Carrera de marcas de agua entre Anthropic y Google: Claude marca el texto, pero la prueba se complica

Anthropic ha comprometido los nuevos modelos de Claude con el uso de marcas de agua invisibles en el texto, pese a las limitaciones que impiden que la marca demuestre quién redactó realmente un documento. La empresa afirma que los modelos compatibles lanzados en la Unión Europea a partir del 2 de agosto de 2026 marcarán sus resultados desde el lanzamiento. Esta política convierte la carrera de marcas de agua entre Anthropic y Google en una prueba de si la procedencia de la IA puede funcionar fuera de demostraciones controladas.

El cambio responde al Artículo 50 de la Ley de IA de la Unión Europea. Exige a los proveedores que hagan el texto y los medios generados legibles por máquina y detectables cuando sea técnicamente viable. Anthropic prevé aplicar su sistema de marcado allí donde se ofrezcan modelos compatibles de Claude, no solo dentro de Europa.

Google ofrece la comparación más clara. Su sistema SynthID ya altera la selección de tokens para insertar una señal estadística dentro del texto de Gemini. Anthropic ha revelado menos sobre su propio algoritmo, detector y tasas de error. Por tanto, su política ofrece un compromiso firme de cumplimiento sin aportar todavía suficiente evidencia pública para evaluar el resultado.

Qué está cambiando Anthropic dentro de Claude

Anthropic está llevando la identificación de IA al proceso de generación, donde la marca de agua puede sobrevivir a la copia habitual, pero sigue siendo vulnerable a cambios más amplios.

Cuando un modelo compatible de Claude produce texto, incorporará en la respuesta lo que Anthropic describe como una marca de agua imperceptible. La marca existe dentro de patrones del lenguaje generado, en lugar de como una etiqueta visible o una propiedad de archivo que pueda eliminarse.

Anthropic no ha documentado públicamente el método estadístico preciso. Sin embargo, este tipo de marca de agua generativa suele influir en las decisiones que se toman mientras el modelo selecciona cada token. Un token es una palabra, fragmento de palabra o símbolo procesado como una unidad por un modelo de lenguaje.

El sistema puede favorecer determinadas opciones válidas a lo largo de un pasaje extenso. Posteriormente, un detector busca el patrón resultante. Ninguna palabra individual revela la marca, pero la secuencia puede proporcionar una señal estadística cuando se conserva suficiente texto intacto.

Esta distinción explica por qué copiar una respuesta en un correo electrónico o documento no debería eliminar de inmediato la marca de agua. La señal viaja con el propio lenguaje. No depende de caracteres Unicode ocultos, encabezados del documento ni de la interfaz original de Claude.

Anthropic también está adoptando un enfoque independiente para los archivos. Según su explicación de cumplimiento publicada, los archivos multimedia generados llevarán información de procedencia firmada. Los metadatos de procedencia registran de dónde proviene un activo y si cambió después de la firma.

Estos dos métodos abordan distintos modos de fallo. El texto pierde los metadatos habituales cuando alguien lo copia. Una marca estadística puede sobrevivir a esa acción. Las imágenes y otros archivos conservan más estructura, lo que permite que las credenciales criptográficas describan su origen e historial de edición.

El despliegue tiene un límite importante. Se aplica de inmediato a los modelos compatibles de Claude lanzados en la UE el 2 de agosto de 2026 o después. Los modelos anteriores reciben un período de transición, con el 2 de diciembre identificado como fecha límite de cumplimiento para los sistemas heredados.

Eso no significa que todas las respuestas históricas de Claude contengan de repente una marca de agua. Una marca debe añadirse durante la generación. El texto producido antes de que un modelo admitiera el sistema no puede adquirir retroactivamente ese patrón incorporado.

Tampoco significa que todos los resultados actuales de Claude produzcan un resultado de detección fiable. Las respuestas cortas contienen menos decisiones de tokens, lo que deja menos espacio para un patrón estadístico. El texto muy restringido puede generar el mismo problema porque el modelo dispone de menos alternativas plausibles.

