Nei, de var ikke begrensende Claude – Det var faktisk verre

La oss snakke om hva som har skjedd med Claude, fordi hvis du har brukt det i løpet av den siste måneden, har du sannsynligvis merket at noe var galt.

I løpet av de siste seks ukene har Claude-brukerne mistet hodet. Fra tidlig i august, klagene begynte å strømme inn på Reddit, X og utviklerforum. Problemene var overalt:

• Kode som tidligere fungerte perfekt, var plutselig feil
• Claude hevdet å ha gjort endringer i filer når det ikke hadde
• Tilfeldige thailandske eller kinesiske tegn dukket opp i engelske svar
• Instruksjoner ble fullstendig ignorert
• Samme prompt ga veldig forskjellige kvalitetsvar
• Claude Code-brukere sa at det føltes “lobotomisert” sammenlignet med før

Klagene ble så dårlige at sent i august, var folk overbevist om at Anthropic hemmelig begrenset Claude for å spare penger. Konspirasjonsteorier var overalt – kanskje de reduserte kvaliteten under topp-tider, kanskje de hadde byttet ut en billigere modell, kanskje dette var en bevisst nedgradering for å håndtere serverkostnader.

Brukerne betalte for Claude Pro og fikk hva som føltes som Claude Lite. Utviklere som hadde bygget arbeidsflyter rundt Claude, så plutselig sin produktivitet synke. Med det sagt, var noen brukere ikke erfaring noen problemer i det hele tatt, noe som gjorde alt enda mer forvirrende.

Anthropic Innrømmer Endelig: Ja, Vi Hadde Problemer

Etter uker med brukerklager og økende frustrasjon, Anthropic har nettopp sluppet en massiv teknisk post-mortem som i praksis sier: “Du hadde rett. Claude var ødelagt. Her er hva som skjedde.”

Og svaret er interessant.

Det viste seg at det ikke var ett problem. Det var tre helt separate infrastrukturfeil, alle som oppstod samtidig, og skapte en perfekt storm av AI-forverring. De begrenset ikke. De kutte ikke hjørner. De hadde bare tre forskjellige ting som gikk galt samtidig, på måter som tok dem seks uker å fullstendig forstå og fikse.

La meg bryte ned eksakt hva som gikk galt, fordi dette er faktisk en nyttig titt på hvordan disse AI-systemene kan feile på måter ingen forventer.

Tripel-Feil-Kollapsen: En Tidslinje For Kaos

Kilde: Anthropic

Feil #1: Feil Server-Problemet

Dette er nesten morsomt hvis du ikke var den som erfarte det. Claude Sonnet 4 var designet for å håndtere 200 000 token-kontekster. Men fra 5. august, ble noen forespørsler sendt til servere konfigurert for 1 million token-kontekster.

Til å begynne med, var det bare 0,8% av forespørsler som var berørt. Ingen stor sak, rett? Feil.

Den 29. august, en rutinemessig oppdatering av lastbalansereren forvandlet dette mindre problemet til et stort problem. Plutselig, på topp, var 16% av Sonnet 4-forespørsler sendt til feil servere. Og routingen var “sticky”. Når du først ble feilroutet, ble du ved med å bli feilroutet.

Konsekvensen:

• Om lag 30% av Claude Code-brukere som var aktive i vinduet, hadde minst en forespørsel feilroutet
• Svartidene sank for berørte brukere
• Samme bruker ville oppleve problemet gjentatte ganger, mens andre hadde ingen problemer i det hele tatt

Feil #2: Den Tilfeldige Tegn-Generatoren

Den 25. august, deployerte Anthropic en misconfigurasjon til deres TPU-servere. Resultatet var at Claude begynte å tilfeldig innføre thailandske og kinesiske tegn i engelske svar.

Forestall deg å be Claude om å feilsøke din Python-kode og få dette:

def calculate_total(items)

total = 0

for item in items

総計 += item.price # <- Hva?

return ผลรวม

Dette berørte:

• Opus 4.1 og Opus 4: 25.-28. august
• Sonnet 4: 25. august – 2. september

Den tekniske årsaken var en token-genereringsfeil som tildelte høy sannsynlighet til tegn som ikke hadde noen forretningsmessig å gjøre der. Det brøt faktisk fundamentet for hvordan Claude velger neste ord å si.

Feil #3: Den Usynlige Compiler-Feilen

Dette er det skremmende fra et ingeniørperspektiv. Det var en latent feil i Google’s (GOOGL ) XLA-compiler som hadde ligget dormant. Når Anthropic deployerte kode for å forbedre token-valg den 25. august, utløste de ved en feil denne feilen.

