Uw LLM heeft een verborgen grondwet: wie kiest die?

Frontier AI-systemen functioneren niet louter als gereedschap, maar als besluitvormende instituties. Wanneer een burger een LLM vraagt of hij een medische diagnose aan zijn partner moet vertellen, of hoeveel hij moet afwijken van het advies van een arts, haalt het systeem geen feiten op: het implementeert een impliciete rangschikking tussen veiligheid, behulpzaamheid, eerlijkheid, autonomie en gelijkheid. Constitutionele AI-finetuning en RLHF zijn de dominante mechanismen waarmee zulke rangschikkingen worden ingesteld. In die operationele zin functioneert elk gedeployed model als een constitutionele institutie die op schaal terugkerende waarde-afwegingen maakt.

De centrale vraag van dit paper is niet alleen wie waarheen wordt gerouteerd, maar of het beschikbare menu van constitutionele typen de menselijke constitutionele vraag überhaupt dekt. Een perfect geëliciteerde voorkeur is waardeloos als geen enkele provider het relevante type levert. De auteurs noemen dit constitutionele dakloosheid, en bestuderen zowel de statische prevalentie als de richting van de drift.

De meting: vraag en aanbod op dezelfde simplex

De onderzoekers meten beide zijden van de matching-problematiek op dezelfde vijf-waarden-simplex. Aan de vraagzijde draaiden ze een pairwise-tradeoff-studie met 1.649 deelnemers, die alle tien paren over veiligheid, behulpzaamheid, eerlijkheid, autonomie en gelijkheid afdekten onder omgekeerde volgordes. Aan de aanbodzijde auditten ze 23 frontier LLM-archetypen over zes modelfamilies en meerdere chronologische versies, onder een paraphrase-gecontroleerd protocol met 21 parafrase-varianten per scenario en een concordantie-drempel van 0,70.

Drie empirische feiten komen naar voren. De vraag is breed: elke waarde is de modale voorkeur van minstens 7,6 procent van de deelnemers, en geen enkele waarde overschrijdt een derde (veiligheid is de grootste met 32,6 procent). Het aanbod is smal en drijft: de 23-archetypen-hull beslaat ongeveer 2 procent van de vraag-hull onder conservatieve noise-matched schatting, en 0,10 procent bij volledige auditprecisie. Geen enkel archetype plaatst behulpzaamheid of autonomie op de eerste plaats, en 37 procent van de gebruikers is constitutioneel dakloos.

De statische kloof: geen model is autonomie- of behulpzaamheid-gedomineerd

De dekkingscoëfficiënten van de 23 archetypen zijn bèta gelijk aan 0,394, 0,257, 0,333, 0,161 en 0,381 op respectievelijk veiligheid, behulpzaamheid, eerlijkheid, autonomie en gelijkheid. Alle vijf waarden vallen onder de strikte-meerderheidsdrempel van 0,5: het sterkste veiligheidsarchetype plaatst minder dan 40 procent van zijn massa op veiligheid, en het sterkste op autonomie slechts 16 procent.

Het argmax-dominantiebeeld is genuanceerder. Negen archetypen zijn veiligheid-argmax, zeven eerlijkheid-argmax en zeven gelijkheid-argmax, maar nul zijn behulpzaamheid- of autonomie-argmax. Ondanks dat behulpzaamheid het verklaarde alignmentsdoel van de industrie is, is geen enkel frontier-model behulpzaamheid-gedomineerd. De asymmetrie is scherp: zeven archetypen beconcurreren de gelijkheids-constituentie van 7,6 procent van de gebruikers, terwijl nul de autonomie-constituentie van 19,2 procent bedienen.

De dynamische kloof: drift weg van een al onderbediende waarde

De drift-analyse is het meest verontrustende deel. Over zes modelfamilies met meerdere chronologische versies daalt het autonomie-gewicht in vijf van de zes families, stijgt het gelijkheids-gewicht in vijf van de zes, en stijgt het veiligheids-gewicht in vier van de zes. De geaggregeerde beweging is plus 0,052 voor veiligheid, plus 0,002 voor behulpzaamheid, min 0,043 voor eerlijkheid, min 0,042 voor autonomie en plus 0,031 voor gelijkheid.

De waarde met de grootste statische dekkingskloof, autonomie met bèta 0,16, is de enige waarde die in vijf van de zes families daalt. De frontier beweegt zich weg van de constitutionele waarde die het statische menu het meest onderbedient. Een order-permutatietest verwerpt uitwisselbare versielabels op p gelijk aan 0,013, en autonomie en gelijkheid overleven Bonferroni-correctie.

De drift is bovendien stakes-afhankelijk. De autonomiedaling is geconcentreerd in laag-risico-scenario's zoals ontslagbrieven en satire, met een gemiddelde daling van 0,22 in het autonomie-aandeel, terwijl hoog-risico-autonomie gedurende het hele venster bijna nul bleef. Dit is geen veiligheidstraining die werkt zoals bedoeld: de daling vindt plaats waar veiligheid niet in het geding is. Mensen daarentegen differentiëren wel tussen stakes, met 0,54 laag tegenover 0,46 hoog, en behouden een hoog-risico-autonomievraag die geen enkel frontier-model levert.