La parte más relevante es el alcance mundial. Anthropic afirma que el marcado de los modelos compatibles se aplicará dondequiera que Claude esté disponible. Por tanto, una obligación europea de transparencia dará forma a los resultados recibidos por usuarios de Norteamérica y otros mercados.

Esta decisión reduce la carga operativa de mantener comportamientos regionales separados. También evita que los usuarios eludan la marca al dirigir una solicitud a través de una ubicación de servicio no europea. Sin embargo, hace que las cuestiones sin resolver sobre detección y atribución sean relevantes para todos los clientes de Claude.

Por qué la UE impuso este calendario

La política no es un experimento voluntario para mejorar el etiquetado. Es la respuesta de Anthropic a una obligación legal que se volvió aplicable el 2 de agosto de 2026.

Las normas del Artículo 50 de la UE exigen a los proveedores de sistemas que generan texto, imágenes, audio o vídeo sintéticos marcar sus resultados en un formato legible por máquina. El marcado también debe permitir detectar el material como generado o manipulado artificialmente.

La ley matiza esa obligación. Una medida técnica debe ser eficaz, interoperable, fiable y robusta en la medida en que sea técnicamente viable. Los reguladores deben considerar las características del contenido, los costes de implementación y el estado de la técnica reconocido.

Esta redacción importa para el texto porque no se conoce ninguna marca de agua que sobreviva a todas las transformaciones. Un usuario puede acortar, traducir, parafrasear o combinar una respuesta con otros escritos. Cada operación puede debilitar la evidencia estadística disponible para un detector.

La ley también excluye algunos usos de asistencia. La edición estándar que no modifica sustancialmente la aportación de un usuario ni su significado queda fuera de la obligación del proveedor. Sin embargo, un sistema a nivel de modelo no siempre puede saber cómo se clasificará un documento posterior bajo esa excepción.

El código de transparencia de Europa proporciona a las empresas un marco compartido de cumplimiento. La participación es voluntaria, pero las obligaciones subyacentes del Artículo 50 siguen siendo obligaciones legales. Los signatarios pueden apoyarse en las medidas del código para demostrar el cumplimiento en los Estados miembros de la UE.

Esta estructura anima a los grandes proveedores de modelos a converger en prácticas compatibles de marcado y detección. No les exige utilizar un algoritmo idéntico. Anthropic, Google, OpenAI y otras empresas aún pueden tomar decisiones técnicas diferentes.

El código divide la responsabilidad entre proveedores e implementadores. Los proveedores deben marcar los resultados y respaldar la detección. Los implementadores deben divulgar ciertos deepfakes y textos de interés público, con excepciones sujetas a revisión humana y responsabilidad editorial.

Esta separación importará en la publicación y las comunicaciones corporativas. Un proveedor de modelos puede insertar una señal en el texto, pero la organización que publica ese texto sigue decidiendo cómo revisarlo y etiquetarlo. Una marca de agua no puede sustituir un proceso editorial.

Pensemos en un equipo de comunicaciones que pide a Claude reorganizar un anuncio redactado por personas. El texto resultante podría llevar una señal de Claude incluso cuando las personas aportaron cada afirmación factual. La detección establecería la participación del modelo, no la autoría de las ideas subyacentes.

También existe el problema opuesto. Una persona podría pedir a Claude que redacte una declaración completa y luego reescribirla o traducirla en gran medida. La versión final podría dejar de producir un resultado de detección fiable. La ausencia de una marca no demostraría autoría humana.

Esto convierte la procedencia en un componente de un flujo de trabajo de IA responsable. Las organizaciones aún necesitan registros de revisión, material fuente, aprobaciones y una propiedad clara de las afirmaciones publicadas.

Por tanto, el despliegue mundial de Anthropic cumple dos objetivos. Crea un estándar operativo para los modelos compatibles y ofrece a los clientes empresariales una señal coherente entre regiones. El precio de esa coherencia es que los usuarios fuera de Europa heredan las mismas ambigüedades.

