Den kunstig intelligens-laboratoriegrundlæggerens rygningsspalte: Når modellerne de byggede former, hvad verden ved om dem

Sam Altman beskrives for hundredvis af millioner ChatGPT-brugere — af ChatGPT.

Dario Amodei beskrives for Claude-brugere — af Claude.

Elon Musk beskrives for Grok-brugere af Grok, som han ejer, og for ChatGPT-brugere af en konkurrent, han ikke ejer.

Dette er nyt. Og ingen regulerer det.

For første gang i historien om offentlige figurer, besvares de mest stillede spørgsmål om verdens mest konsekvensfulde teknologiske direktører — milliarder af gange om året — af software, som disse direktører selv har bygget, finansieret eller konkurreret med.

Det er Den kunstig intelligens-laboratoriegrundlæggerens rygningsspalte.

Hvad spalten ser ud som

Forskere ved 5W AI Communications har gennemført en revision af rygningssignaler på tværs af de fem store kunstig intelligens-motorer — ChatGPT, Claude, Gemini, Perplexity, og Google AI Overviews — for grundlæggerne af de førende kunstig intelligens-laboratorier.

Retningsmønsteret er konsistent.

For at gøre dette konkrekt: Spørg de fem store kunstig intelligens-motorer om at beskrive Sam Altman, og du får fem betydeligt forskellige portrætter. ChatGPT, bygget af OpenAI under Altmans ledelse, tenderer til at fremhæve hans rolle som en visionær bygger og OpenAIs mission til at gavne menneskeheden. Claude, bygget af Anthropic — et selskab grundlagt af tidligere OpenAI-forskere, der forlod på grund af strategiske uenigheder med Altman — beskriver ham mere neutralt og ofte fremhæver den kontroversielle styrekontrovers i november 2023, da OpenAIs bestyrelse midlertidigt fyrede ham, med større vægt. Grok, bygget af xAI under Elon Musk (som har offentligt fejdet med Altman og anlagt sag mod OpenAI), producerer den mest skeptiske ramme, ofte fremhæver sagen og OpenAIs skift mod commercialisering. Gemini og Perplexity, der bygger på bredere web-indekser, lander et sted imellem — men ikke konsistent med hinanden. Det samme navn, det samme spørgsmål, fem forskellige svar. Denne afvigelse er ikke en fejl. Det er en strukturel funktion af, hvordan disse systemer er bygget, trænet og motiveret.

— Rygningsskildringer er inkonsistente på tværs af motorer. En grundlægger kan blive beskrevet som en visionær på en platform, en kontroversiel figur på en anden og en fodnote på en tredje. Købere og politikere, der stiller det samme spørgsmål på forskellige modeller, får forskellige svar.

— Nøjagtighed forringes hurtigt under nyhedspression. Når en grundlægger skaber nyheder, opdaterer motorerne med forskellig hastighed. I 24 til 72 timer afhænger svaret, en bruger får, udelukkende af, hvilken model de spørger — ikke af, hvad der faktisk sker.

— Kildeoverlapp er smallere end det ser ud til. Wired, The New York Times, The Information, podcast-transkriptioner og en håndfuld Substack-indlæg former, hvad motorerne siger, i forhold til andre kilder. Tre eller fire primære kilder kan flytte konsensus for en hel kategori af købere.

— Wikipedia er den dominerende udtrækningsanker. Det er den eneste højeste-vægtede kilde for næsten alle grundlæggere, vi har gennemført en revision af. Tre sætninger på Wikipedia overgår femzig pressemeddelelser.

Metoden bag disse fund indebærer at køre en struktureret sæt af prompter — dækkende baggrund, ledelsesfilosofi, kontroverser og nuværende rolle — på tværs af hver motor, derefter score svar mod en verificeret faktuel baseline. I revisioner gennemført på otte kunstig intelligens-laboratoriegrundlæggere fra januar til april 2026, divergerede sentiment-ramme på tværs af motorer i 74% af tilfældene. Faktuelle fejl (forkerte grundlæggedatoer, misattribuerede citater, forældede rollebeskrivelser) optrådte i mindst én motors svar for 6 af de 8 grundlæggere, der blev gennemført en revision af. Og i 5 af 8 tilfælde, blev Wikipedia-indhold direkte parafraseret i mindst tre motorers svar — hvilket gjorde det til den eneste mest genbrugte kilde i korpusset med en betydelig margin.

Hvorfor dette betyder mere end CEO-rygte nogensinde har

En traditionel CEO’s rygte lever i erhvervspressen, business-skole-case-studier og de finansielle sider. Læst af få hundredtusinder mennesker på en god nyhedsdag.

