AI的使用场景正逐步从工作领域扩展到人际关系、健康等更私人的议题。Anthropic分析了约150万条Claude.ai对话，试图量化部分互动是否可能削弱用户的自主判断。研究将此类风险定义为“去赋权潜能”，即互动可能在不易察觉的情况下，使用户对现实的理解、价值判断或后续行动偏离其原本的判断。

研究将去赋权拆分为三个维度：现实认知扭曲指AI以过度肯定的方式附和用户的推测，导致其对现实的理解出现偏差；价值扭曲指AI替用户决定哪些价值应优先考虑，使其原本重视的价值被外部建议取代；行动扭曲则指AI提供可直接照搬的完整脚本或行动计划，用户照单全收后，其行为与自身价值观出现脱节。

研究团队先通过分类器剔除纯技术性对话，再由Claude Opus 4.5对每条对话在三个维度上进行从“无”到“高严重”的分级，并辅以人工标注验证。量化结果显示，高严重等级的案例整体较少，约每1,000至10,000条对话中出现1例。最常见的为现实认知扭曲，约每1,300条对话出现1例；其次是价值扭曲，约每2,100条对话1例；行动扭曲则约每6,000条对话出现1例。

研究还识别出四种放大因素：权威投射、情感依附、依赖心理与脆弱处境。其中，高严重等级最常出现在脆弱处境中，约每300条对话出现1例；依附、依赖与权威投射的高严重比例则依次为每1,200条、2,500条和3,900条对话1例。团队发现，放大因素越明显，对应的去赋权潜能也越高。

去赋权潜能较高的对话多集中在人际关系、生活方式、医疗保健与心理健康等领域。研究通过隐私保护分析工具归纳出常见互动模式，包括：AI以迎合语气肯定难以验证的叙述、对他人行为给出过度定性的道德评判，或直接生成可复制粘贴的沟通话术与分步行动计划。

由于Claude.ai提供点赞与点踩反馈机制，研究发现，带有中度或高严重去赋权潜能的互动，在当下反而更容易获得正面评价。但若对话中出现用户已采取行动的线索，与价值和行动相关的正面评价会低于基准水平；而现实认知扭曲则是例外，即使出现已采取行动的线索，正面评价仍偏高。

Anthropic提醒，此类风险通常并非AI主动操控所致，而是用户在情绪强烈或反复依赖的互动中，将判断权交给了系统。若系统以迎合态度或提供完整方案回应，便可能放大用户的认知偏差。