Claude ajoute désormais des marqueurs au texte généré par l'IA : analyse du filigrane invisible d'Anthropic et du mécanisme de traçabilité C2PA

Introduction

Anthropic a commencé à déployer des marqueurs lisibles par machine pour les contenus générés par Claude pris en charge.

Ce changement comporte deux volets :

1. Un filigrane intégré dans le texte généré.
2. Des métadonnées de provenance avec signature numérique pour les fichiers générés pris en charge.

Cette politique est liée à l'engagement d'Anthropic envers le code de conduite de l'Union européenne au titre de l'article 50, paragraphe (2), du Règlement sur l'intelligence artificielle concernant la transparence des contenus générés par IA.

Mais le déploiement va au-delà de l'Union européenne.

Anthropic indique que lorsque les modèles Claude prennent en charge le marquage, ces marqueurs s'appliquent à tous les canaux où ce modèle est proposé dans le monde entier. Que la sortie provienne de l'interface grand public de Claude, de l'API, de Claude Code, de Claude Cowork, de Claude Tag ou des intégrations chez les fournisseurs de cloud pris en charge, le marquage textuel au niveau du modèle doit être présent.

Cela ne signifie pas que tous les textes Claude générés par le passé peuvent désormais être détectés.

Plusieurs limites importantes existent :

• Les modèles publiés avant le déploiement de la fonctionnalité de marquage peuvent ne pas porter de filigrane.
• Les réécritures massives, reformulations, traductions ou mélanges avec d'autres textes peuvent affaiblir ou supprimer le signal détectable.
• Les extraits de texte très courts peuvent ne pas contenir suffisamment de signal pour une détection fiable.
• Les captures d'écran, conversions de format, réenregistrements ou plateformes non prises en charge peuvent retirer les métadonnées de fichier.
• La détection d'un filigrane Claude indique que le contenu a potentiellement été traité par Claude ; cela ne prouve pas que Claude en est l'auteur original.

Ces distinctions sont précisément ce qui sépare un signal de provenance utile des détecteurs génériques d'auctorialité IA.

Pourquoi Anthropic ajoute des marqueurs lisibles par machine

Le contexte réglementaire direct est le Règlement européen sur l'intelligence artificielle.

L'article 50 introduit des obligations de transparence pour certains systèmes d'IA et contenus générés par IA. Le code de conduite sur la transparence élaboré par la Commission européenne vise à aider les fournisseurs et déployeurs à remplir ces obligations.

La Commission décrit les exigences pertinentes comme couvrant :

• Le marquage lisible par machine des contenus générés ou manipulés par IA.
• La détection de ces marqueurs.
• L'étiquetage des deepfakes.
• L'étiquetage de certains textes générés ou manipulés par IA publiés pour informer le public.

Les obligations de transparence s'appliquent à partir du 2 août 2026.

Anthropic, en tant que fournisseur de modèles et de systèmes d'IA générative, a signé le code de conduite au titre de l'article 50, paragraphe (2).

Son système de filigrane Claude est la voie de mise en œuvre choisie par l'entreprise pour honorer ces engagements.

Le point clé est que les exigences légales portent sur la transparence et les signaux de provenance, et non sur l'affichage d'avertissements visibles à chaque phrase générée par IA.

Les marqueurs lisibles par machine peuvent fonctionner de manière invisible dans le contenu tout en permettant aux outils compatibles de les inspecter.

Claude utilise deux couches de marquage complémentaires

La conception d'Anthropic sépare la provenance textuelle de la provenance des fichiers.

Fichiers | Conformes à la norme C2PA, ajoutent des informations de source/historique signées | Les métadonnées peuvent être retirées lors de conversions de format, captures d'écran, réenregistrements ou flux de travail non pris en charge |

La double couche est essentielle car les textes et les fichiers échouent de manières différentes.

Un système reposant uniquement sur les métadonnées perd facilement l'information lors de conversions de fichiers.

Un signal textuel seul ne peut pas décrire l'historique plus riche d'une image générée ou d'autres fichiers.

C'est pourquoi Anthropic adopte une approche en couches plutôt que de considérer une technologie unique comme suffisante pour tous les types de sorties.

Couche 1 : Filigrane invisible intégré dans le texte

Pour les modèles pris en charge, les textes générés par Claude contiennent un filigrane imperceptible directement intégré dans le texte.

Anthropic précise que ce filigrane :

• Est invisible pour le lecteur.
• Ne modifie pas le sens voulu.
• Ne réduit pas la lisibilité.
• Se propage avec le texte lors du copier-coller.
• Peut persister après certaines opérations d'édition.
• Est appliqué au niveau du modèle, pas seulement dans une interface produit.

Ce dernier point est particulièrement important.

Le filigrane n'est pas une simple balise HTML ajoutée par le site Claude.

Anthropic indique que le filigrane est intégré au niveau de la sortie du modèle, ce qui explique pourquoi le texte pris en charge conservé son marquage lorsqu'on accède au même modèle via différents produits ou plateformes Claude.

Le copier-coller ne supprime pas automatiquement le filigrane

Si un utilisateur copie un texte Claude filigrané depuis une interface vers :

• Un e-mail.
• Un document.
• Un CMS.
• Une application de notes.
• Un brouillon de blog.

Le filigrane peut se propager avec le texte.

Cela diffère des étiquettes visibles ou des métadonnées de fichier ordinaires — qui peuvent disparaître dès que le contenu est copié hors de l'application d'origine.

