Les plans de filigrane d’Anthropic et Google transforment les mots ordinaires en étiquette IA

Anthropic a engagé ses nouveaux modèles Claude à utiliser un filigrane textuel invisible, tout en reconnaissant que des modifications ordinaires peuvent affaiblir ou effacer le signal. La comparaison entre Anthropic et Google importe désormais, car les deux entreprises utilisent des choix de mots statistiques pour répondre aux exigences croissantes de provenance de l’IA lisible par machine.

Anthropic affirme que son système marque les textes par des choix de formulation sans conséquence. SynthID Text de Google ajuste de manière similaire les probabilités des tokens lorsqu’un modèle génère une réponse. Aucune de ces approches n’insère d’étiquette visible, de caractère Unicode caché ou de marque de propriété permanente.

Cette distinction crée le conflit central. Les régulateurs veulent que les contenus générés restent identifiables, mais le langage est particulièrement facile à réécrire, traduire, raccourcir ou combiner avec un travail humain. Un filigrane peut aider à vérifier la provenance sans prouver qui a réellement rédigé un document.

Le calendrier est réglementaire. L’article 50 de l’AI Act de l’Union européenne est devenu applicable le 2 août 2026. Ses dispositions sur la transparence exigent des fournisseurs qu’ils rendent les contenus générés détectables dans un format lisible par machine, lorsque cela est techniquement réalisable.

Pour les entreprises, développeurs, éditeurs et étudiants, la question dépasse Claude ou Gemini. Le marquage statistique peut accompagner un texte à travers les opérations de copier-coller. Toutefois, il peut aussi marquer des documents dans lesquels un système d’IA s’est contenté de traduire, mettre en forme ou peaufiner une rédaction humaine.

Les nouveaux modèles d’Anthropic marqueront les textes dans le monde entier

Anthropic traite le filigranage comme une exigence au niveau du modèle, et non comme une fonctionnalité régionale limitée aux utilisateurs européens.

Les consignes de marquage de l’entreprise indiquent que les nouveaux modèles marqueront les contenus générés dès leur première version. Anthropic applique cette approche partout où ces modèles sont proposés, y compris sur les marchés hors de l’Union européenne.

Cette portée signifie que la marque peut apparaître dans l’ensemble des produits Claude et des canaux de distribution. Elle ne se limite pas aux textes copiés depuis le site web de Claude. Les contenus fournis via une API ou un partenaire cloud peuvent porter le même signal statistique.

La politique couvre les modèles publiés après l’entrée en application des obligations européennes, le 2 août 2026. Anthropic prévoit également de mettre les anciens modèles éligibles en conformité pendant une période de transition se terminant le 2 décembre.

Le filigranage textuel d’Anthropic fonctionne différemment des métadonnées de fichier. Le signal est intégré au langage généré par des choix que l’entreprise qualifie de sans conséquence. Il s’agit d’emplacements où plusieurs mots peuvent transmettre presque la même idée sans modifier matériellement la réponse.

Les fichiers générés reçoivent une autre couche de provenance. Anthropic indique que les images prises en charge, y compris les fichiers SVG, PNG et JPG, peuvent contenir des métadonnées signées fondées sur la norme de provenance de contenu C2PA.

Les identifiants C2PA enregistrent des informations sur la façon dont un fichier compatible a été créé ou modifié. Ces informations circulent dans un manifeste signé, plutôt que par le motif statistique utilisé pour le texte brut.

L’emploi de méthodes distinctes reflète les propriétés de chaque média. Une image contient de nombreux pixels ajustables et peut également intégrer des métadonnées structurées. Le texte brut offre moins d’endroits où dissimuler des informations sans en modifier le sens.

L’annonce d’Anthropic fait suite au code européen de transparence, un cadre volontaire de mise en conformité élaboré dans le cadre d’un processus multipartite. Le code distingue les obligations des fournisseurs en matière de marquage des contenus de celles des déployeurs concernant l’étiquetage visible.

