Filigrane invisible de Claude : ce qu’il détecte — et ce qu’il ne prouve pas

Anthropic déploie un filigrane invisible et détectable par machine dans les textes produits par les nouveaux modèles Claude. L’entreprise explique vouloir répondre aux obligations de transparence prévues par l’article 50 de l’AI Act de l’Union européenne, mais a choisi d’appliquer le dispositif à l’échelle mondiale, et non de le limiter aux utilisateurs européens.

La nuance essentielle tient en trois mots : signal de provenance, pas preuve d’auteur. Une détection peut indiquer que Claude a probablement participé à la rédaction d’une partie du texte. Elle ne révèle ni l’identité de l’utilisateur, ni celle de l’auteur, et ne démontre pas que Claude a généré l’intégralité du document.

Quels contenus Claude marque-t-il ?

Les modèles Claude lancés à partir du 2 août 2026 prennent en charge ce marquage dès leur lancement. Anthropic travaille également à l’ajouter aux modèles plus anciens. Le dispositif concerne les principales interfaces et offres compatibles : Claude.ai, l’API Claude Platform, Claude Code, Claude Cowork, Claude Tag ainsi que certains déploiements dans le cloud de partenaires. Il s’applique partout où Claude est proposé, dans le monde entier.

Anthropic utilise toutefois deux technologies différentes :

• Pour le texte : un filigrane statistique imperceptible, intégré aux choix de mots du modèle.
• Pour certains fichiers : des métadonnées de provenance C2PA signées numériquement, notamment dans des formats comme SVG, PNG et JPG.

Il ne s’agit donc pas d’une mention visible, de caractères invisibles ajoutés au document, d’un identifiant de compte ou d’un avis de copyright. Selon Anthropic, le filigrane textuel ne contient aucune donnée permettant de remonter à une personne, une organisation, une conversation ou un échange précis.

Pourquoi un déploiement mondial ?

La motivation immédiate est l’article 50 de l’AI Act, ainsi que l’engagement d’Anthropic envers le Code de bonnes pratiques de l’Union européenne consacré à la transparence des contenus générés par l’IA. Ces règles demandent aux fournisseurs opérant sur le marché européen de rendre certains contenus générés par l’IA identifiables sous une forme lisible par machine.

Anthropic a préféré instaurer une règle unique au niveau des modèles, plutôt que de gérer un fonctionnement différent selon les régions. Le marquage concerne ainsi les développeurs utilisant l’API, les entreprises, les équipes techniques et les utilisateurs grand public, y compris hors de l’Union européenne. Certaines plateformes ou fonctionnalités peuvent néanmoins ne pas prendre en charge tous les types de marquage.

Comment fonctionne le filigrane textuel ?

Le principe repose sur les choix statistiques effectués pendant la génération. À de nombreux moments, un modèle de langage dispose de plusieurs manières plausibles de poursuivre une phrase. Le système modifie alors la source d’aléa utilisée pour certains choix peu sensibles — par exemple entre deux formulations proches — afin de créer, au fil d’un texte suffisamment long, une signature statistique détectable avec une clé. Anthropic décrit une approche apparentée à la technologie SynthID-Text de Google DeepMind.

Le résultat reste visuellement inchangé. Claude n’insère pas de caractères spéciaux, n’ajoute pas de jetons supplémentaires et Anthropic affirme que le procédé n’est pas censé modifier sensiblement le style, la créativité, la lisibilité ou le coût de génération. L’entreprise indique que ses tests internes n’ont pas révélé d’effet sur la qualité.

Comme le signal est réparti dans les choix ordinaires de mots, il ne dépend pas des métadonnées d’un fichier, qui peuvent disparaître lors d’une exportation ou d’une conversion. Un simple copier-coller, une modification de mise en forme ou certaines retouches légères peuvent donc laisser suffisamment de traces pour permettre une détection. Cette persistance reste toutefois probabiliste : elle n’est pas garantie.

Le filigrane résiste-t-il à la traduction ou à la relecture ?

Pas de manière fiable. Une traduction, un résumé, une reformulation ou une réécriture importante remplacent une grande partie des choix de mots à l’origine du signal. Des traces peuvent subsister dans certains cas, mais les explications d’Anthropic ne permettent pas d’affirmer qu’un filigrane sera conservé après chaque traduction, résumé, correction ou modification.

La longueur du texte joue aussi un rôle important. Plus l’échantillon est long, plus la confiance dans la détection peut augmenter. À l’inverse, une réponse très courte ou une simple relecture au cours de laquelle Claude n’a changé que quelques mots peut contenir trop peu de matière sélectionnée par le modèle pour produire un résultat exploitable.

Il faut donc distinguer la présence éventuelle du signal et la capacité à le détecter. Un texte peut avoir été traité par Claude sans donner un résultat positif suffisamment fiable. À l’inverse, l’absence de filigrane ne prouve pas qu’un passage a été écrit entièrement par un humain.

Que signifie réellement une détection positive ?