Cependant, « se propage avec le texte » ne doit pas être interprété comme « ne peut pas être supprimé ».

Anthropic précise explicitement que des transformations suffisamment importantes peuvent rendre le signal indétectable.

Effet de l'édition sur le filigrane textuel

Anthropic énumère plusieurs situations où un texte généré par Claude peut ne plus porter de marqueur détectable :

• Édition massive.
• Reformulation.
• Traduction.
• Mélange avec d'autres écrits.
• Extraits très courts.

C'est la limite fondamentale du filigrane textuel.

Le texte peut être transformé facilement tout en conservant son sens.

Par exemple :

Brouillon original Claude
→ Réécriture humaine de 30 % du contenu
→ Changement de langue par un traducteur
→ Fusion par un éditeur avec des paragraphes rédigés par un humain
→ Le document final ne contient qu'un court extrait

À un certain stade, il peut ne plus rester suffisamment de structure statistique ou intégrée originale pour qu'un détecteur identifie de manière fiable le filigrane Claude.

Cela signifie que le filigrane doit être considéré comme un signal de provenance positif lorsqu'il est présent, et non comme une preuve de rédaction humaine lorsqu'il est absent.

Le filigrane Claude ne prouve pas que Claude a créé le contenu original

C'est l'un des avertissements les plus importants d'Anthropic.

Un marqueur détecté peut signifier que le contenu a été traité par Claude.

Cela ne revient pas à prouver que Claude est à l'origine de toutes ses idées ou formulations.

Imaginons qu'un utilisateur rédige manuellement un rapport, puis demande à Claude de :

• Relire.
• Traduire.
• Condenser.
• Améliorer la clarté.
• Convertir dans un autre format de fichier.
• Résumer.

La sortie finale peut porter un filigrane Claude.

Bien que le contenu sous-jacent provienne initialement de l'utilisateur.

La bonne compréhension est :

Filigrane Claude détecté
→ Claude a probablement traité ce contenu

Et non :

Filigrane Claude détecté
→ Claude a créé de manière indépendante tout le contenu

Cette distinction est cruciale pour les écoles, éditeurs, employeurs, équipes de conformité et quiconque tente d'inférer l'auctorialité à partir de signaux automatisés.

Couche 2 : Métadonnées de provenance signées pour les fichiers

Lorsque Claude génère des types de fichiers pris en charge, Anthropic indique que des métadonnées de provenance signées numériquement peuvent être attachées.

Exemples :

.svg
.png
.jpg

Ces métadonnées suivent la norme de la Coalition pour la provenance et l'authenticité du contenu (C2PA).

La C2PA est une norme technique ouverte pour enregistrer la provenance des contenus numériques.

Ses credentials de contenu peuvent inclure un historique signé du fichier, comme :

• Les outils impliqués dans la création du fichier.
• La date de création.
• Le processus de génération.
• Des informations sur le modèle.

La grande limite est que les métadonnées sont fragiles en dehors du fichier d'origine.

Les actions suivantes peuvent les supprimer :

Capture d'écran
→ Conversion de format
→ Réenregistrement sur une plateforme non prise en charge
→ Téléversement vers un service qui traite et retélécharge les fichiers
→ Modification par un outil qui ne préserve pas C2PA

Une image générée par Claude et partagée sur une plateforme non conforme C2PA peut perdre l'intégralité de sa provenance signée.

Couverture et limites actuelles du filigrane

Anthropic ne précise pas que toutes les sorties Claude sont filigranées dans tous les scénarios.

Les précisions suivantes s'appliquent :

• Le marquage est disponible pour les modèles qui le prennent en charge.
• Le filigrane textuel et les métadonnées de fichier peuvent ne pas être disponibles pour tous les types de sortie.
• Certains contenus peuvent rester non marqués pendant la transition ou lorsque la fonctionnalité n'est pas applicable.
• La détection n'est pas un simple test binaire garanti.

Cela signifie que l'absence de filigrane n'est pas une preuve que le texte a été rédigé par un humain.

Un texte entièrement généré par un modèle Claude antérieur peut ne pas porter de filigrane.

Un texte long généré par un modèle actuel peut perdre son filigrane après une reformulation.

Un utilisateur peut également générer du contenu, puis utiliser des outils de paraphrase pour le modifier délibérément.

Exemples pratiques de fonctionnement du filigrane

Scénario 1 : Rédaction directe

Utilisateur : « Rédige un e-mail professionnel pour reporter une réunion »
→ Claude génère le texte → filigrane intégré → le texte est copié dans Outlook → le filigrane est propagé

Scénario 2 : Traduction

Un texte long généré par Claude est traduit de l'anglais vers le français par un traducteur humain
→ le filigrane peut être affaibli ou transformé
→ l'outil de détection peut échouer

Scénario 3 : Génération d'image

Claude génère une image .png → les métadonnées C2PA sont attachées au fichier → l'utilisateur fait une capture d'écran de l'image → les métadonnées sont perdues

Scénario 4 : Intégration API

Une application backend appelle l'API Claude → le texte généré retourné à l'application → le filigrane est intégré au texte → l'application affiche le texte à l'utilisateur final → le filigrane est toujours présent

Impact sur les workflows de développement

Anthropic précise que le filigrane est appliqué au niveau du modèle.

Cela simplifie la conformité pour les développeurs : si le modèle prend en charge le marquage, le texte généré est filigrané indépendamment de l'interface.

Mais cela crée également une responsabilité pour les développeurs qui :

• Modifient le texte après génération.
• Traduisent la sortie.
• Résument la sortie.
• Compressent ou convertissent dans d'autres formats.