Cette séparation est importante. Un filigrane lisible par machine aide les logiciels à examiner un contenu, mais n’indique pas automatiquement au lecteur qu’une IA a été impliquée. Les éditeurs et autres déployeurs peuvent toujours être soumis à des obligations distinctes de divulgation.

L’article 50 n’établit pas non plus une règle universelle imposant qu’un avertissement public accompagne chaque phrase assistée par IA. La loi prévoit des exceptions et des distinctions liées à la révision éditoriale, aux contenus d’intérêt public, aux œuvres artistiques et à la responsabilité de publication.

La mise en œuvre d’Anthropic va au-delà du périmètre géographique minimal. Un modèle mondialement cohérent évite de maintenir des comportements de génération distincts pour les requêtes européennes et non européennes. Il donne également aux développeurs en aval une politique de provenance unique à documenter.

Cette cohérence a un coût. Un développeur qui sert des utilisateurs au Canada ou aux États-Unis peut recevoir un contenu marqué, car le modèle sous-jacent suit une politique mondiale. La localisation de l’utilisateur ne supprime pas nécessairement le signal.

L’événement modifie donc plus que la documentation de conformité de Claude. Il intègre la provenance dans le parcours normal de génération des futurs modèles, transformant une règle européenne de transparence en comportement produit mondial.

Comment le filigranage textuel d’Anthropic et Google utilise le choix des mots

Le filigrane est une tendance statistique répartie sur de nombreux choix, et non un message secret caché dans un seul mot.

Un modèle de langage produit du texte un token à la fois. Un token est un mot, un signe de ponctuation ou un fragment de mot que le modèle traite comme une unité de génération.

À chaque étape, le modèle attribue des probabilités aux tokens suivants possibles. Plusieurs candidats peuvent être acceptables lorsque la phrase n’exige pas une réponse exacte. Un système de filigranage peut favoriser certains candidats selon un motif secret.

Prenons une phrase courante à propos d’une réunion. Le modèle peut choisir entre « cependant », « pourtant » ou « néanmoins » sans modifier l’information essentielle. De nombreux petits choix peuvent créer une signature statistique détectable dans une réponse plus longue.

Anthropic décrit son marquage en termes de mots sans conséquence. Cette formulation suggère que le système cible des choix dont la substitution ne devrait pas altérer le sens, l’exactitude factuelle ou les détails utiles.

L’entreprise n’a pas rendu publics tous les paramètres de mise en œuvre. Les lecteurs devraient donc éviter de supposer que son détecteur, la structure de ses clés secrètes ou ses seuils de notation correspondent à la conception de Google.

Google a expliqué sa propre approche avec davantage de précision. Google SynthID text modifie les probabilités des tokens pendant la génération et évalue le motif résultant lors de la détection.

Google affirme que sa méthode fonctionne mieux sur des réponses plus longues et variées. Les essais, scripts et brouillons alternatifs d’e-mails donnent à un modèle de nombreuses occasions de choisir parmi des tokens plausibles.

Les requêtes factuelles constituent un cas plus difficile. Une question ayant une réponse courte et exacte laisse peu de liberté au modèle. Modifier un mot clé pourrait rendre la réponse moins précise, de sorte qu’un filigrane sûr dispose de moins de choix utilisables.

La même contrainte s’applique au code source, aux formules, aux citations, aux clauses juridiques et au langage standardisé. Une substitution supposément sans conséquence peut devenir significative lorsque la syntaxe ou la formulation exacte importe.

Google a évalué SynthID Text sur environ 20 millions de réponses Gemini dans le cadre d’une recherche publiée dans Nature. Les chercheurs ont comparé des générations filigranées et non filigranées, y compris les retours des utilisateurs sur la qualité des réponses.

La recherche sur le filigranage qui en a résulté décrit une conception non déformante. Dans ce cadre, le système évite d’attribuer une probabilité à des tokens que le modèle non filigrané n’aurait pas pu sélectionner.

