xAI skal ha trent kodemodeller på Claude-svar

xAI skal ha brukt Claude-svar til å trene egne kodemodeller over flere måneder. The Decoder skriver, med henvisning til The Information, at Elon Musks AI-selskap trente en kodemodell direkte på output fra Anthropics Claude. Etter at Anthropic skal ha trukket offisiell tilgang i januar, fortsatte arbeidet ifølge rapporteringen via personlige kontoer og mellomleddet Blackbox AI.

Dette er ikke en vanlig produktnyhet. Det er en styringssak. Hvis rapporteringen stemmer, viser den hvor hard modellkampen er blitt: leverandører som konkurrerer i samme marked kan samtidig være avhengige av hverandres modeller, data, output og API-tilganger. Det flytter risikoen fra “hvilken modell er best?” til “hvor kommer modellens ferdigheter egentlig fra?”

For norske ledere er konsekvensen konkret. Når virksomheter kjøper AI-agenter, kodeverktøy og modelltilgang, kjøper de også en del av leverandørens treningshistorikk, lisensrisiko og kontrollregime. Den historikken er ofte vanskelig å se.

Destillering blir et leverandørspørsmål

Å trene en modell på svar fra en annen modell omtales ofte som destillering. I legitim form kan metoden brukes til å gjøre en mindre modell raskere eller billigere, eller til å overføre bestemte ferdigheter. I konkurranse mellom frontier-selskaper blir spørsmålet mer betent. Modell-output kan være regulert av bruksvilkår. Det kan også være strategisk verdifullt på samme måte som data, kildekode og forskningsmetoder.

The Decoder skriver at xAI trente kodemodellen på Claude-output, og at Musk tidligere i retten har erkjent at xAI delvis brukte OpenAI-modeller til å trene Grok. Musk skal ha omtalt dette som industristandard. Det er nettopp derfor saken er viktig. Det som i enkelte miljøer behandles som en praktisk snarvei, kan i enterprise-markedet bli et spørsmål om IP, kontraktsbrudd og leverandørtillit.

For en CIO eller juridisk leder er det ikke nok å vite at en modell scorer godt på koding. Man må vite hvilke begrensninger som gjelder for modellens treningsgrunnlag, hvilke tredjepartsmodeller som kan ha vært brukt i utviklingen, og om leverandøren har robuste kontroller for databruk.

Kodemodeller er ekstra følsomme

Kodemodeller er ikke bare tekstgeneratorer. De påvirker utviklingsmiljøer, CI/CD, sikkerhetsarbeid og produksjonskode. Når en kodemodell brukes i stor skala, kan den forme hvordan en organisasjon skriver tester, feilsøker, leser dokumentasjon og håndterer sårbarheter.

Derfor er treningsspørsmålet mer alvorlig her enn i en enkel chatbot. Hvis en modell har lært oppførsel fra en konkurrent uten klar rett til det, kan usikkerheten følge med inn i kundens utviklingsløp. Det betyr ikke automatisk at kunden har juridisk ansvar. Men det kan påvirke due diligence, innkjøp, revisjon og risikovurdering.

Saken peker også på en teknisk risiko. Destillering kan overføre gode egenskaper, men også svakheter, stil, feilslutninger og skjulte mønstre. En virksomhet som bruker AI-koding i regulerte eller sikkerhetskritiske miljøer, bør ikke bare teste om modellen løser oppgaver. Den bør teste om modellen introduserer gjentakende feil, usikre forslag eller mønstre som ikke passer virksomhetens arkitektur.

Tilgangsstyring blir konkurransevern

Rapporteringen sier at Anthropic trakk offisiell tilgang, men at xAI-arbeidet fortsatte via personlige kontoer og en tredjepartstjeneste. Hvis dette stemmer, viser det en svakhet i leverandørenes kontrollflate. Det holder ikke å stenge én kontrakt dersom bruk kan flyttes til private kontoer, proxyer eller integrasjonspartnere.

Den læringen gjelder også vanlige virksomheter. Mange selskaper har allerede policyer for hvilke AI-verktøy ansatte kan bruke. Færre har reell håndheving på tvers av nettverk, SaaS, nettlesere, plugins og personlige kontoer. Det er der skyggebruk oppstår.

CISO-er bør behandle modelltilgang som annen sensitiv tilgang: med logging, eier, formål, risikoklasse og avvikshåndtering. Hvis ansatte eller leverandører kan sende kode, kundedata eller interne dokumenter til modeller uten sporbarhet, er policyen mest pynt. Pent pynt, men fortsatt pynt.

Hva innkjøpere bør spørre om

AI-anskaffelser må få mer presise spørsmål. Det holder ikke med standardformuleringer om at kundedata ikke brukes til trening. Leverandører bør også kunne svare på om tredjepartsmodeller er brukt til å trene eller evaluere egne modeller, om dette er tillatt etter vilkårene, og hvordan de dokumenterer det.

For kodemodeller bør spørsmålene bli enda skarpere: Hvilke datasett, repos, syntetiske data og modell-output er brukt? Finnes det intern kontroll med ulovlig eller uønsket destillering? Hvordan håndteres anklager om brudd på tredjepartsvilkår? Hva skjer med kundens kontrakt hvis modellen må endres, trekkes tilbake eller begrenses etter en tvist?

Dette er ikke akademiske spørsmål. AI-verktøy bygges nå inn i utviklingskjeden. En modellkonflikt hos leverandøren kan raskt bli driftsrisiko hos kunden.

Saken peker mot et mer lukket AI-marked

Hvis store aktører mener konkurrenter trener på hverandres output, vil svaret trolig bli strengere vilkår, mer trafikkovervåking, lavere API-tillit og mer juridisk press. Det kan gjøre markedet dyrere og mindre transparent. Det kan også øke verdien av egne datasett, egne evalueringer og tydelig leverandørkontroll.

For kundene betyr det at modellvalg ikke bare handler om pris og ytelse. Det handler om opprinnelse, rettigheter og robusthet. En god modell med uklar treningshistorikk kan bli en dyr modell hvis den senere havner i en konflikt.

xAI-saken er foreløpig basert på medierapportering. Den bør derfor leses nøkternt. Men signalet er sterkt nok: AI-leverandører må vurderes som forsyningskjeder, ikke bare programvareleverandører. Det er der den praktiske risikoen ligger.

Kilder og medier

Kilde: The Decoder, med henvisning til The Information, “Elon Musk's xAI reportedly trained its coding models on Claude outputs for months before getting cut off”: https://the-decoder.com/elon-musks-xai-reportedly-trained-its-coding-models-on-claude-outputs-for-months-before-getting-cut-off

Kildekreditering: The Decoder / The Information.

Thumbnail: OpenAI Image 2 / hogby.ai.