Ces transformations peuvent affaiblir ou supprimer le filigrane.

Les développeurs ne doivent pas supposer que le texte restera indéfiniment détectable après traitement.

Transparence et avertissements utilisateur

Le filigrane est lisible par machine et n'est pas conçu pour afficher un avertissement visible à chaque fois.

Il existe toutefois des interfaces où Claude affiche des étiquettes visibles, comme l'indication distincte que le contenu a été généré par IA dans une conversation.

Cela signifie que les utilisateurs de l'interface Claude peuvent voir des indicateurs visibles, tandis que les développeurs API disposent de signaux invisibles dans le texte.

Les deux approches peuvent coexister : l'une pour la transparence utilisateur, l'autre pour la traçabilité technique.

Relation avec le Code de conduite de l'UE sur la transparence

Le code de conduite de la Commission européenne vise à concrétiser les obligations de l'article 50 en pratiques opérationnelles.

Le filigrane Claude s'inscrit dans ce cadre en tant que mesure technique.

Mais les obligations des fournisseurs et déployeurs ne sont pas identiques :

• Le fournisseur (Anthropic) marque le contenu généré.
• Le déployeur (une entreprise utilisant l'API Claude dans son produit) peut avoir des obligations supplémentaires en aval.

Le texte publié pour informer le public, par exemple, peut avoir des exigences différentes selon le contexte.

Les déployeurs doivent vérifier leurs propres obligations en vertu du droit local et européen.

Principaux points à retenir

1. Le filigrane Claude est invisible et intégré au niveau du modèle — il se propage avec le texte généré, indépendamment de l'interface utilisée.
2. La provenance des fichiers utilise la norme C2PA — avec les limites liées aux conversions de format et aux plateformes non prises en charge.
3. La détection est positive, non négative — la présence d'un filigrane est un signal que Claude a traité le contenu ; l'absence n'est pas une preuve d'écriture humaine.
4. Le filigrane peut être affaibli — par réécriture, traduction, édition massive ou mélange avec d'autres textes.
5. Le marquage s'applique aux modèles pris en charge — pas nécessairement aux anciens modèles ou à toutes les sorties passées.
6. Les développeurs doivent évaluer leurs propres obligations — le marquage en amont ne remplace pas la conformité en aval.

Conclusion

Le système de filigrane de Claude ajoute un signal de provenance lisible par machine à certains contenus générés. Il ne s'agit pas d'un détecteur universel de tous les textes générés par IA, ni d'une garantie d'authenticité humaine en cas d'absence de filigrane.

Il s'agit d'un outil technique qui aide les déployeurs, les utilisateurs et les autorités à comprendre quand un contenu a probablement été traité par Claude.

Les limites définies par Anthropic sont importantes : tout texte transformé, traduit, reformulé ou raccourci peut perdre le filigrane. Les fichiers convertis ou recapturés peuvent perdre leurs métadonnées.

Les systèmes de provenance les plus efficaces ne reposent pas sur une seule technologie, mais combinent plusieurs signaux dans une chaîne d'analyse.

L'approche d'Anthropic illustre cette direction : un filigrane textuel pour la couche linguistique, des métadonnées C2PA pour la couche fichier, et une politique de couverture documentée au niveau des modèles.

Pour les développeurs, les entreprises et les régulateurs, le point pratique est le suivant : le filigrane n'élimine pas le besoin d'examiner attentivement comment le contenu est généré, transformé et distribué, mais il offre un outil de plus pour établir une traçabilité au sein de l'écosystème Claude.

Code est également couvert

Anthropic répertorie Claude Code parmi les interfaces couvertes.

Cela signifie que les textes générés via Claude Code par les modèles pris en charge peuvent porter la même marque d'eau intégrée au niveau du modèle.

C'est important, car la sortie d'un agent de codage peut prendre de nombreuses formes :

• Explications.
• Messages de validation.
• Documentation.
• Commentaires de code.
• Code généré.
• Fichiers Markdown.
• Texte destiné au terminal.

La page d'aide officielle décrit la marque d'eau comme s'appliquant généralement aux textes générés.

Cependant, Anthropic n'a pas encore publié suffisamment de détails techniques pour étayer des affirmations fiables sur les performances du détecteur dans divers langages de programmation, sur des extraits de code courts, des fichiers compressés ou des bases de code fortement modifiées.

Par conséquent, les développeurs devraient éviter de considérer la marque d'eau comme un outil de scan de conformité logicielle.

Claude Cowork et Claude Tag sont également inclus

La même politique s'applique à Claude Cowork et Claude Tag lorsqu'ils utilisent des modèles pris en charge.

C'est important, car ces produits peuvent générer des livrables dépassant le cadre de simples réponses de chat.

Les utilisateurs peuvent demander à Claude de :

• Rédiger des rapports.
• Créer des présentations.
• Produire des supports visuels.
• Générer des documents.
• Préparer des sorties de travail structurées.

Par conséquent, le marquage textuel et la traçabilité des fichiers peuvent apparaître dans différentes parties d'un même flux de travail.

Un document peut contenir du texte marqué d'un filigrane, tandis que les images prises en charge exportées portent des métadonnées de traçabilité signées.

Situation sur AWS, Google Cloud et Microsoft Foundry

Anthropic couvre également les plateformes cloud tierces.

Pour les modèles Claude pris en charge accessibles via :

• Amazon Web Services (AWS).
• Google Cloud.
• Microsoft Foundry.