Cette propriété aide à préserver la qualité, mais ne rend pas le signal indestructible. Google indique que le rognage, quelques modifications et une paraphrase légère peuvent préserver une certaine détectabilité. Une réécriture approfondie ou une traduction peut fortement réduire la confiance.

Anthropic formule des avertissements similaires. Les textes courts peuvent ne pas contenir suffisamment de choix pour qu’un détecteur atteigne un niveau de confiance suffisant. Combiner des passages marqués et non marqués peut diluer le motif.

Les modifications importantes posent un problème plus fondamental. Un filigrane statistique dépend de la séquence sélectionnée. Remplacer suffisamment de mots génère une séquence différente, même lorsque le document révisé conserve le sens original.

Copier un texte dans un traitement de texte ne supprime pas en soi le signal. La marque est représentée par les mots ; le copier-coller ordinaire préserve donc la séquence pertinente.

Les changements de mise en forme sont plus complexes. Déplacer des paragraphes peut préserver de nombreux motifs locaux, tandis qu’une synthèse agressive peut les supprimer. Une traduction régénère presque chaque token et peut éliminer la signature originale.

Ce mécanisme explique pourquoi invisible ne signifie pas permanent. Il explique aussi pourquoi un détecteur renvoie des éléments de preuve assortis d’un niveau de confiance, plutôt que de découvrir un numéro de série incontestable.

La distinction pratique entre Anthropic et Google est donc plus réduite que ne le suggèrent les gros titres. Les deux approches reposent sur des régularités statistiques dans le langage généré. Toutes deux affrontent le même conflit entre détectabilité, qualité et résistance aux modifications.

La comparaison entre Anthropic et Google porte en réalité sur la conformité

Anthropic et Google convergent vers le filigranage parce que la réglementation récompense désormais une provenance déployable, même lorsque la technologie reste incomplète.

Google a introduit SynthID pour les images en 2023, puis l’a étendu au texte et à la vidéo en 2024. L’entreprise a ensuite publié le composant textuel en open source afin que d’autres développeurs de modèles puissent intégrer le filigranage dans leurs pipelines de génération.

En juillet 2026, Google a signé le code de bonnes pratiques de l’UE sur la transparence des contenus générés par IA. Son engagement envers le code a mis en avant SynthID, C2PA et des partenariats soutenant un filigranage interopérable.

Anthropic avait auparavant adopté une position publique plus réservée. Dans une contribution de 2023 au gouvernement des États-Unis, l’entreprise avait qualifié le filigranage de prometteur, mais facile à contourner pour des acteurs malveillants.

L’entreprise a également averti qu’un texte nuisible ou trompeur pouvait recevoir une marque valide. Un filigrane peut identifier l’implication d’un modèle sans établir que l’affirmation qui en résulte est exacte ou sûre.

Cette évaluation antérieure n’est pas devenue sans objet. La politique d’Anthropic de 2026 comprend des limites explicites, montrant que le déploiement n’équivaut pas à une confiance dans le filigranage comme système indépendant de responsabilité.

Ce qui a changé, c’est l’environnement de conformité. La Commission européenne indique que les obligations de l’article 50 visent la tromperie et la manipulation par des exigences de marquage, de détection et d’étiquetage.

La Commission a approuvé le code de transparence comme voie volontaire adéquate pour démontrer la conformité. Les signataires obtiennent un cadre de mise en œuvre commun dans les États membres de l’Union européenne.

Les fournisseurs qui choisissent une autre voie peuvent toujours se conformer aux règles. Toutefois, ils doivent démontrer que leurs mesures alternatives satisfont à la loi. Cette évaluation individuelle peut introduire davantage d’incertitude et de travail administratif.

Cela rend un filigrane techniquement imparfait commercialement rationnel. Un signal standardisé et documenté peut soutenir les flux de travail de conformité, les intégrations de plateformes et les dossiers d’audit, même s’il ne peut pas survivre à toutes les attaques.

Le principal adversaire n’est pas Anthropic face à Google en tant que fournisseurs rivaux. C’est la demande réglementaire d’une identification persistante face à la nature modifiable du langage.

