Od sierpnia 2026 modele Claude zostawiają znaki wodne w wygenerowanych przez siebie materiałach. W tekście jest to niewidoczny ślad wpleciony w samą treść odpowiedzi, w plikach graficznych podpisane pochodzenie danej grafiki. Jak ze wszystkim związanym z AI, mamy tutaj do czynienia z całkiem odmiennymi reakcjami. Jedni cieszą się, że w końcu zostanie stworzone narzędzie do wykrywania AI w tekstach, inni szukają rozwiązania „problemu”.
Spis treści
Obie reakcje wynikają z tego samego, czyli z niezrozumienia mechanizmu. A mechanizm jest naprawdę elegancki i po jego poznaniu większość obaw sama się rozwiązuje Zacznijmy od technologii, która za tym stoi.
Co to jest SynthID
SynthID to rodzina technik znakowania opracowana przez Google DeepMind. Nie jest to jedno narzędzie, tylko kilka wariantów przystosowanych do różnych typów treści: obrazu, dźwięku, wideo i tekstu.
W obrazach SynthID wprowadza niezauważalne zmiany w samych pikselach, rozłożone po całej powierzchni. Dzięki temu przetrwają kompresję, zmianę rozmiaru, kadrowanie, a nawet zrzut ekranu. To jest istotna różnica względem metadanych, które przy każdej z tych operacji potrafią zniknąć. Google stosuje SynthID w swoich produktach od kilku lat, a w maju 2026 OpenAI wpięło go do obrazów generowanych w ChatGPT, w API i w Codeksie.
Wariant tekstowy, opisany w czasopiśmie Nature w 2024 roku, nazywa się SynthID-Text. Należy do rodziny rozwiązań wywodzących się z propozycji Scotta Aaronsona z 2022 roku i to właśnie jego wersji używa Claude. Anthropic mówi o tym wprost w swojej dokumentacji, co jest o tyle ciekawe, że mamy tu do czynienia z technologią, która dla Claude jest przecież technologią konkurencji. Standardy znakowania wodnego materiałów AI jest polem, na którym cała branża woli współpracować.
Jak Claude oznacza tekst
Żeby zrozumieć mechanizm, trzeba wiedzieć, jak model buduje zdanie. Mamy sens danego zdania, ale to jak ono zostanie ujęte warunkuje algorytm. Dla przykładu zdanie „Pogoda dziś była zimna i…”. Następne słowo jakie może paść w zdaniu to np. „pochmurna” albo „szara”. Dla czytelnika nie ma większego znaczenia, które z nich padnie, bo sens zdania jest ten sam. W takich sytuacjach wybór rozstrzyga liczba losowa Znakowanie korzysta właśnie z tych mało istotnych wyborów, których w dłuższym tekście są setki. Zmienia wyłącznie źródło losowości: zamiast zwykłego generatora liczb losowych używany jest klucz plus kilka poprzedzających słów. Wybory nadal są losowe, ale ktoś, kto ma klucz, może sprawdzić, czy cała sekwencja jest zgodna z tym, co wybrałby model korzystający z tego klucza.
Wykorzystanie tej techniki wiąże się z pewnymi konsekwencjami. Nic nie jest dopisywane do tekstu i nie ma w nim ukrytych znaków, więc nie da się go wyczyścić przez skopiowanie do notatnika. Znakowanie nie zużywa dodatkowych tokenów, więc nie podnosi ceny wygenerowania ani nie spowalnia odpowiedzi. Nie zawiera też żadnych informacji o użytkowniku, jego organizacji ani o konkretnej rozmowie. Jakość niby nie ucierpiała: DeepMind sprawdzał to, podając wersję ze znakowaniem części ruchu w Gemini i porównując oceny użytkowników, a różnic istotnych statystycznie nie było. Osobiście jednak sądzę, że teksty jeszcze niedawno były lepsze jakościowo. Czasem da się intuicyjnie wyczuć, że coś jest nie tak.