La marque d'eau textuelle intégrée s'applique également.

La couche de traçabilité des fichiers est plus conditionnelle.

Anthropic indique que, en raison des différences de capacités de traitement des fichiers disponibles, les métadonnées de traçabilité signées peuvent ne pas être prises en charge sur chaque plateforme cloud.

La différence pratique est la suivante :

C'est une autre raison de ne pas décrire l'ensemble du système comme un filigrane universel.

La couche textuelle et la couche fichier ont des exigences de déploiement différentes.

Quels modèles Claude sont marqués ?

La règle actuelle d'Anthropic repose sur la date de sortie des modèles.

La documentation officielle indique :

Les modèles Claude publiés dans l'UE le 2 août 2026 ou après cette date prennent en charge le marquage lisible par machine dès leur sortie.

Les modèles publiés avant cette date ne sont pas automatiquement couverts par cette déclaration.

Anthropic indique qu'il travaille à l'ajout de la prise en charge du marquage pour les modèles plus anciens.

L'entreprise n'a pas encore publié un tableau simple et permanent indiquant que chaque modèle Claude historique est désormais doté des deux couches de marquage.

Par conséquent, une mise en œuvre fiable devrait consulter la documentation actuelle des modèles, plutôt que de déduire la prise en charge du simple mot « Claude ».

Les produits utilisant des modèles plus anciens ne devraient pas supposer :

Modèle Claude
= certainement marqué

La bonne question est :

Ce modèle Claude spécifique prend-il actuellement en charge le marquage ?

La date du 2 août ne signifie pas que toutes les anciennes sorties sont rétroactivement modifiées

La marque d'eau s'applique lorsque le contenu est généré ou traité par un modèle pris en charge.

Elle ne modifie pas rétroactivement les textes générés par Claude il y a des mois.

Les documents créés avant le déploiement n'acquièrent pas soudainement un signal caché parce que le modèle a été mis à jour ultérieurement.

De même, si un ancien modèle ne prenait pas en charge le marquage lors de la génération d'un texte, l'absence de marque n'apporte que peu d'informations quant à la participation de Claude.

C'est l'une des raisons pour lesquelles le détecteur ne peut pas servir de base de données historique complète sur la paternité de l'IA.

Anthropic développe des outils de détection

La valeur pratique d'un filigrane est limitée si personne ne peut le vérifier.

Anthropic indique prévoir de soutenir la détection par :

• Les utilisateurs de Claude.
• D'autres tiers.

L'entreprise déclare que la documentation technique future expliquera plus en détail le mécanisme de détection.

À la date de publication de cet article, ce guide technique est encore en préparation.

Cela signifie qu'il existe une distinction importante entre :

Anthropic a déployé la prise en charge du marquage

et :

N'importe qui peut immédiatement exécuter un détecteur public entièrement documenté pour repérer chaque marquage Claude

La première affirmation est étayée.

La seconde est trop absolue.

Ce que les futurs détecteurs Claude pourront vous dire

Anthropic décrit la détection comme le fait de vérifier si un texte ou un fichier porte une marque Claude prise en charge.

Si une marque prise en charge est détectée, l'interprétation sûre est :

Ce contenu a possiblement été traité par Claude.

Cette formulation est importante.

Le détecteur ne devrait pas automatiquement affirmer :

• Claude a écrit chaque phrase.
• Aucune contribution humaine.
• Le contenu est faux.
• Le contenu est plagié.
• L'utilisateur a violé une politique.
• L'ensemble du document a été généré par l'IA.

L'information de source est une preuve concernant l'historique du traitement.

Ce n'est pas un jugement moral ou qualitatif.

Pourquoi « aucun filigrane détecté » est une preuve faible

Anthropic est également explicite sur la situation inverse.

L'absence de détection de filigrane ne prouve pas que le contenu a été rédigé par un humain.

Un contenu généré par Claude peut manquer un signal détectable pour plusieurs raisons :

1. Il provient d'un modèle qui ne prend pas encore en charge le marquage par filigrane.
2. Il a été fortement édité.
3. Il a été réécrit ou paraphrasé.
4. Il a été traduit.
5. Il a été mélangé avec d'autres textes.
6. Il est trop court.
7. Les métadonnées de fichier associées ont été supprimées.
8. La plateforme ou le type de fichier utilisé ne prend pas en charge cette méthode de marquage.

Cela rend le détecteur asymétrique.

Un résultat positif peut fournir des preuves utiles.

Un résultat négatif ne peut pas exclure de manière fiable la participation de l'IA.

Pourquoi cela importe pour les écoles et les employeurs

Les systèmes de détection d'IA sont souvent utilisés dans des contextes à enjeux élevés.

Par exemple :

• Examens d'intégrité académique.
• Évaluations de recrutement.
• Journalisme.
• Évaluation des performances des employés.
• Édition.
• Flux de travail de documents juridiques.

Le filigrane Claude peut améliorer la traçabilité des sources, mais il ne devrait pas être traité comme un « détecteur de culpabilité » automatisé.

Un processus responsable devrait distinguer :

Un signal Claude lisible par machine

de :

Une preuve qu'une personne a enfreint une règle

Si une université autorise la relecture assistée par l'IA mais interdit les devoirs entièrement rédigés par l'IA, la simple détection d'un filigrane ne détermine pas quel comportement a eu lieu.

Le texte peut provenir de l'étudiant lui-même, simplement édité par Claude.

Des politiques humaines et des preuves contextuelles restent nécessaires pour juger.