Les deux entreprises peuvent améliorer les détecteurs, les clés et les méthodes de génération. Aucune ne peut empêcher un utilisateur d’exprimer la même idée avec des mots entièrement différents.

OpenAI a également soutenu le code européen de transparence et exprimé l’ambition d’étendre les signaux de provenance à l’ensemble des modalités. Ce large alignement accroît la pression en faveur d’une référence commune pour le secteur.

Si les grands fournisseurs marquent les textes différemment, les plateformes seront confrontées à un problème d’intégration. Un éditeur, une école ou une entreprise pourrait avoir besoin de détecteurs et de politiques distincts pour Claude, Gemini, ChatGPT et les modèles plus modestes.

L’interopérabilité peut réduire cette charge. Pourtant, des normes partagées soulèvent également des questions de gouvernance concernant l’accès aux détecteurs, la gestion des secrets, les seuils, les recours et les tests indépendants.

Les modèles open source ajoutent une autre complication. Un distributeur peut activer un filigrane, mais un utilisateur qui contrôle les poids du modèle et le logiciel d’inférence peut supprimer ce comportement.

Les services fermés peuvent imposer le marquage de manière plus cohérente, car les utilisateurs ne contrôlent pas la chaîne de génération. Cette différence risque de créer des attentes de conformité inégales entre les systèmes hébergés et ceux exploités en interne.

Il existe également un problème d’attribution. Une marque détectable peut identifier la participation d’une famille de modèles sans révéler le processus humain qui l’entoure.

Un chargé de communication peut rédiger un communiqué et demander à Claude de corriger la ponctuation. Un traducteur peut utiliser Claude pour un seul paragraphe. Un développeur peut n’accepter que quelques lignes issues d’une réponse générée bien plus longue.

La détection ne peut pas, à elle seule, reconstituer ces décisions. Elle ne peut pas déterminer si un humain a approuvé chaque affirmation ni si le modèle est à l’origine de l’argumentaire du document.

Les organisations ont donc besoin de traces de flux de travail en complément des signaux au niveau de la sortie. Un processus structuré de gestion des connaissances peut préserver les sources, les brouillons, les validations et l’historique des révisions lorsque la paternité importe.

Le filigranage comble une partie de cette documentation. Il donne aux enquêteurs un indice supplémentaire lisible par machine. Il ne remplace pas la documentation relative aux prompts, aux modifications, à la relecture humaine ou à la responsabilité de publication.

Une marque détectée ne prouve pas la paternité par l’IA

Le plus grand risque n’est pas que le filigrane échoue systématiquement, mais que les personnes traitent un signal incertain comme un verdict définitif.

Anthropic avertit qu’un texte marqué peut commencer par une rédaction humaine. Si Claude relit, reformate ou traduit un passage, la version renvoyée peut contenir la signature statistique du modèle.

Ce résultat ne signifie pas que Claude est à l’origine de l’argumentation, de la recherche ou des faits sous-jacents. Il signifie que le modèle a participé à la production de la séquence examinée.

L’inférence inverse échoue également. L’absence de marque ne prouve pas qu’une personne a rédigé le texte. Le passage peut être trop court, avoir été largement modifié, traduit ou généré par un modèle non marqué.

Ces limites sont importantes dans les écoles et les lieux de travail, où le résultat d’un détecteur peut déclencher des accusations. Un signal probabiliste ne devrait pas devenir le seul fondement d’une sanction, d’un licenciement ou d’une conclusion de plagiat.

Le problème ressemble aux classificateurs existants de textes rédigés par IA, mais le filigranage repose sur des bases techniques plus solides lorsque le fournisseur contrôle la génération. Un détecteur peut rechercher un motif délibérément intégré au lieu de deviner à partir du style d’écriture.

Même ainsi, le détecteur doit fonctionner avec un seuil. Définir un seuil strict peut manquer des textes marqués. L’abaisser peut accroître les fausses alertes concernant des contenus non marqués ou rédigés par des humains.