Czego znak wodny w tekście nie potrafi
Tu zaczyna się część, którą warto przeczytać dwa razy, bo to ona uspokoi wielu użytkowników popularnych AI.
Znak wodny odpowiada na jedno pytanie: jakie jest prawdopodobieństwo, że Claude brał udział w powstaniu tego tekstu. Nie odpowiada na pytanie, czy tekst napisał człowiek. Nie wykryje też innego modelu, bo tamten miałby inny klucz albo w ogóle inną metodę znakowania. Innymi słowy, wynik negatywny nie znaczy nic poza tym, że nie znaleziono akurat tego jednego klucza odpowiedzi.
Do tego dochodzą ograniczenia praktyczne. Na krótkich fragmentach wykrywanie działa słabo, bo jest za mało wyborów, żeby to sprawdzić. Im dłuższy tekst, tym większa pewność. Znakowanie jest też rzadsze w treściach faktograficznych, gdzie swobody wyboru po prostu nie ma. W zdaniu o najsłynniejszym dziele Newtona kolejne słowo musi brzmieć „Principia”, bo to jedyna poprawna odpowiedź, więc nie ma miejsca na dodanie innych wariantów według klucza.
Najważniejszy przypadek dotyczy korekty. Jeśli dajecie modelowi własny tekst i prosicie wyłącznie o poprawienie interpunkcji, znak może zamieszkać jedynie w tych kilku poprawkach, a to zwykle za mało, żeby cokolwiek wykryć. Odwrotnie działa tłumaczenie, bo tam każde słowo wybiera model, więc występowanie znaku wodnego jest pewne. Lekka edycja raczej znaku nie usunie, całkowite przepisanie tekstu zdanie po zdaniu owszem, tylko wtedy trudno już mówić o treści wygenerowanej przez AI.
I rzecz, o której najczęściej się zapomina: znak wodny nie zmienia niczego w kwestii własności ani odpowiedzialności prawnej za tekst. Nie mówi, kto jest autorem, tylko czy model był gdzieś w procesie.
Znak wodny a kod generowany przez Claude
Skoro cała metoda opiera się na sytuacjach, w których dwa różne słowa są tak samo dobre, to czy z kodem również jest problem? Okazuje się, że rzeczywiście jest.
W kodzie wynik zwykle musi być dokładny. Nazwa metody, składnia, wartość zmiennej, wszystko to ma jedną poprawną postać, a inna po prostu wywali program. W takich miejscach znakowanie nie jest stosowane, bo nie ma czym manewrować. Ta sama zasada dotyczy działań arytmetycznych: po „2 + 2 =” nie istnieje drugi równie dobry kandydat.
W efekcie kod generowany przez Claude niesie znacznie mniej znaku wodnego niż zwykły tekst. Miejsca, w których faktycznie występuje dowolność, to głównie komentarze w kodzie oraz nazewnictwo tam, gdzie kilka wariantów jest równoważnych. Na sam kod znakowanie ma więc wpływ pomijalny, ale i wykrywalność jego pochodzenia tą metodą jest odpowiednio niższa. Jeśli zależy wam na ewidencji pochodzenia kodu w projekcie, znak wodny tego nie załatwi i trzeba to rozwiązać po swojemu, choćby w opisach commitów.
Jak Claude oznacza zdjęcia i pliki
Pliki graficzne działają na zupełnie innej zasadzie i to rozróżnienie jest ważne, bo w dyskusjach oba mechanizmy nagminnie się zlewają.
Kiedy Claude tworzy plik obsługiwanego typu, czyli .png, .jpg albo .svg, dołącza do niego poświadczenie treści. Jest to niewielka, kryptograficznie podpisana notatka w metadanych pliku, mówiąca, że plik powstał lub był przetwarzany z udziałem Claude. Standard nazywa się C2PA i korzystają z niego również producenci aparatów oraz programy do obróbki zdjęć, więc każde narzędzie zgodne z C2PA to odczyta. Anthropic zapowiedział też własne, do którego będzie można wrzucić plik i sprawdzić. Do tego czasu wystarczy dowolna przeglądarka, bo standard jest otwarty i czyta go wiele darmowych narzędzi.