Pourquoi cela importe pour les éditeurs et les rédactions

Les éditeurs pourraient trouver les informations de source lisibles par machine utiles pour le suivi des flux de travail internes.

Par exemple, une rédaction peut distinguer :

• Brouillons rédigés par des humains.
• Édition assistée par Claude.
• Traduction par Claude.
• Illustrations générées par IA.
• Publications finales éditées par des humains.

Mais les systèmes de traçabilité des sources fonctionnent mieux dans les flux de travail où les données sont préservées.

Si le contenu est copié entre des outils qui suppriment les métadonnées, ou considérablement réécrit, la chaîne de traçabilité devient incomplète.

Pour les flux de travail éditoriaux sensibles, les organisations peuvent avoir besoin de conserver :

• Fichiers originaux.
• Informations d'identification du contenu.
• Historique des éditions.
• Enregistrements d'assistance IA.
• Enregistrements d'approbation humaine.

Le filigrane n'est qu'un signal parmi d'autres dans un système plus large de traçabilité des sources, et non la totalité.

Ce système n'a pas pour but de rendre le texte IA « impossible à cacher »

Le titre de l'article source suggère que le contenu généré par IA pourrait devenir impossible à cacher.

Cela exagère les affirmations d'Anthropic.

Anthropic

Le document enregistre explicitement plusieurs situations dans lesquelles un filigrane peut devenir indétectable.

Une réécriture importante affaiblit le signal du texte.

Les captures d'écran et les conversions de format suppriment les métadonnées du fichier.

Certaines interfaces non prises en charge peuvent ne pas conserver tous les types de filigranes.

Une conclusion plus précise serait :

Lorsque le signal d'origine est préservé, le contenu généré par Claude devient plus facile à identifier, mais ce système ne rend pas l'IA en permanence ou universellement détectable.

Cela correspond à la réalité technique plus large des systèmes de traçabilité des sources.

La robustesse est un spectre progressif, et non une garantie absolue.

Comparaison de l'approche de Claude avec C2PA et SynthID

La méthode d'Anthropic combine deux concepts déjà visibles ailleurs dans le secteur de l'IA.

C2PA / Content Credentials

C2PA fournit des informations de provenance signées cryptographiquement pour les actifs numériques.

Cette norme est prise en charge dans un écosystème croissant, notamment :

• Les entreprises d'IA.
• Les fabricants d'appareils photo.
• Les fournisseurs de logiciels.
• Les organismes de presse.
• Les plateformes de contenu.

L'outil public Content Credentials Verify peut vérifier la présence de credentials compatibles dans les fichiers pris en charge.

Google SynthID

SynthID de Google DeepMind intègre un filigrane imperceptible directement dans le contenu généré par l'IA.

Google indique que SynthID peut s'appliquer à :

• Les images.
• L'audio.
• Le texte.
• La vidéo.

Ce concept est plus proche de la couche de filigrane intégrée d'Anthropic que des métadonnées C2PA.

Signaux de provenance d'OpenAI

OpenAI documente actuellement les signaux de provenance pour les médias générés pris en charge, notamment les métadonnées C2PA et SynthID dans les workflows d'images et d'audio pris en charge.

L'outil de vérification public d'OpenAI s'adresse aux fichiers médias pris en charge, et non à un détecteur générique de texte généré par l'IA.

Par conséquent, la direction plus large du secteur est une provenance en couches :

Signal intégré
+
Métadonnées signées
+
Outils de vérification
+
Étiquetage des plateformes

Anthropic ajoute un filigrane textuel, ce qui intègre Claude plus directement dans ce modèle.

Le filigrane textuel est plus difficile que les métadonnées d'image

Le texte pose des problèmes de provenance particulièrement délicats.

Une image peut contenir des informations cachées dans ses pixels ou ses métadonnées tout en conservant le même visuel.

Le texte, lui, est souvent transformé au niveau sémantique.

Les utilisateurs peuvent :

• Remplacer par des synonymes.
• Réorganiser l'ordre des phrases.
• Traduire le texte.
• Résumer.
• Développer.
• Fusionner plusieurs brouillons.
• Faire réécrire par un autre modèle.

Le résultat peut conserver le même sens tout en remplaçant une grande partie de la séquence de tokens d'origine.

Par conséquent, un filigrane textuel robuste doit trouver un équilibre entre des objectifs concurrents :

1. Rester imperceptible.
2. Maintenir la qualité linguistique.
3. Résister aux modifications courantes.
4. Être détectable.
5. Résister aux faux positifs.
6. Ne pas être facilement falsifiable.

Anthropic n'a pas encore publié suffisamment de détails d'implémentation pour évaluer indépendamment l'ensemble de ces compromis.

Pourquoi Anthropic n'a pas encore publié tous les détails techniques

Les systèmes de filigrane sont confrontés à des problèmes d'adversité.

Si un attaquant sait exactement comment le filigrane est construit, il pourrait tenter de :

• Supprimer le filigrane.
• Falsifier le filigrane.
• Le transférer sur du texte rédigé par un humain.
• Concevoir des transformations qui contournent la détection.
• Provoquer des faux positifs.

Dans le même temps, un système totalement invisible est difficile à évaluer pour les chercheurs et les régulateurs.

La position actuelle d'Anthropic est un compromis.

Elle documente publiquement :

• L'existence du marquage.
• L'architecture à deux couches.
• La couverture produit.
• Les principales limites.
• Le projet de détection par des tiers.

Des directives de détection détaillées restent à publier.

Cela laisse la place à l'entreprise pour publier ultérieurement un cadre technique plus complet.