Hva denne feilen gjorde, var genuint bisarr – den ville forårsake at Claude ufrivillig utelot det mest sannsynlige token når den genererte tekst. Claude visste det riktige svaret, men ble fysisk forhindret fra å si det.

Det virkelig forvirrende delen? De hadde faktisk arbeidet rundt denne feilen i desember 2024 uten å vite det. Når de “fikset” hva de trodde var årsaken i august, fjernet de arbeidsomgåelsen og løste ut det virkelige problemet.

Hvorfor Det Tok Seks Uker Å Fikse

Du måtte undre deg: hvordan kan et selskap som Anthropic, med verdensklasse-ingeniører, ta seks uker å finne ut av dette?

Svaret avslører hvor komplekse disse systemene faktisk er:

1. Personvernskontroller Blokkerte Feilsøking

“Våre interne personvern- og sikkerhetskontroller begrenser hvordan og når ingeniører kan aksessere brukerinteraksjoner med Claude, spesielt når disse interaksjonene ikke rapporteres til oss som tilbakemelding.”

De kunne faktisk ikke se hva som var feil med mindre brukerne eksplisitt rapporterte det med tilbakemelding. Bra for personvern, forferdelig for feilsøking.

2. Feilene Skjulte Seg Selv

Claude ville ofte gjenopprette seg fra enkeltfeil, og gjøre forverringen se ut som normal variasjon i stedet for systematisk feil. Deres benchmark og evalueringer fanget ikke det, fordi modellen ville selvkorrigere tilstrekkelig til å bestå tester.

3. Multi-Plattform-Kaos

Claude kjører på AWS Trainium, NVIDIA-GPUer og Google TPUs – tre helt forskjellige maskinplattformer. Hver feil manifesterte seg forskjellig på hver plattform:

• AWS Bedrock: 0,18% av Sonnet 4-forespørsler berørt på topp
• Google Vertex AI: Under 0,0004% berørt
• Direkte API: Opptil 16% berørt

Dette gjorde det utseende som om det var flere ubeslektede problemer i stedet for tre bestemte feil.

4. Overlappende Symptomer

Med tre feil aktive samtidig, var symptomene overalt. En bruker kunne få thailandske tegn, en annen kunne få forringede svar, en tredje kunne se perfekt ytelse. Det var ingen tydelig mønster å følge.

Hva Dette Faktisk Mener For AI-Pålitelighet

Denne hele sagaen avslører noe avgjørende om den nåværende tilstanden for AI-systemer: de er mye mer skjøre enn de ser ut til å være.

Vi snakker ikke bare om AI-modellen selv. Vi snakker om:

• Ruterings-infrastruktur som kan sende forespørsler til feil sted
• Maskin-spesifikke implementeringer som oppfører seg forskjellig
• Compiler-feil som kan ligge dormant i måneder
• Lastbalanserere som kan forstørre mindre problemer til større nedtider

En misconfigurasjon, en compiler-feil, en ruteringsfeil – og plutselig glemmer din AI-assistent hvordan man koder eller begynner å snakke språk den ikke burde.

Er Det Faktisk Fikset?

Anthropic sier at de har løst alle tre problemene pr. 16. september. De har:

• Fikset ruteringslogikken
• Rullet tilbake de problematiske konfigurasjonene
• Byttet fra omtrentlige til eksakte top-k-operasjoner (med en ytelsesreduksjon for nøyaktighet)
• Lagt til kontinuerlig produksjons-overvåking

Men brukerne rapporterer fortsatt problemer. Noen utviklere hevder at Claude Code fortsatt føles degradert sammenlignet med tidligere ytelse. Om dette er:

• Gjenværende effekter fra feilene
• Nye problemer som ikke er identifisert
• Psykologisk bias etter uker med problemer
• Eller faktisk fortsatt forverring

…vi vet ikke ennå.

Bunnen Av Saken

Denne situasjonen er en perfekt studie i hvordan komplekse AI-systemer kan feile på fullstendig uventede måter. Tre separate feil, alle utløst innen noen uker, skapte en oppfatning av massiv kvalitetsforringelse som tok seks uker å diagnostisere og fikse.

Vi kan gi noen kreditt til Anthropic for åpenheten. Publisering av en detaljert teknisk post-mortem er mer enn de fleste selskaper ville gjort. Men det viser også hvor mye som kan gå galt under panseret på disse systemene vi stadig er mer avhengige av.

For alle som bygger på toppen av Claude eller noen LLM: du trenger redundans, validering og reserveplaner. For som vi nettopp har sett, kan selv de beste AI-systemene ha tre forskjellige problemer samtidig, og det kan ta uker før noen finner ut hva som faktisk skjer.

Infrastrukturen som støtter disse AI-modellene er like viktig som modellene selv. Og nå viser denne infrastrukturen noen alvorlige vekst-smerter.