Domstol fastslår Pentagons rätt att svartlista Anthropic efter tvist om Claude-funktioner

Försvarsdepartementet uppgav att det kunde svartlista AI-startupen Anthropic efter att företaget vägrat aktivera vissa Claude-funktioner för ett Pentagonprojekt. En federal appellationsdomstol i Washington, D.C., höll med om att Pentagons åtgärd är tillåten enligt en annan lag om leveranskedjor. Domen meddelades den 25 september 2026 och innebär att svartlistningen består, medan den lägre instansens tidigare beslut begränsas till en snävare lagbestämmelse.

Så gick det till

I augusti 2026 slog en domare vid den federala distriktsdomstolen för Northern District of California fast att Pentagons svartlistning stred mot 10 U.S.C. § 3252. Lagen begränsar begreppet ”risk i leveranskedjan” till fall där en motståndare avsiktligt saboterar eller för in skadlig kod. Domaren ansåg att Anthropic inte hade visat att det fanns något ont uppsåt, och därför var svartlistningen enligt den bestämmelsen olaglig.

Pentagon hänvisade dock också till 41 U.S.C. § 4713, en bredare befogenhet som inte kräver bevis för ont uppsåt. Kongressen gav appellationsdomstolen i Washington, D.C., exklusiv behörighet att tolka den lagen när det gäller försvarsupphandling. Appellationsdomstolen sade att underinstansens fokus på uppsåt saknade betydelse enligt § 4713, och att svartlistningen därför kunde bestå.

Vad händer nu?

Pentagon kan fortsätta att klassificera Anthropic som en ”risk i leveranskedjan” enligt den bredare lagen. Anthropic kan fortfarande försöka överklaga beslutet, men ett eventuellt fortsatt överklagande måste gå via appellationsdomstolen i Washington, D.C., inte distriktsdomstolen. Fallet visar hur staten kan använda olika juridiska definitioner för att begränsa AI-leverantörer som den bedömer som riskfyllda.

Tills vidare kommer Anthropics Claude-modell inte att vara tillgänglig i några Pentagonsystem som är beroende av de svartlistade funktionerna. Andra AI-företag som följer fallet kan komma att ändra sina avtal med försvarsdepartementet för att undvika liknande klassificeringar.