Le champ d'application de l'article 50 de la loi européenne sur l'IA est plus large que celui de Claude

Le système de marquage d'Anthropic doit être compris comme la mise en œuvre par un fournisseur donné d'un régime européen de transparence plus large.

La Commission européenne indique que l'article 50 concerne les obligations de transparence des fournisseurs et des déployeurs de systèmes d'IA générative.

Le code de bonnes pratiques est volontaire en tant que mécanisme de conformité, mais les obligations légales de l'article 50 en lui-même ne sont pas purement volontaires.

Ce code contient des sections distinctes :

• Fournisseurs : marquage et détection.
• Déployeurs : étiquetage des deepfakes et de certains textes générés ou traités par l'IA.

Les obligations réelles peuvent donc varier selon que l'organisation :

construit un système d'IA générative

ou :

utilise un système d'IA générative pour publier du contenu

Les développeurs ne doivent pas supposer que l'utilisation d'un modèle en amont conforme satisfait automatiquement toutes les obligations du déployeur en aval.

Le code de bonnes pratiques sur la transparence diffère du code GPAI

Il existe plusieurs codes de bonnes pratiques sur l'IA dans l'UE, ce qui peut prêter à confusion.

Le code de bonnes pratiques sur la transparence du contenu généré par l'IA concerne les obligations de marquage et d'étiquetage de l'article 50.

Le précédent code de bonnes pratiques sur l'IA à usage général (GPAI) concerne les obligations des fournisseurs de modèles d'IA à usage général, notamment dans les domaines suivants :

• Documentation sur la transparence.
• Droits d'auteur.
• Sûreté et sécurité des modèles à risque systémique.

Anthropic est également signataire du code GPAI.

Les articles de Claude relatifs au marquage se réfèrent spécifiquement au code de transparence de l'article 50, paragraphe 2.

Ces deux cadres de conformité ne doivent pas être confondus avec un même document.

Comment les développeurs utilisant Claude devraient procéder

Le conseil d'Anthropic est simple : évaluer indépendamment vos propres obligations.

Voici une liste de contrôle pratique pour la mise en œuvre.

1. Identifier le modèle Claude

Documentez le modèle exact utilisé par votre application.

Ne vous fiez pas à une étiquette générique « Claude ».

2. Vérifier la prise en charge du marquage

Vérifiez si ce modèle prend actuellement en charge le marquage lisible par machine.

Les modèles plus anciens peuvent se comporter différemment.

3. Cartographier votre pipeline de sortie

Documentez tout ce qui se passe après que Claude renvoie le contenu.

Par exemple :

API Claude
→ Post-traitement applicatif
→ Base de données
→ Un autre modèle
→ Moteur de template
→ Export PDF
→ Client

Chaque transformation peut affecter la traçabilité de la provenance.

4. Distinguer la provenance du texte et des fichiers

Ne présumez pas que les métadonnées C2PA et le filigrane textuel survivent aux mêmes opérations.

Testez-les séparément.

5. Conserver les artefacts originaux si nécessaire

Pour les workflows réglementés ou à haute confiance, conservez :

• La sortie originale du modèle.
• Les fichiers générés originaux.
• Les métadonnées signées.
• L'historique des transformations.
• Les enregistrements des modifications humaines.
• La version finale publiée.

6. Ne considérez pas un résultat de détection comme une preuve de paternité

Un marquage positif peut indiquer un passage par Claude.

Mais il ne prouve pas nécessairement la paternité originale.

7. Tester les textes courts et le contenu édité

Votre cas d'usage peut impliquer :

• Des titres.
• Des extraits de code.
• Des résumés.
• Des traductions.
• Des rapports fortement édités.

Ce sont précisément les scénarios où la détection peut être moins fiable.

8. Examiner les obligations de l'article 50

Si votre produit est fourni sur le marché de l'UE ou l'affecte, évaluez la législation applicable et les orientations actuelles de la Commission européenne en fonction de votre rôle spécifique.

9. Suivre la documentation de détection d'Anthropic

Anthropic a indiqué qu'elle publierait davantage de directives techniques.

Ne construisez pas une architecture de conformité permanente sur les hypothèses d'un détecteur non encore publié.

Un flux de travail pratique pour la traçabilité des sources

Pour une entreprise qui utilise Claude pour créer du contenu public, un flux de travail robuste pourrait être le suivant :

Humain ou données sources
        ↓
Modèle pris en charge par Claude
        ↓
Sortie originale marquée enregistrée
        ↓
Édition humaine
        ↓
Fichier final publié
        ↓
Conservation des métadonnées de provenance là où c'est pris en charge
        ↓
Ajout de divulgations/étiquettes là où la loi ou la rédaction l'exige
        ↓
Conservation d'une piste d'audit

Cette approche ne repose pas sur la survie du filigrane à chaque transformation.

Elle conserve une chaîne de preuves interne même si le produit final public est modifié.

Ce que les créateurs de contenu doivent attendre

Si vous utilisez des modèles Claude pris en charge pour rédiger :

• Des e-mails.
• Des rapports.
• Des articles de blog.
• Des documents.
• Des textes marketing.
• Des articles.

Le texte généré peut contenir un filigrane lisible par machine.

Copier du texte vers une autre application ne supprime pas nécessairement le filigrane.

Cela ne signifie pas non plus que votre document visible affichera « Rédigé par Claude ».

Ce marquage est conçu pour être imperceptible.

Cela ne signifie pas non plus que chaque lecteur futur pourra le détecter instantanément aujourd’hui.