La diferencia entre Anthropic y Google gira en torno a la evidencia

La comparación entre Anthropic y Google no trata de si el texto debe llevar una señal. Trata de cuánta evidencia expone cada empresa para evaluar esa señal.

Google ya ha explicado el funcionamiento básico de las marcas de agua SynthID. Para el texto, SynthID ajusta las puntuaciones de probabilidad mientras un modelo elige el siguiente token. Esos ajustes controlados crean un patrón que el detector de Google puede buscar posteriormente.

El modelo sigue eligiendo lenguaje contextualmente apropiado. La marca de agua influye en la selección entre alternativas plausibles, en lugar de insertar un identificador visible tras la generación. Un lector no debería poder detectar el patrón examinando palabras concretas.

Google también ha publicado investigación que describe el despliegue a gran escala. Su estudio sobre marcas de agua, revisado por pares, evaluó una versión no distorsionadora de SynthID-Text, diseñada para preservar la distribución del modelo original en el nivel de cada respuesta individual.

Los investigadores probaron el sistema mediante aproximadamente 20 millones de interacciones con Gemini. Informaron de que no hubo una pérdida significativa de calidad en las opiniones de usuarios, las mediciones de perplejidad ni los estándares de referencia de capacidades.

El artículo también cuantificó la sobrecarga de producción en una configuración experimental. Un modelo Gemma 7B necesitó 15,527 milisegundos por token sin la configuración de marca de agua evaluada y 15,615 milisegundos con ella. Esto representó un aumento de latencia del 0,57 por ciento.

Estas cifras no establecen cómo funciona el método de Anthropic. Claude puede utilizar un diseño de muestreo, detector, sistema de claves o umbral de confianza diferente. La comparación muestra, en cambio, el nivel de evidencia disponible sobre el enfoque de Google.

Anthropic afirma que su marca de agua será imperceptible y no reducirá la calidad del texto. Esto sigue siendo una afirmación de la empresa hasta que publique documentación técnica o evaluaciones independientes. El anuncio no identifica tasas públicas de detección, umbrales de falsos positivos ni resultados de pruebas comparativas.

Esta brecha de evidencia es fundamental porque las marcas de agua siempre implican decisiones de política. Un detector puede exigir una señal más fuerte antes de devolver una coincidencia, reduciendo las acusaciones falsas pero dejando sin detectar más texto auténtico de Claude. Puede reducir el umbral y detectar más texto marcado, aceptando al mismo tiempo más falsos positivos.

La longitud también cambia la ecuación. Un informe extenso ofrece muchas decisiones de tokens que pueden llevar una señal. Un titular, fragmento de código o respuesta factual corta ofrece menos observaciones. A veces, un detector responsable debe no llegar a ninguna conclusión.

La investigación publicada por Google ilustra esa cautela mediante la predicción selectiva. El detector puede abstenerse cuando la evidencia es insuficiente. En una evaluación, los investigadores lo configuraron para una tasa de verdaderos positivos del 95 por ciento y una tasa de falsos positivos del uno por ciento entre las muestras que recibieron predicciones.

Estas cifras dependen del modelo probado, la longitud del texto, la configuración de generación y los datos de evaluación. No son garantías universales. También muestran por qué un detector no debería reducir una puntuación compleja a una declaración de autoría sin respaldo.

Por tanto, la división entre Anthropic y Google es una brecha de transparencia, no necesariamente una brecha de capacidades. Anthropic ha anunciado los términos de despliegue y reconocido limitaciones. Google ha revelado más sobre el mecanismo, el diseño de evaluación y la evidencia de producción detrás de su sistema.

Esta diferencia presiona a Anthropic para que publique documentación antes de que las organizaciones confíen en la detección de Claude para decisiones relevantes. Los clientes necesitan entender qué modelos llevan marcas, cuánto texto requiere un detector y qué nivel de confianza representa su resultado.

Google también enfrenta presión. Un método técnico abierto no crea una red universal de procedencia. SynthID puede identificar sistemas participantes que aplicaron marcas compatibles. No puede etiquetar texto procedente de todos los proveedores de modelos o implementaciones locales.