Un résultat positif répond à une question étroite : quelle est la probabilité que Claude ait participé à la rédaction d’une partie du texte ?

Il ne permet pas de déterminer :

• qui a formulé la demande adressée à Claude ;
• qui a écrit le texte d’origine ou les passages environnants ;
• si un humain a largement révisé la réponse ;
• si Claude a produit tout le document ;
• si l’utilisateur a enfreint une règle scolaire, professionnelle, éditoriale ou imposée par une plateforme ;
• qui détient les droits sur le travail ou en assume la responsabilité juridique.

Le filigrane ne peut pas non plus identifier un utilisateur, une entreprise ou une conversation précise. La clé d’Anthropic ne permet pas de reconnaître les productions d’un autre fournisseur d’IA.

Anthropic prévoit de proposer une API de détection. Celle-ci serait différente des détecteurs génériques qui tentent d’inférer une origine artificielle à partir du style ou de supposés « indices » linguistiques. Un détecteur de filigrane rechercherait plutôt une signature statistique délibérément créée avec une clé.

Pourquoi certains critiques parlent-ils d’une « massue plutôt que d’un scalpel » ?

Le débat porte notamment sur la différence entre générer un nouveau contenu synthétique et fournir une aide éditoriale ordinaire. Un texte entièrement rédigé par Claude et un document principalement écrit par une personne, puis corrigé pour l’orthographe, la grammaire, la clarté, la traduction ou l’accessibilité, peuvent ainsi relever du même mécanisme de marquage au niveau du modèle.

C’est l’origine de la critique de la « massue plutôt que du scalpel » : un filigrane activé par défaut sur les sorties d’un modèle peut être plus large que le cas d’usage que les règles de transparence cherchent précisément à encadrer. Le risque devient particulièrement sensible si une école, un employeur, un éditeur ou une plateforme considère automatiquement la présence du signal comme la preuve d’un comportement fautif.

L’explication technique d’Anthropic réduit en partie ce risque dans certains scénarios : une correction légère peut laisser trop peu de mots sélectionnés par Claude pour permettre une détection convaincante. Mais il s’agit d’une limite statistique, et non d’une exemption visible pour l’utilisateur ni d’un test fiable d’auteur.

Comment cette approche se compare-t-elle à celle de Google, OpenAI, Meta et Microsoft ?

La comparaison exige de ne pas mélanger plusieurs mécanismes :

1. la signature d’un code européen de transparence ;
2. l’ajout de métadonnées de provenance aux fichiers ;
3. l’affichage d’étiquettes visibles ;
4. l’intégration d’un filigrane statistique dans le texte.

Anthropic affirme que d’autres grands fournisseurs d’IA ont signé le même code européen et mettront en œuvre leurs propres dispositifs. Cela ne signifie pas que Google, OpenAI, Meta et Microsoft utilisent la même méthode, couvrent les mêmes produits ou appliquent les mêmes règles de détection.

L’approche textuelle d’Anthropic est apparentée à la famille SynthID-Text publiée par Google DeepMind. Les métadonnées C2PA constituent, elles, un mécanisme distinct utilisé pour la provenance de certains fichiers. Les sources disponibles ne suffisent pas à conclure que les quatre entreprises citées ont déployé un filigrane textuel mondial équivalent à celui de Claude sur l’ensemble de leurs produits.

Réactions des utilisateurs et enjeu pratique

Le déploiement a suscité des inquiétudes chez des utilisateurs de Claude, qui craignent que l’usage d’une aide IA soit révélé dans un contexte scolaire, professionnel, éditorial ou commercial. Des témoignages font également état de menaces ou d’annulations d’abonnements liées à cette politique.

D’autres utilisateurs se sont intéressés à des techniques destinées à affaiblir ou contourner le filigrane. Une réécriture importante, une paraphrase, une traduction, un résumé ou une nouvelle génération peuvent réduire ou éliminer le signal — ce qui explique précisément pourquoi un résultat négatif ne permet pas d’exclure l’usage de l’IA. À l’inverse, un filigrane détecté peut correspondre à une intervention limitée de Claude, et non à la rédaction complète du document.

Pour les établissements scolaires, les employeurs, les éditeurs et les plateformes, la conclusion la plus prudente est simple : un détecteur doit constituer un élément du dossier, pas une condamnation automatique. Toute décision sérieuse devrait prendre en compte le contexte, l’historique des versions et des brouillons, les règles de déclaration applicables, la nature exacte de l’aide utilisée et la possibilité donnée à la personne de s’expliquer. Une vérification humaine est particulièrement importante pour la correction, la traduction, l’accessibilité et l’écriture collaborative.

Le filigrane de Claude pourrait faciliter l’examen d’une éventuelle intervention de l’IA, mais il ne résout pas la question plus complexe de l’auteur. La distinction à retenir est celle entre signal et preuve : le premier peut contribuer à la transparence ; la seconde exige un contexte qu’une signature statistique ne peut pas fournir.