Marca-d’água invisível do Claude: o que ela detecta — e o que não detecta

• Texto: uma marca-d’água estatística imperceptível, incorporada às escolhas de palavras do modelo.
• Arquivos compatíveis: metadados de procedência assinados digitalmente no padrão C2PA, em formatos como SVG, PNG e JPG.

Esses mecanismos não devem ser confundidos com rótulos visíveis, caracteres ocultos, identificadores de conta ou avisos de copyright. Segundo a Anthropic, a marca-d’água de texto não contém informações que permitam rastrear o conteúdo até uma pessoa, organização, conversa ou chat específico.

Por que a marca-d’água é global

A Anthropic aponta como motivo imediato o regime de transparência do Artigo 50 da Lei de IA da União Europeia e seu compromisso com o Código de Prática do Artigo 50(2) sobre transparência de conteúdo gerado por IA. As regras exigem que provedores que atendem ao mercado europeu tornem certos conteúdos gerados por IA identificáveis em formato legível por máquina.

A empresa escolheu aplicar a política onde quer que os modelos compatíveis do Claude estejam disponíveis, inclusive fora da União Europeia, em vez de manter comportamentos regionais separados. Na prática, isso cria um padrão único no nível do modelo para clientes de API, empresas, desenvolvedores e usuários finais — embora algumas plataformas ou recursos possam não oferecer todos os tipos de marcação.

Como funciona a marca-d’água invisível no texto

A técnica se baseia em um padrão estatístico na seleção de tokens, as unidades que o modelo usa para construir o texto. Em muitos momentos, um modelo de linguagem tem várias formas plausíveis de continuar uma frase. A marca-d’água altera a fonte de aleatoriedade usada para resolver algumas escolhas de baixo impacto, criando um padrão associado a uma chave que pode ser detectado posteriormente. A Anthropic descreve a abordagem como relacionada à técnica SynthID-Text, do Google DeepMind.

Nada muda visivelmente no documento final. O sistema não insere caracteres especiais nem acrescenta tokens à resposta. A Anthropic afirma que ele não foi projetado para alterar de forma relevante a redação, a criatividade, a legibilidade ou o custo. A empresa também diz que seus testes internos não encontraram impacto na qualidade.

Como o sinal é distribuído pelas escolhas normais de tokens, ele difere de um metadado de arquivo, que pode desaparecer quando o documento é exportado ou regravado. Copiar e colar o texto, mudar sua formatação ou fazer algumas edições leves pode preservar parte suficiente do padrão para permitir a detecção. Essa persistência, porém, é probabilística — não uma garantia.

A marca sobrevive à tradução, ao resumo ou à revisão?

Não de maneira confiável. Tradução, resumo, paráfrase e edição substancial substituem muitas das escolhas originais de tokens que carregam o sinal. Um trecho transformado pode conservar vestígios detectáveis em alguns casos, mas a explicação da Anthropic não sustenta a afirmação mais forte de que toda tradução, todo resumo, toda revisão ortográfica ou toda edição preservará a marca.

Trechos curtos também são uma limitação importante. Em geral, a confiança da detecção aumenta quando há mais texto disponível. Uma resposta breve — ou uma revisão em que o Claude altera apenas algumas palavras — pode conter material selecionado pelo modelo em quantidade insuficiente para produzir um resultado significativo.

Isso cria uma diferença importante entre a presença prática de uma marca e a capacidade de detectá-la. Um texto pode ter sido processado pelo Claude sem gerar um resultado positivo forte; da mesma forma, a ausência da marca não prova que o trecho foi escrito integralmente por uma pessoa.

O que um resultado positivo realmente significa

Um resultado positivo responde a uma pergunta restrita: qual é a probabilidade de que o Claude tenha participado da redação de parte daquele texto? Ele não estabelece:

• quem fez o prompt;
• quem escreveu o material original ou o restante do texto;
• se uma pessoa revisou substancialmente o resultado;
• se o Claude gerou o documento inteiro;
• se o usuário violou uma regra escolar, profissional, editorial ou de uma plataforma; ou
• quem é o proprietário da obra ou legalmente responsável por ela.

