Najnowsze modele Claude od Anthropic wprowadzają niewidoczny znak wodny w każdym wygenerowanym tekście. Zmiana ta, ogłoszona w zaktualizowanej dokumentacji 2 sierpnia, polega na umieszczeniu sygnału statystycznego bezpośrednio w doborze słów i strukturach zdań – nie jest to widoczna etykieta ani pole metadanych.

Czym jest znak wodny

Znak wodny to subtelny wzorzec wpleciony w sam język. Poprzez nakierowywanie modelu na określone synonimy, rozmieszczenie interpunkcji czy rytm zdań, Anthropic tworzy „odcisk palca”, który przetrwa zwykłe kopiowanie i wklejanie oraz lekką edycję. Tylko gruntowne przeredagowanie, wielokrotne tłumaczenia lub połączenie tekstu z dużą ilością treści napisanej przez człowieka są w stanie usunąć ten sygnał.

Ponieważ znak wodny znajduje się wewnątrz tekstu, podróżuje on wraz z treścią, gdziekolwiek się nie pojawi – poprzez interfejs webowy Claude.ai, API, Claude Code, a nawet wdrożenia na AWS lub Google Cloud, które opierają się na modelach Anthropic.

Jak znaki wodne radzą sobie z edycją

Typowe procesy typu „human-in-the-loop” – korekta, dostosowywanie tonu czy zamiana kilku słów na synonimy – nie usuwają znaku wodnego. Dokumentacja Anthropic stwierdza, że te niewielkie zmiany „nie usuwają sygnału”, co oznacza, że po ingerencji recenzenta wynik nadal będzie można zidentyfikować jako wygenerowany przez Claude.

Bardziej agresywne transformacje przerywają ten wzorzec:

  • Przepisanie zdań od zera
  • Wielokrotne tłumaczenie tekstu na inny język i z powrotem
  • Wstawianie dużych bloków prozy napisanej przez człowieka

Działania te wymagają czasu lub wysiłku i mogą obniżyć jakość lub zamysł oryginalnego tekstu.

Wpływ na procesy deweloperskie

Deweloperzy polegający na Claude przy tworzeniu szkiców, komentarzy do kodu czy tekstów marketingowych stają teraz przed nową przeszkodą w zakresie zgodności (compliance). Akt o sztucznej inteligencji UE (EU AI Act), który nakłada obowiązek przejrzystości treści generowanych przez AI, stanowi tło prawne dla działań Anthropic, de facto zmieniając znak wodny w zabezpieczenie regulacyjne.

Wyłoniły się trzy strategie radzenia sobie z tą sytuacją:

  1. Łańcuchy tłumaczeń – Przepuszczenie wyniku Claude przez wielokrotne tłumaczenia na różne języki w celu wymieszania znaku wodnego. Metoda ta jest czasochłonna i może wprowadzać błędy tłumaczeniowe.
  2. Ręczne przepisywanie – Przepisanie tekstu ręcznie, aby wyeliminować ukryty wzorzec. Metoda ta działa, ale nie jest skalowalna przy dużych ilościach danych.
  3. Pełne przeredagowanie – Wykorzystanie Claude do generowania pomysłów lub struktury, a następnie samodzielne napisanie każdego zdania. Pozwala to zachować kreatywność, jednocześnie zapewniając, że końcowy tekst nie będzie zawierał znaku wodnego; deweloperzy uważają to za najbardziej praktyczne podejście, mimo dodatkowego nakładu pracy.

Każda z tych metod wiąże się z kompromisem między szybkością, kosztem a wiernością względem oryginalnego wyniku modelu.

Błędy typu „false positive” i dylemat detekcji

Niepokojącą kwestią pozostaje fakt, że statystyczna natura znaku wodnego może nakładać się na autentyczny ludzki styl pisania. Claude uczy się na tekstach ogólnodostępnych, więc jego stylistyczne „odciski palców” czasami naśladują te autorstwa ludzkiego. Narzędzia detekcyjne flagujące znak wodny mogą zatem błędnie klasyfikować materiały napisane przez człowieka jako wygenerowane przez AI – co jest błędem typu „false positive”, mogącym wywołać niepożądane kontrole zgodności.

Anthropic rozwija własne narzędzie detekcyjne, ale nie zostało ono jeszcze wydane. Bez walidatora deweloperzy nie mogą sprawdzić, czy wybrany przez nich proces skutecznie usuwa znak wodny lub czy ich treści nie zostaną błędnie oznaczone.

Na co warto zwrócić uwagę

  • Premiera detektora Anthropic – Gdy tylko zostanie udostępniony, zespoły będą mogły porównać swoje procesy z oficjalnym standardem.

Podsumowanie

Niewidoczny znak wodny Anthropic wymusza zmianę podejścia z „generuj i publikuj” na „generuj i sprawdzaj”. Deweloperzy muszą zdecydować, czy inwestować w potoki tłumaczeniowe, ręczne przepisywanie, czy pełne przeredagowanie treści, aby uniknąć flag dotyczących autorstwa AI, jednocześnie mierząc się z ryzykiem błędów typu „false positive”, które mogą niesłusznie oznaczyć ludzką pracę jako wygenerowaną przez maszynę.