Les directives de détection par des tiers d’Anthropic sont encore en cours d’élaboration.

Que se passe-t-il après une édition manuelle ?

Il n’existe pas de seuil fixe de pourcentage d’édition au-delà duquel le filigrane disparaît.

Anthropic n’a pas publié de seuil universel, par exemple :

Réécrire 20 % = détectable
Réécrire 50 % = indétectable

La société indique seulement que la marque peut subsister après certaines modifications, mais qu’elle peut devenir indétectable après des éditions substantielles, des réécritures, des traductions ou des remaniements importants.

Les résultats peuvent dépendre :

• de la longueur des paragraphes ;
• du type d’édition ;
• de la quantité de texte non modifié ;
• de la conception du détecteur ;
• de la langue ;
• de la méthode de transformation.

Par conséquent, tout outil prétendant qu’il existe un seuil d’édition universel précis doit être traité avec prudence, sauf si Anthropic publie des preuves à l’appui de cette affirmation.

Que se passe-t-il pour les images générées ?

Pour les types de fichiers générés pris en charge (comme PNG et JPG), Claude peut attacher des métadonnées de provenance signées conformément à la norme C2PA.

Si les métadonnées restent intactes, les outils de vérification compatibles peuvent les examiner.

Si l’image est :

• capturée par capture d’écran ;
• convertie ;
• réexportée via un logiciel non pris en charge ;
• téléchargée sur un service qui supprime les métadonnées ;

les informations de provenance peuvent disparaître.

L’absence de justificatif ne prouve pas que l’image a été créée par un humain.

Que se passe-t-il pour les fichiers SVG ?

Anthropic inclut explicitement les SVG dans ses exemples de types de fichiers prenant en charge les métadonnées de provenance signées.

Les SVG sont utiles car Claude peut générer des graphiques vectoriels et des diagrammes sous forme de fichiers structurés.

Comme pour les autres formats de fichiers, la provenance ne subsiste que si la chaîne de traitement conserve les métadonnées.

Si l’utilisateur ne fait que copier le balisage SVG dans un nouveau fichier, les justificatifs d’origine peuvent ne pas être préservés.

Quelqu’un peut-il falsifier le filigrane Claude ?

La documentation publique actuelle d’Anthropic ne fournit pas suffisamment d’informations pour évaluer de manière fiable la difficulté de falsifier sa marque de texte intégrée.

C’est une question de sécurité ouverte importante.

Tout système de traçage des sources doit prendre en compte à la fois :

les attaques par suppression

et :

les attaques par falsification

Les acteurs malveillants peuvent tirer profit des deux.

Faire passer du contenu humain pour du contenu généré par IA peut être aussi avantageux que de dissimuler une origine IA.

C’est pourquoi les décisions à enjeu élevé ne doivent pas reposer uniquement sur un signal automatisé unique.

Le filigrane peut-il empêcher la désinformation par IA ?

Non.

Les marquages lisibles par machine peuvent améliorer la transparence, mais ils ne peuvent pas résoudre seuls le problème de la désinformation.

Les acteurs malveillants peuvent exploiter :

• des modèles non marqués ;
• des modèles plus anciens ;
• des modèles à poids ouverts avec un code d’inférence modifié ;
• la réécriture humaine ;
• les captures d’écran ;
• les outils de suppression de métadonnées ;
• des fausses déclarations entièrement rédigées par des humains.

La traçabilité des sources aide à répondre :

Que pouvons-nous savoir sur la création ou le traitement du contenu ?

Elle ne permet pas de répondre :

Ce contenu est-il vrai ?

La vérification des faits et la traçabilité des sources sont des tâches complémentaires.

Un futur plus utile est la traçabilité des sources, plutôt que la « détection IA »

L’expression « détecteur d’IA » suggère un test binaire :

IA
ou
humain

La création de contenu réelle devient de plus en plus hybride.

Un document peut impliquer :

• des recherches humaines ;
• une rédaction par Claude ;
• une édition humaine ;
• une traduction par IA ;
• une approbation humaine ;
• une mise en page par IA ;
• une publication humaine.

Dans ce monde, la question la plus utile n’est pas :

« L’IA a-t-elle été utilisée ? »

mais :

« Qu’est-il arrivé à ce contenu, quels outils ont été impliqués et quelles parties de la chaîne peuvent être vérifiées ? »

C’est exactement ce que les normes de traçabilité des sources visent à résoudre.

Questions fréquentes

Claude marque-t-il maintenant tous les textes générés d’un filigrane ?

Les modèles Claude pris en charge peuvent intégrer un filigrane lisible par machine dans le texte généré. Anthropic indique que les modèles lancés dans l’Union européenne le 2 août 2026 ou après cette date prennent en charge le marquage dès leur sortie, tandis que la prise en charge du marquage pour les modèles plus anciens est encore progressivement ajoutée.

Puis-je voir le filigrane Claude dans le texte ?

Non. Anthropic décrit le filigrane comme imperceptible et précise qu’il ne modifie pas le sens, la qualité ou la lisibilité attendus des réponses. Il est conçu pour une détection par machine, et non comme une étiquette visible.

Copier le texte de Claude dans Word ou par e-mail supprime-t-il le filigrane ?

Pas nécessairement. Anthropic indique que le signal intégré se propage avec le texte copié-collé et qu’il peut subsister après certaines modifications. Des réécritures, reformulations, traductions, fusions ou raccourcissements importants peuvent rendre la marque indétectable.