Ninguno de los dos enfoques responde a la cuestión más amplia de la autoría. Una marca de agua puede indicar que un modelo participó en la producción de un pasaje. No puede determinar quién desarrolló el argumento, verificó la evidencia, asumió la responsabilidad o aprobó la publicación.

Que se detecte una marca no demuestra que Claude lo escribió

La disyuntiva central es simple: el marcado a nivel de modelo mejora la trazabilidad, pero reduce tipos muy distintos de asistencia de IA a la misma señal detectable.

Anthropic reconoce que un texto puede llevar una marca incluso cuando Claude solo corrigió, tradujo o reformateó un escrito humano. El detector podría identificar correctamente la intervención de Claude, pero alentar a un observador a sacar una conclusión equivocada sobre la autoría.

Esa limitación afecta al trabajo profesional habitual. Un abogado podría usar Claude para simplificar una frase sin modificar su análisis jurídico. Un investigador podría solicitar correcciones gramaticales. Una persona que no habla inglés como lengua materna podría usar el modelo para mejorar la claridad.

Si cada resultado lleva el mismo tipo de marca, la detección no puede revelar cuánto trabajo intelectual aportó el modelo. No puede distinguir entre un argumento generado y un argumento humano que recibió una asistencia lingüística menor.

Por eso la expresión “texto generado por IA” puede resultar engañosa. La generación existe en un continuo. Las personas utilizan modelos para generar ideas, crear esquemas, redactar, editar, traducir, resumir y dar formato, a menudo dentro del mismo documento.

Una marca de agua a nivel de modelo registra procesamiento, no intención. No puede inspeccionar la procedencia de las ideas que aparecieron en el prompt. Tampoco puede determinar si una persona verificó de forma independiente o reescribió sustancialmente la respuesta.

Las escuelas y los empleadores deberían tratar esta distinción con cuidado. Una señal positiva no debe convertirse en prueba automática de conducta indebida. Las políticas deben definir la asistencia permitida por separado de la detección técnica.

La misma advertencia se aplica al periodismo. Una redacción podría usar Claude para traducir una entrevista reportada por un periodista humano o estandarizar el formato. Si el pasaje resultante activa un detector, eso no significa que Claude realizó el reportaje ni inventó los hechos.

La segunda limitación de Anthropic apunta en la dirección contraria. Una reescritura intensa, la mezcla con texto sin marcar, la traducción o una reducción agresiva pueden dificultar la detección de la señal. Un evasor intencional tiene varias formas de reducir su intensidad.

Incluso el trabajo cotidiano puede causar esa degradación. Un documento puede pasar por varios editores, herramientas de estilo, sistemas de contenido y equipos de localización. Cada paso puede sustituir elecciones de tokens marcadas por un lenguaje diferente.

El resultado es un problema de evidencia asimétrica. Una marca detectada establece una probable intervención del modelo, pero no la magnitud de esa intervención. La ausencia de una marca no establece que Claude estuviera ausente.

Según los detalles de despliegue reportados, Anthropic advierte expresamente sobre ambas direcciones. El texto humano asistido puede aparecer marcado, mientras que el texto de Claude muy alterado puede perder detectabilidad.

Eso significa que los resultados de las marcas de agua deben tratarse como una pista de procedencia. Pueden respaldar una investigación junto con el historial del documento, registros de prompts, historiales de revisión, citas y testimonios. No deben servir como un veredicto independiente.

La atribución errónea tiene consecuencias prácticas. Un estudiante podría enfrentarse a medidas disciplinarias, un empleado a una investigación de integridad o un escritor podría perder un encargo. Esas decisiones exigen pruebas más sólidas que una etiqueta binaria desligada de datos de confianza.

También existe un problema de seguridad. Cuando la detección adquiere valor, los adversarios obtienen incentivos para eliminar marcas o crear marcas falsas. Un actor malicioso podría intentar presentar un escrito humano auténtico como generado por un modelo u ocultar propaganda automatizada tras paráfrasis repetidas.

