi Roadmap célokra:
- „Moonshot R&D” projektek indítása az információbiztonság rendkívüli, esetleg szokatlan megközelítéseinek feltárására;
- Automatizált, kiterjedt red‑teaming módszer kidolgozása, amely túlmutat a bug bounty programhoz hasonló kollektív hozzájárulásokon;
- Rendszerszintű intézkedések bevezetése annak biztosítására, hogy Claude a vállalat alkotmányának megfelelően viselkedjen;
- Központi, átfogó nyilvántartások létrehozása minden kritikus fejlesztési tevékenységről, és AI alkalmazása ezen feljegyzések elemzésére, beleértve belső szereplők vagy AI által okozott aggályos viselkedést és biztonsági fenyegetéseket;
- Szabályozási „létra” politikai javaslatainak közzététele, amelyek fokozatosan növekvő kockázathoz igazodó szabályokat írnának elő a kormányok számára.
- Risk Reportok és külső felülvizsgálat
A vállalat továbbfejlesztette a Safeguards Reportban (2025. május) szerzett tapasztalatokat: a Risk Reportok rendszeres, részletes dokumentumok lesznek, amelyek a modellek biztonsági profilját, képességeit, fenyegetési modelljeit és aktív mitigációit tárják fel, valamint összefoglaló kockázatértékelést adnak. Ezeket 3–6 havonta teszik közzé (a nyilvános változatnál bizonyos piros vonalakkal), és adott körülmények között külső, független szakértők fogják felülvizsgálni a dokumentumokat teljes vagy minimális csonkolás mellett.
A külső felülvizsgálók olyan szakértők lesznek, akik mélyen ismerik az AI‑biztonsági kutatást, és akikről igyekeznek biztosítani, hogy őszintén és érdekmentesen vegyenek részt. Bár a jelenlegi modellek még nem kötelezően igénylik a külső felülvizsgálatot, Anthropic pilottal teszteli és kifejleszti ezt a gyakorlatot.
A Risk Reportok célja továbbá feltárni a különbségeket a vállalat jelenlegi védelmi állapota és az iparágszintű, ambiciózus ajánlások között, és reményük szerint ez hozzájárulhat a nyilvános tudatosság növeléséhez és a jövőbeli politikai változások előmozdításához.
Következtetés
Anthropic hangsúlyozza, hogy az RSP mindig élő dokumentumnak készült: alkalmazkodnia kell a modellek fejlődéséhez. A 3.0‑ás verzió megerősíti a korábbi sikereket, nagyobb átláthatóságot vállal a vállalati tervek és a kockázati megfontolások tekintetében, és világosan elválasztja az egyoldalúan elérhető intézkedéseket az iparági szintű ajánlásoktól. A vállalat továbbra is tervezi az RSP és a kockázatértékelési módszerek folyamatos frissítését, ahogy az MI‑technológia fejlődik.