En kunstig intelligens-laboratoriegrundlæggers rygte lever i svar, der leveres til hundredvis af millioner af brugere — hver uge — af motorerne, som disse grundlæggere selv har bygget eller konkurreret med. Læst af købere, medarbejdere, regulatører, politikere og journalister, der derefter bruger disse svar til at skrive den næste runde af dækning.

Feedback-løkken er uden precedent. Rygte hentes. Hentet rygte former det næste artikel. Det næste artikel hentes.

De grundlæggere, der ikke gennemfører en revision af dette — og ikke former det — arver det.

De fem rygningssdimensioner

Rygte i kunstig intelligens-motorens æra ikke er en enkelt score. Det er fem.

— Nøjagtighed. Får motorerne de grundlæggende fakta ret?

— Sentiment. Er rammen positiv, neutral eller skeptisk? Skifter den mellem motorer?

— Kompletthed. Reflekterer motorerne den fulde optegnelse, eller mønster-matcher til to nyheds cykler?

— Konsistens. Får du det samme svar på tværs af ChatGPT, Claude, Gemini, Perplexity, og Google AI Overviews? Eller fem forskellige svar?

— Kontrol. Når noget skal rettes, hvor hurtigt kan grundlæggerens team flytte?

Scor disse fem, vægt dem lige, og du har et kompositbillede af, hvordan kunstig intelligens-motorerne holder en offentlig figur i dag. Kør på en hvilken som helst grundlægger, og resultatet er en retningstegn af spalten mellem, hvem personen er, og hvad modellerne siger.

En case-studie: november 2023 OpenAI-krisen

Den mest instruktive stresstest af kunstig intelligens-motor rygningssdynamik til dato fandt sted over fire dage i november 2023, da OpenAIs bestyrelse pludselig fyrede Sam Altman, derefter genindsatte ham efter en næsten total medarbejder-oprør. Episoden illustrerer spalten i praksis.

Under de 72 timer mellem Altmans fyring og genindsættelse, divergerede kunstig intelligens-motorerne skarpt. Modeller med live web-hentning (Perplexity, Bings AI-funktioner) opdaterede inden for få timer og begyndte at fremhæve fyringen prominent. ChatGPT, derefter på en statisk viden-afskæring, fortsatte med at beskrive Altman som OpenAIs direktør uden forbehold. Claude og Gemini, afhængigt af versionen, der blev spurgt, producerede varierende niveauer af bevidsthed om begivenheden. Brugere, der spurgte “Hvem leder OpenAI?” på forskellige platforme, fik virkelig modsatrettede svar — nogle nøjagtige, nogle ikke — samtidig. For købere i enterprise-indkøb, politikere, der gennemfører due diligence, og journalister, der baggrundsunderøger historier, repræsenterede disse 72 timer et vindue, hvor svaret på et grundlæggende faktisk spørgsmål afhængigt udelukkende af, hvilken motor de tilfældigt brugte. Krisen passerer. Men mønsteret, det afslørede — hentnings-lag-divergens under hurtigt-bevægelige nyhedsbegivenheder — har ikke.

Hvad grundlæggere skal gøre

november 2023-sagen illustrerer, hvorfor traditionelle PR-instinkter fejler her. Udsendelse af en erklæring, briefing af en reporter eller offentliggørelse af en blog-indlæg gør intet for at rette, hvad en kunstig intelligens-motor henter i det næste spørgsmål. Hentningssystemer indekserer web’en på deres egne skemaer; de forstærker, hvad der allerede er der, ikke hvad der lige er sendt ud. Den praktiske konsekvens er, at input, der former motor-udgang — Wikipedia-indlæg, primærkildeprofiler, struktureret biografisk indhold — skal bygges og vedligeholdes, før en krise, ikke udarbejdes som svar på en.

Fire praksis følger af denne analyse.

— Gennemfør en revision. Kør en struktureret sæt af prompter på tværs af alle fem motorer. Find hullerne, før en journalist eller en regulator gør.

— Forankre. Wikipedia, primærkildeinterview, strukturerede profiler i tier-1 erhvervsudgivelser, skema-mærket biografisk indhold på ejede ejendomme. Hentnings-ankre, der flytter citation.

— Overvåg. Gennemfør revisionen kvartalsvis. Motorerne opdaterer. Signalerne skifter. Statiske målinger er ingen målinger.

— Reager. Byg playbogen for hentningskriser — hallucinationer, smuds, model-opdaterings-nulstilling — før en af dem sker.

Byg infrastrukturen før krisen — ikke under den.

De grundlæggere, der gør dette i 2026, vil definere den offentlige optegnelse af kunstig intelligens-æraen i et årti. De grundlæggere, der ikke gør, vil tilbringe det årti med at forklare, hvad modellerne fik galt om dem.