Des recherches indépendantes invitent à la prudence. Une prépublication de juillet 2026 a évalué des implémentations de trois méthodes de filigranage de texte selon un cadre proposé de préparation à l’expertise judiciaire.

Son évaluation médico-légale a fait état de taux élevés de faux négatifs dans les configurations testées. Les chercheurs ont également constaté des fausses alertes et une incertitude importante pour leur implémentation de SynthID.

Ces résultats ne doivent pas être considérés comme un audit direct du système privé d’Anthropic. Ils ont testé des implémentations représentatives et des paramètres expérimentaux précis, et non le détecteur de production d’Anthropic.

Ils montrent toutefois pourquoi les affirmations de déploiement nécessitent une évaluation reproductible. Les performances dépendent de la longueur du texte, de la langue, du modèle, de la force du filigrane, des seuils du détecteur, des modifications et des connaissances de l’attaquant.

La qualité est une autre question ouverte. Anthropic affirme ne modifier que des formulations sans conséquence, mais leur importance peut dépendre du contexte.

Un synonyme qui fonctionne dans un texte marketing peut introduire une ambiguïté dans un contrat. Une modification de token qui préserve l’intention générale d’un programme peut néanmoins empêcher la compilation ou modifier le comportement à l’exécution.

Les modèles peuvent éviter de marquer les segments contraints, mais chaque exception réduit le signal disponible. Un système qui protège un langage exact doit recueillir des preuves à partir des parties restantes, plus flexibles, d’une réponse.

Les développeurs voudront des résultats distincts pour la prose, le code source, les données structurées et les documents mixtes. Un taux de détection moyen unique masquerait des différences significatives entre ces formats.

L’utilisation multilingue crée un autre point de pression. La traduction peut supprimer un filigrane source, tandis qu’une génération directe dans une autre langue exige des tests adéquats pour la tokenisation et la grammaire de cette langue.

La question est particulièrement importante pour les modèles mondiaux. Le déploiement mondial d’Anthropic étend la fonctionnalité aux langues et aux systèmes d’écriture, et pas seulement à la prose anglaise.

Les adversaires disposent aussi d’options simples. Ils peuvent demander à un autre modèle de réécrire la sortie, la traduire deux fois ou la fusionner avec un texte sans rapport.

Aucune entreprise de filigranage ne prétend qu’un seul signal peut arrêter un opérateur déterminé. Google indique explicitement que SynthID n’est pas conçu comme une défense complète contre des adversaires déterminés.

Cela ne rend pas le filigranage inutile. De nombreux contrôles de sécurité augmentent les coûts ou facilitent l’identification de routine sans vaincre tous les attaquants.

Les filtres antispam manquent certains messages. Des métadonnées résistantes à la falsification peuvent être supprimées. Les systèmes d’authentification peuvent faire l’objet de phishing. Leur valeur vient d’une utilisation en couches, de limites mesurées et de réponses appropriées.

Les filigranes textuels devraient suivre le même modèle. Les plateformes peuvent les combiner avec des métadonnées signées, des registres de comptes, des divulgations visibles, une analyse de contenu et une enquête humaine.

Les entreprises doivent également distinguer la provenance de la véracité. Un paragraphe marqué peut contenir des informations exactes, tandis qu’un paragraphe humain non marqué peut contenir de la désinformation.

La marque répond à une question restreinte sur un processus de génération. Elle ne valide pas les citations, ne tranche pas la titularité des droits d’auteur et n’établit pas la responsabilité éditoriale.

Cette limite doit rester claire dans les interfaces produit. Un détecteur devrait indiquer son niveau de confiance et ses limites, et non afficher une déclaration rouge vif selon laquelle un logiciel a « attrapé » un auteur utilisant l’IA.

Des mécanismes de recours seront importants partout où les décisions affectent des personnes. Les utilisateurs doivent pouvoir expliquer la paternité mixte, la traduction, l’assistance d’accessibilité et les flux de travail de modification.