Una clave de detección privada puede dificultar la falsificación, pero plantea cuestiones de gobernanza. ¿Quién puede ejecutar el detector, quién puede auditarlo y cómo puede una persona acusada impugnar el resultado? Anthropic aún no ha proporcionado respuestas públicas completas.

La documentación de la empresa también debe explicar las citas directas. Si Claude repite lenguaje escrito por humanos dentro de una respuesta marcada, el patrón estadístico alrededor de ese material podría afectar la detección. El resultado sigue sin poder asignar la autoría oración por oración.

No son razones para abandonar las marcas de agua. Son razones para describir su resultado con precisión. “Claude probablemente procesó este pasaje” es más defendible que “Claude escribió este documento”.

Por qué las marcas de agua de texto no pueden convertirse en un detector universal

Ningún sistema de marcas de agua de anthropic google puede identificar todo el texto de IA porque la detección depende de que los proveedores apliquen una señal conocida durante la generación.

Una marca de agua generativa no es un detector general de escritura por IA. Busca un patrón incrustado deliberadamente. El texto de un modelo sin marcar, un modelo antiguo o un proveedor que utiliza otro método no llevará esa evidencia específica.

Los modelos locales y de pesos abiertos hacen que la cobertura universal sea aún más difícil. Un desarrollador que controla la inferencia puede desactivar un componente opcional de marcas de agua, alterar su clave o cambiar el proceso de decodificación. La regulación puede imponer obligaciones a los proveedores, pero el software aún puede funcionar fuera de servicios que cumplen la normativa.

Los modelos también producen contenido restringido. El código, las fórmulas, los nombres y las citas directas dejan poco margen para elecciones alternativas de tokens. Cambiar esas elecciones podría perjudicar la corrección, mientras que preservar la corrección puede debilitar la señal.

La temperatura también importa. La temperatura controla cuánta aleatoriedad utiliza un modelo al seleccionar tokens. La generación a baja temperatura reduce las opciones disponibles, lo que puede reducir el espacio disponible para incrustar un patrón.

El contenido breve crea otro límite. Un detector necesita suficientes observaciones para separar una señal intencional de la variación normal del lenguaje. Una respuesta de una sola frase puede estar realmente marcada y seguir siendo estadísticamente no concluyente.

La transformación lingüística puede eliminar evidencia adicional. La traducción reemplaza la mayoría de los tokens. El resumen descarta grandes partes de la secuencia original. La combinación de varias fuentes diluye el patrón marcado con texto no relacionado.

Estas limitaciones explican por qué Google describe las marcas de agua generativas como complementarias a otros enfoques. Su investigación no presenta SynthID-Text como un detector completo para todo el lenguaje generado por máquinas.

Los metadatos y las credenciales de contenido pueden cubrir algunas carencias en los archivos. Un registro firmado puede identificar el sistema que creó una imagen y revelar si el recurso cambió después. Sin embargo, copiar píxeles a un archivo nuevo puede eliminar los metadatos convencionales.

Las marcas de agua basadas en contenido intentan sobrevivir a esa operación colocando señales dentro del propio medio. El enfoque funciona de forma diferente para imágenes, audio, vídeo y texto porque cada medio tolera cambios distintos.

El texto es especialmente frágil. Los lectores esperan que cada palabra siga siendo editable, e incluso revisiones menores pueden alterar la secuencia estadística. No existe una región invisible equivalente a una variación sutil de píxeles en la que una señal pueda permanecer intacta.

Por tanto, un ecosistema fiable necesitará varias capas. Los proveedores pueden incrustar marcas a nivel de modelo. Los formatos de archivo pueden incluir credenciales firmadas. Las plataformas pueden conservar registros de procedencia. Los editores pueden divulgar usos sustanciales, y las organizaciones pueden mantener trazas de auditoría.

La interoperabilidad se convierte en el siguiente desafío. Un detector es más útil cuando partes independientes pueden verificar el contenido sin exponer claves que permitan la falsificación. Los proveedores deben acordar interfaces, informes de confianza y controles de seguridad.