A marca também não identifica um usuário, uma organização ou um chat específico. Além disso, a chave da Anthropic não consegue identificar conteúdos produzidos por outro provedor de IA.

A Anthropic afirma que pretende oferecer uma API de detecção. Ela seria diferente dos detectores genéricos de IA, que tentam inferir autoria a partir de padrões linguísticos ou dos chamados “indícios de IA”. Um detector de marca-d’água procuraria, em vez disso, uma assinatura estatística deliberada, criada com uma chave.

Por que críticos consideram o sistema amplo demais

O debate se concentra na diferença entre gerar um novo conteúdo sintético e oferecer uma ajuda editorial comum. Críticos argumentam que uma marca aplicada no nível do modelo pode tratar um ensaio inteiramente redigido por IA e um texto majoritariamente humano que recebeu ajuda para ortografia, gramática, clareza, tradução ou acessibilidade como se fossem o mesmo problema.

Daí vem a crítica de que a abordagem seria mais uma “marreta do que um bisturi”: uma marca padrão aplicada a todas as respostas de um modelo pode ser mais abrangente do que o caso de uso que as regras de transparência pretendem alcançar. A preocupação aumenta quando uma escola, empresa, editora ou plataforma interpreta a presença da marca como prova de irregularidade.

A explicação técnica da Anthropic reduz parte desse risco em alguns cenários de edição: uma revisão leve pode deixar poucas palavras escolhidas pelo Claude para permitir uma detecção confiável. Mas isso é uma limitação da confiança estatística, não uma exceção oferecida ao usuário nem um teste seguro de autoria.

Como a abordagem se compara à de Google, OpenAI, Meta e Microsoft

A comparação exige separar conceitos que muitas vezes são colocados no mesmo pacote:

1. assinar um código de transparência da União Europeia;
2. anexar metadados de procedência a arquivos;
3. adicionar rótulos visíveis; e
4. incorporar uma marca-d’água estatística ao texto.

A Anthropic afirma que outros grandes provedores de IA assinaram o mesmo código europeu e implementarão seus próprios sistemas. Isso não significa que Google, OpenAI, Meta e Microsoft usem o mesmo método de marca-d’água, cubram os mesmos produtos ou adotem políticas idênticas de detecção.

A abordagem textual da Anthropic é relacionada à família SynthID-Text publicada pelo Google DeepMind, enquanto o C2PA é usado separadamente para metadados de procedência em arquivos compatíveis. As fontes disponíveis não são suficientes para concluir que as quatro empresas citadas tenham implantado uma marca-d’água global equivalente à do Claude em seus produtos de texto.

Reação dos usuários e o problema prático das políticas

O lançamento provocou preocupação entre usuários do Claude, que temem que o uso de IA seja exposto em contextos escolares, profissionais, editoriais ou comerciais. Também houve relatos de usuários ameaçando ou afirmando que cancelariam suas assinaturas por causa da política.

Outros passaram a procurar métodos para remover ou contornar a marca. Reescrita significativa, paráfrase, tradução, resumo ou nova geração podem enfraquecer ou eliminar um sinal estatístico — justamente por isso, um resultado negativo não inocenta alguém de ter usado IA. Por outro lado, um resultado positivo pode refletir uma ajuda limitada, e não a geração integral do trabalho.

Para instituições, a conclusão mais segura é direta: um detector de marca-d’água deve ser apenas uma parte das evidências, nunca uma decisão automática de má conduta. Qualquer avaliação séria deve considerar o contexto, o histórico de versões e rascunhos, as regras de divulgação aplicáveis, o tipo de assistência utilizado e a oportunidade de a pessoa explicar o caso. A revisão humana é especialmente importante em tarefas de edição, tradução, acessibilidade e escrita colaborativa.

A marca-d’água do Claude pode tornar mais fácil investigar a participação de uma IA, mas não resolve a questão mais difícil da autoria. A distinção útil é entre sinal e prova: o primeiro pode apoiar a transparência; o segundo exige um contexto que uma marca estatística, sozinha, não consegue oferecer.