Sans ces garanties, la technologie de provenance peut créer une nouvelle catégorie de fausse certitude. La réponse réglementaire aux médias synthétiques introduirait alors son propre problème de confiance.

Ce qu’il faut surveiller après le déploiement du filigrane d’Anthropic

Trois signaux détermineront si le marquage statistique des textes deviendra une infrastructure utile ou une autre fonctionnalité de détection fragile.

Le premier signal est le test indépendant du filigranage de texte d’Anthropic. Les chercheurs ont besoin d’un accès autorisé aux outils de détection, aux protocoles d’évaluation et à des échantillons représentatifs de modèles marqués.

Les tests devraient présenter les résultats selon la longueur des réponses, les langues, le code, les réponses factuelles, la prose créative, la traduction, le résumé et les documents mixtes humain-machine. Ils devraient également publier les taux de faux positifs et de faux négatifs.

De solides résultats dans ces contextes soutiendraient l’affirmation d’Anthropic selon laquelle des choix de mots sans conséquence fournissent un signal utile. Des performances faibles en dehors de la prose anglaise longue réduiraient le rôle pratique de la fonctionnalité.

Le deuxième signal est l’interopérabilité entre Anthropic, Google, OpenAI, les plateformes et les organismes de normalisation. Un filigrane a une portée limitée si seul son créateur peut le détecter au moyen d’un processus privé.

L’accès sécurisé aux détecteurs crée un équilibre difficile. Un accès étendu aide les éditeurs et les chercheurs, mais une divulgation détaillée peut aider les attaquants à identifier et supprimer le signal.

Le marché a besoin d’un modèle de confiance viable. Les vérificateurs approuvés pourraient recevoir des services de détection authentifiés sans recevoir les éléments secrets utilisés lors de la génération.

Les partenariats de Google autour de SynthID ouvrent la voie à une adoption plus large, tandis que C2PA offre un cadre complémentaire pour la provenance de fichiers signée. Le texte a encore besoin de conventions pour signaler le niveau de confiance et la paternité mixte.

Si les fournisseurs publient des sorties compatibles et des règles d’évaluation communes, l’Article 50 peut faire de la provenance une infrastructure. Des détecteurs privés fragmentés affaibliraient ce résultat.

Le troisième signal est l’application après la période de transition pour les anciens modèles. Les fournisseurs ont jusqu’au 2 décembre 2026 pour intégrer les systèmes hérités éligibles au nouveau cadre.

Les régulateurs devront clarifier ce que signifient concrètement « détectable » et « techniquement faisable ». Ces définitions détermineront si des marques faibles satisfont la loi ou exigent une résilience mesurable.

Les décisions d’application montreront également comment les autorités traitent les modèles open source, les réponses courtes, le code et les services construits sur des API tierces. Chaque cas remet en question une règle simple centrée sur le fournisseur.

La convergence entre Anthropic et Google a déjà établi une orientation importante. La provenance lisible par machine passe de la recherche volontaire sur la sécurité à une architecture produit normale.

Ce qui reste incertain est le poids probatoire de cette provenance. Un signal détectable peut étayer une enquête, mais il ne peut pas raconter l’histoire complète d’un document.

Les organisations devraient se préparer avant que les détecteurs ne deviennent courants. Elles ont besoin de politiques distinguant la génération par IA, l’assistance par IA, la relecture humaine et la responsabilité éditoriale finale.

Elles devraient conserver les brouillons et les sources lorsque l’attribution entraîne des conséquences juridiques, académiques ou réputationnelles. Elles devraient également interdire les sanctions automatisées fondées sur un seul résultat de détecteur.

Pour les utilisateurs ordinaires, la question pratique est simple : seriez-vous à l’aise si un passage copié de Claude portait un signal détectable après avoir quitté le chat ?

Si la réponse dépend du contexte, consignez ce contexte. Conservez le brouillon humain, vérifiez les affirmations, divulguez toute génération substantielle lorsque cela est requis et considérez tout filigrane Anthropic Google comme un élément de preuve plutôt qu’un verdict.