Poświadczenie nie jest wtopione w obraz i nic w samym pliku się nie zmienia. To metka doczepiona z boku, a nie znak wpleciony w piksele. Konsekwencja jest łatwa do przewidzenia: ponowne zapisanie pliku, konwersja formatu, zrzut ekranu albo wrzucenie na platformę społecznościową potrafią to poświadczenie skasować. Tu właśnie widać różnicę względem Gemini, który do metadanych C2PA dokłada jeszcze SynthID osadzony bezpośrednio w pikselach i przez to znacznie trudniejszy do zgubienia.
Co to zmienia w praktyce
Obowiązek oznaczania wynika z przepisów unijnych, ale Anthropic wdrożył go globalnie, tłumacząc to brakiem trwałego sposobu ograniczenia znakowania do jednego regionu. Firma zapowiada, że będzie ten temat analizować dalej. W praktyce oznacza to, że nie istnieje region, w którym dostaje się odpowiedź bez oznaczenia. Oznaczanie obejmuje modele wypuszczone od sierpnia 2026 i działa wszędzie tam, gdzie dostępny jest Claude, od aplikacji przez API po Claude Code, na całym świecie. Starszych modeli dotyczy okres przejściowy i są stopniowo dostosowywane. Nie da się tego wyłączyć. Narzędzie do wykrywania znaku ma zostać udostępnione jako API, ale w chwili pisania szczegóły jeszcze nie są znane.
Warto odróżnić ten mechanizm od popularnych wykrywaczy treści AI. Tamte narzędzia nie mają klucza, więc analizują styl i szukają charakterystycznych tików w sposobie pisania. Modele mają swoje ulubione konstrukcje, choćby schemat „to nie jest X, to Y”, i nadużywają pewnych słów. Na pewno spotkaliście się z tym, że popularne generatory tekstów AI piszą taki długi myślnik. To też jest specyficzna rzecz wykorzystywana w LLM. Sprawdzanie takich wzorców to zupełnie inna operacja niż odczytanie znaku wodnego i daje zupełnie inną pewność, zwykle znacznie mniejszą.
Dla osób prowadzących bloga albo pracujących w agencji zmiana ma jeszcze jeden wymiar, mniej oczywisty. Skoro oznaczenie powstaje tam, gdzie model wybiera słowa, to sposób pracy z narzędziem przekłada się bezpośrednio na to, ile znaku w tekście zostanie. Tekst napisany przez model od zera będzie oznaczony mocno, tekst napisany samodzielnie i tylko przepuszczony przez korektę prawie wcale. Nie jest to argument za żadną metodą pracy, tylko fakt, który warto rozumieć, zanim ktoś zacznie budować na wynikach detektora jakiekolwiek wnioski o rzetelności autora tekstów.
Praktyczny wniosek jest taki, że dostaliśmy sygnał skąd pochodzi dany tekst. Wykryty znak mówi tyle, że model prawdopodobnie był gdzieś w procesie generowania tekstów, i nie odróżnia sytuacji, w której napisał całość, od tej, w której poprawił cudzy tekst. Brak znaku nie mówi nic, bo tekst mógł być krótki, mocno przerobiony albo powstać w starszym modelu. Dla osób pracujących z treścią zawodowo najważniejsza jest chyba świadomość, że przy korekcie własnego tekstu znak wodny prawie nie powstaje, a przy tłumaczeniu już będzie na pewno widoczne. To dobrze oddaje logikę całego rozwiązania: znak wodny mierzy udział modelu w wyborze słów, a nie to, czyj jest pomysł. Warto o tym pamiętać, zanim ktoś potraktuje wynik detektora jako dowód w jakiejkolwiek sprawie.
W artykule pojawiła się miniatura wygenerowana przez AI.