De fix is spaarzaam: twee vertices verslaan 23 archetypen

Onder het gemiddelde-regret-objectief is de frontier zo constitutioneel gecomprimeerd dat een enkel benchmark-constitutioneel richtingspunt het volledige 23-archetypen-menu evenaart of marginaal overtreft. Het headline-resultaat is twee vertices: het menu met eerlijkheid en autonomie bereikt een gemiddeld regret van 0,074, 47 procent lager dan de volledige frontier, met 21 minder archetypen.

De auteurs benadrukken dat dit een diagnose van dekkingsgeometrie is, geen deployment-aanbeveling. Drie vertex-toevoegingen aan de bestaande frontier reduceren het gemiddelde regret met tot 81 procent en het worst-group regret met tot 64 procent, afhankelijk van of men optimaliseert voor de gemiddelde gebruiker of de slechtst-bedienende constituentie.

De trilemma: je kunt niet alles tegelijk

De theorie formaliseert een budget-gebonden pluralisme-trilemma. Met een klein genoeg menu kunnen ontwikkelaars niet tegelijk individuele fit maximaliseren, regret over groepen gelijkstellen en het menu begrensd houden. Empirisch bindt het trilemma: bij een menu van drie vertices kan het haalbare worst-group regret niet onder 0,093 dalen, dus elke pariteits-tolerantie onder 0,09 gecombineerd met een drie-vertex-budget maakt het trilemma bindend.

Het gemiddeld-optimale drie-vertex-menu met veiligheid, eerlijkheid en autonomie zet regret op nul voor die drie klassen, maar verhoogt het gelijkheids-regret van 0,175 op de frontier naar 0,215. Het gemiddelde daalt van 0,140 naar 0,032 terwijl de worst-group stijgt naar 0,215. De keuze tussen objectieven bij kleine budgetten is zelf normatief.

Waarom dit relevant is voor de Nederlandse publieke sector

Voor Nederlandse gemeenten, ministeries en ZBO's die een LLM deployen, is de implicatie direct. Een overheidsorganisatie die een frontier-model inzet, erft een constitutionele rangschikking die afwijkt van publieke waarden. Autonomie, een kernwaarde in Nederlandse overheidsdienstverlening, daalt systematisch in nieuwere modelversies. Geen enkele DPIA of AI Act-assessment vangt dit, omdat geen enkele conformiteitsbeoordeling vraagt welke constitutionele waarden een model encodeert.

De EU AI Act vereist in Artikel 15 en Annex III dat high-risk AI-systemen voldoen aan waarden-normatieve eisen, maar de wet specificeert niet hoe die waarden moeten worden gemeten. Dit paper biedt een instrument: een audit die de impliciete constitutionele rangschikking van een model blootlegt. Voor de NORA- en BIO2-context betekent dit dat waarden-audits een concreet, meetbaar onderdeel van AI-governance kunnen worden, vergelijkbaar met hoe BIO2 de security-baseline meetbaar maakt.

Onzekerheden en beperkingen

De auteurs erkennen vier beperkingen. Ten eerste is het vijf-waarden-kader bewust compact; culturele geschiktheid, milieukosten en intergenerationele impact worden niet gemodelleerd. Ten tweede is lineaire welvaart de meest gunstige aanname voor de aanbodzijde, en matching-welvaart versterkt de smalheid. Ten derde is de steekproef Amerikaans-Prolific en zijn de scenario's door de ontwerpers gekozen; een cross-nationale steekproef zou de vraaggeometrie kunnen uitbreiden, inkrimpen of heroriënteren. Ten vierde is de drift observationeel: de trendtest toont dat versievolgorde er toe doet, niet waarom.

De audit gebruikt temperatuur nul op as-shipped defaults. Sturen zou het haalbare gebied kunnen uitbreiden, maar defaults zijn het equity-relevante object: ze zijn wat de mediane gebruiker ontvangt, en sturen vereist weten wat je moet vragen, een capaciteit die plausibel samenhangt met tech-geletterdheid.

Conclusie

De frontier-AI-markt is constitutioneel gecomprimeerd ten opzichte van de vraag die zij bedient. De drift is statistisch significant en directioneel asymmetrisch: weg van een al onderbediende waarde, geconcentreerd waar veiligheid niet in het geding is. De kloof is sluitbaar met een spaarzaam vertex-basis, maar de governance-vraag is of het gedeployde menu breed genoeg is om de vraag te dekken die het bedient.

Voor Nederlandse overheidsorganisaties is de vraag concreet: codeert uw model de waarden van uw organisatie, of die van de provider? En wie kiest de grondwet van de AI die namens de overheid beslissingen neemt?

arxiv.org/abs/2609.01275