El código de la UE crea un foro para esa coordinación, pero los incentivos de mercado siguen siendo distintos. Una empresa puede querer una verificación amplia para generar confianza. También puede querer proteger métodos de generación propietarios e impedir que los adversarios se optimicen frente a su detector.

Los usuarios tienen sus propios incentivos. Algunos quieren una procedencia verificable para documentos oficiales y contenido con licencia. Otros valoran la redacción privada y podrían resistirse a una señal persistente del proveedor que acompañe sus palabras.

Esa tensión no desaparecerá con mejores estadísticas. Requiere decisiones políticas sobre acceso, conservación, consentimiento y usos aceptables de la detección. La precisión técnica es necesaria, pero no suficiente.

Lo que Anthropic, Google y los usuarios de Claude deben demostrar a continuación

Las próximas tres señales determinarán si las marcas de agua de Claude se convierten en una infraestructura de procedencia útil o en otra etiqueta poco fiable de detección de IA.

Primero, Anthropic debe publicar su detector y su marco de evaluación. Los usuarios necesitan umbrales documentados, idiomas compatibles, longitudes mínimas de texto y resultados tras ediciones habituales. Los investigadores independientes también necesitan suficiente acceso para probar la evasión y la atribución errónea.

Una publicación creíble debería informar tanto de la detección como de la abstención. El sistema debe indicar cuándo la evidencia es insuficiente, en lugar de forzar cada pasaje a “Claude” o “no Claude”. La confianza debe acompañar al resultado.

La publicación reforzaría la posición de Anthropic si las pruebas externas confirman bajas tasas de error sin una pérdida medible de calidad. La opacidad continuada la debilitaría, especialmente cuando escuelas, empleadores o plataformas empiecen a tomar decisiones a partir de los resultados del detector.

Segundo, observe la fecha límite de transición del 2 de diciembre de 2026 para los modelos existentes. El despliegue mostrará si Anthropic puede aplicar un marcado coherente en productos de consumo, API, socios de nube y familias anteriores de Claude.

Esa transición debería aclarar qué modelos exactos admiten detección y cuándo. También debería revelar cómo maneja Anthropic los resultados generados a través de plataformas de terceros. Una cobertura incoherente haría que un resultado negativo fuera aún menos informativo.

Una expansión fluida respaldaría la afirmación de Anthropic de que el marcado a nivel de modelo crea un estándar mundial único. Los retrasos, las exclusiones o las diferencias de producto sin explicación mostrarían que el cumplimiento está más fragmentado de lo que sugiere el anuncio.

Tercero, compare cómo Anthropic, Google y OpenAI ofrecen verificación a los usuarios comunes. Google ya proporciona detección SynthID a través de su ecosistema y ha abierto su implementación de marcas de agua de texto para desarrolladores. Anthropic afirma que próximamente habrá más documentación sobre detección.

La cuestión crucial no es qué empresa anuncia primero una marca de agua. Es si los usuarios pueden verificar una señal, comprender sus limitaciones e impugnar una conclusión equivocada.

La carrera de anthropic google se decidirá por la calidad de la evidencia, no por la mera presencia de patrones invisibles. Los proveedores deben demostrar que las marcas sobreviven a una edición realista sin convertir la asistencia rutinaria en una acusación de autoría automática.

Los desarrolladores y compradores empresariales deberían solicitar documentación específica por modelo antes de construir sistemas de aplicación basados en la detección. Los editores deberían preservar los historiales de revisión y la responsabilidad editorial en lugar de tratar los escaneos de marcas de agua como prueba definitiva.

Para los trabajadores del conocimiento, la acción inmediata es más sencilla. Registre cómo contribuyó la IA al material importante, conserve las fuentes humanas y revise cada afirmación antes de publicar. Si un cliente o empleador restringe el uso de IA, aclare si la edición y la traducción cuentan.

La marca de agua de Claude puede hacer más rastreable la intervención del modelo. No puede decidir quién fue autor de una idea ni quién merece confianza. La próxima prueba es si Anthropic proporciona a los usuarios evidencia suficiente para mantener intacta esa distinción.