Le filigrane Claude peut-il prouver qu’un document entier a été écrit par Claude ?

Non. Une marque détectée peut indiquer que le contenu est passé par Claude, mais Claude peut avoir simplement relu, traduit, résumé ou reformaté un matériel rédigé par un humain. Anthropic avertit explicitement que la marque n’est pas une preuve complète de la paternité originale.

Claude ajoute-t-il des métadonnées C2PA aux images générées ?

Anthropic indique que les types de fichiers générés pris en charge (comme SVG, PNG et JPG) peuvent recevoir des métadonnées de provenance signées conformément à la norme C2PA. La prise en charge peut dépendre du produit, de la plateforme, de la fonctionnalité et du type de fichier.

Le filigrane Claude est-il activé sur AWS, Google Cloud et Microsoft Foundry ?

Anthropic indique que le filigrane de texte intégré s’applique lors de l’accès aux modèles Claude pris en charge via AWS, Google Cloud ou Microsoft Foundry. En raison de différences dans les capacités de traitement des fichiers, toutes les plateformes cloud ne prennent pas en charge les métadonnées de provenance signées.

Existe-t-il un détecteur de filigrane Claude public ?

Anthropic indique qu’elle développe un support de détection pour les utilisateurs et les tiers, et qu’elle publiera davantage de guides techniques. Au 11 août 2026, la documentation officielle de l’entreprise ne fournit pas encore de spécification complète de détection publique pour le filigrane de texte intégré.

L’absence de filigrane Claude prouve-t-elle qu’un texte a été rédigé par un humain ?

Non. Le filigrane peut être absent ou indétectable pour plusieurs raisons : modèle antérieur à la prise en charge du filigrane, texte trop court, texte fortement édité ou traduit, ou métadonnées de fichier supprimées. L’absence de signal de filigrane ne prouve pas de manière fiable qu’un texte a été écrit par un humain.

Outils associés

• Claude : L’assistant IA officiel d’Anthropic, et l’une des interfaces produit couvrant le marquage lisible par machine pour les modèles pris en charge.
• Claude Platform : La plateforme de développement d’Anthropic pour créer des applications avec les modèles Claude, y compris les sorties de modèles marquées prises en charge.
• Claude Code : L’agent de programmation d’Anthropic, dont les sorties texte des modèles pris en charge suivent la même politique de marquage au niveau du modèle.
• Content Credentials Verify : Outil de vérification officiel pour examiner les informations de provenance et les justificatifs de contenu pris en charge dans les actifs numériques.
• C2PA : L’organisation à l’origine de la norme ouverte de provenance des contenus, sur laquelle reposent les métadonnées de fichiers signées de Claude.
• Google SynthID : La technologie de filigrane intégré de Google DeepMind pour le texte, les images, l’audio et la vidéo générés par IA.
• Code de conduite sur la transparence de l’UE : Les orientations de la Commission européenne soutenant le respect des obligations de marquage et d’étiquetage de l’article 50 de la loi sur l’IA.

Liens associés

Anthropic : comment Claude marque le contenu généré par IA : principale source officielle sur les filigranes textuels de Claude, les informations de provenance C2PA, la couverture des produits, le comportement dans le cloud, les plans de détection et les limites.

• Code de bonnes pratiques de l'UE sur la transparence du contenu généré par IA : page de la Commission européenne expliquant le cadre de transparence pour les fournisseurs et les déployeurs au titre de l'article 50.
• Loi européenne sur l'intelligence artificielle : texte juridique officiel établissant les obligations de transparence en matière d'IA dans l'UE et le cadre réglementaire plus large.
• Spécifications techniques C2PA : spécifications techniques ouvertes sur les enregistrements de provenance liés cryptographiquement et les justificatifs de contenu.
• Explication des justificatifs de contenu C2PA : explication plus accessible sur la manière dont les enregistrements de provenance sont attachés, signés et vérifiés.
• Vérification des justificatifs de contenu : outil public permettant de vérifier les informations de provenance compatibles.

Justificatifs dans les contenus numériques pris en charge.

• Google DeepMind SynthID : aperçu officiel du système de filigrane invisible de Google pour divers types de contenus générés.

Résumé

Anthropic introduit des informations de provenance lisibles par machine pour les sorties Claude prises en charge via deux mécanismes complémentaires : un filigrane invisible incorporé dans le texte généré et des métadonnées de provenance signées basées sur C2PA attachées aux fichiers pris en charge.

Cette initiative est liée au cadre de transparence de l'article 50 de la Loi européenne sur l'intelligence artificielle, mais Anthropic indique que les modèles pris en charge appliqueront le marquage à l'échelle mondiale pour Claude, l'API, Claude Code, Claude Cowork, Claude Tag et les chemins d'accès aux fournisseurs de cloud pris en charge. Les nouveaux modèles lancés dans l'UE le 2 août 2026 ou après cette date prennent en charge le marquage dès leur sortie, tandis que les modèles plus anciens sont encore en cours de mise à jour.

Ce système est utile, mais ce n'est pas un détecteur parfait de paternité IA. Les filigranes textuels peuvent devenir indétectables après des modifications importantes ou des traductions, les métadonnées des fichiers peuvent être supprimées, et les signaux détectés indiquent seulement que Claude peut avoir traité le contenu — ils ne signifient pas que Claude a généré chaque partie du contenu.

Le véritable changement consiste à passer de la supposition qu'un contenu « semble écrit par une IA » à la conservation de preuves vérifiables sur la manière dont le contenu numérique a été créé et traité.