Course au tatouage numérique entre Anthropic et Google : Claude marque le texte, mais la preuve se complique

Anthropic s’est engagé à intégrer un tatouage numérique invisible dans les textes produits par les nouveaux modèles Claude, malgré des limites qui empêchent cette marque de prouver qui a réellement rédigé un document. L’entreprise indique que les modèles pris en charge lancés dans l’Union européenne à partir du 2 août 2026 marqueront leurs résultats dès leur lancement. Cette politique transforme la course au tatouage numérique entre Anthropic et Google en un test de la capacité de la provenance de l’IA à fonctionner hors de démonstrations contrôlées.

Ce changement répond à l’article 50 de l’AI Act de l’Union européenne. Il impose aux fournisseurs de rendre les textes et médias générés lisibles par machine et détectables lorsque cela est techniquement possible. Anthropic prévoit d’appliquer son système de marquage partout où les modèles Claude pris en charge sont proposés, et pas seulement en Europe.

Google fournit le point de comparaison le plus clair. Son système SynthID modifie déjà la sélection de jetons afin de placer un signal statistique dans les textes Gemini. Anthropic a divulgué moins d’éléments sur son propre algorithme, son détecteur et ses taux d’erreur. Sa politique constitue donc un engagement ferme de conformité, sans encore fournir suffisamment de preuves publiques pour évaluer le résultat.

Ce qu’Anthropic modifie dans Claude

Anthropic intègre l’identification de l’IA au processus de génération, où le tatouage numérique peut survivre à une copie ordinaire tout en restant vulnérable à des modifications plus importantes.

Lorsqu’un modèle Claude pris en charge produit du texte, il y intègre ce qu’Anthropic décrit comme un tatouage numérique imperceptible. La marque existe dans les motifs du langage généré, plutôt que sous la forme d’une étiquette visible ou d’une propriété de fichier supprimable.

Anthropic n’a pas documenté publiquement la méthode statistique précise. Toutefois, ce type de tatouage numérique génératif influence généralement les choix effectués lorsque le modèle sélectionne chaque jeton. Un jeton est un mot, un fragment de mot ou un symbole traité comme une unité par un modèle de langage.

Le système peut favoriser certains choix valides sur un long passage. Un détecteur recherche ensuite le motif qui en résulte. Aucun mot isolé ne révèle la marque, mais la séquence peut fournir un signal statistique lorsqu’une quantité suffisante de texte reste intacte.

Cette distinction explique pourquoi copier une réponse dans un e-mail ou un document ne devrait pas supprimer immédiatement le tatouage numérique. Le signal accompagne le langage lui-même. Il ne dépend pas de caractères Unicode cachés, d’en-têtes de document ou de l’interface Claude d’origine.

Anthropic adopte également une approche distincte pour les fichiers. Selon son explication de conformité publiée, les fichiers multimédias générés porteront des informations de provenance signées. Les métadonnées de provenance indiquent l’origine d’un actif et s’il a été modifié après la signature.

Ces deux méthodes répondent à des modes de défaillance différents. Le texte perd ses métadonnées ordinaires lorsqu’une personne le copie. Une marque statistique peut survivre à cette opération. Les images et autres fichiers conservent davantage de structure, ce qui permet à des identifiants cryptographiques de décrire leur origine et leur historique de modification.

Le déploiement comporte une limite importante. Il s’applique immédiatement aux modèles Claude pris en charge lancés dans l’UE le 2 août 2026 ou après cette date. Les modèles antérieurs bénéficient d’une période de transition, le 2 décembre étant identifié comme échéance de conformité pour les systèmes existants.

Cela ne signifie pas que chaque réponse historique de Claude contient soudainement un tatouage numérique. Une marque doit être ajoutée pendant la génération. Un texte produit avant qu’un modèle ne prenne en charge le système ne peut pas acquérir rétroactivement ce motif intégré.

Cela ne signifie pas non plus que chaque résultat actuel de Claude produit un résultat de détection fiable. Les réponses courtes contiennent moins de choix de jetons, laissant moins de place à un motif statistique. Les textes très contraints peuvent poser le même problème, car le modèle dispose de moins d’alternatives plausibles.

L’aspect le plus déterminant est la portée mondiale. Anthropic indique que le marquage des modèles pris en charge s’appliquera partout où Claude est disponible. Une obligation européenne de transparence influencera donc les résultats reçus par les utilisateurs d’Amérique du Nord et d’autres marchés.

Ce choix réduit la charge opérationnelle liée au maintien de comportements régionaux distincts. Il empêche également les utilisateurs de contourner la marque en faisant transiter une requête par un emplacement de service non européen. Cependant, il rend les questions non résolues sur la détection et l’attribution pertinentes pour chaque client de Claude.

Pourquoi l’UE a imposé ce calendrier

Cette politique n’est pas une expérimentation volontaire visant un meilleur étiquetage. C’est la réponse d’Anthropic à une obligation légale devenue applicable le 2 août 2026.

Les règles de l’article 50 de l’UE imposent aux fournisseurs de systèmes générant des textes, images, contenus audio ou vidéos synthétiques de marquer leurs résultats dans un format lisible par machine. Le marquage doit également permettre de détecter le caractère artificiellement généré ou manipulé du contenu.

La loi nuance cette obligation. Une mesure technique doit être efficace, interopérable, fiable et robuste dans la mesure où cela est techniquement possible. Les régulateurs doivent tenir compte des caractéristiques du contenu, des coûts de mise en œuvre et de l’état de l’art reconnu.

Cette formulation compte pour le texte, car aucun tatouage numérique connu ne survit à toutes les transformations. Un utilisateur peut raccourcir, traduire, paraphraser ou combiner une réponse avec d’autres écrits. Chaque opération peut affaiblir les preuves statistiques disponibles pour un détecteur.

La loi exclut également certains usages d’assistance. Une édition standard qui ne modifie pas substantiellement la saisie d’un utilisateur ou sa signification ne relève pas de l’obligation du fournisseur. Pourtant, un système au niveau du modèle ne peut pas toujours savoir comment un document en aval sera classé au titre de cette exception.

Le code de bonnes pratiques en matière de transparence de l’Europe offre aux entreprises un cadre de conformité commun. La participation est volontaire, mais les obligations sous-jacentes de l’article 50 demeurent des obligations légales. Les signataires peuvent s’appuyer sur les mesures du code pour démontrer leur conformité dans les États membres de l’UE.

Cette structure encourage les grands fournisseurs de modèles à converger vers des pratiques compatibles de marquage et de détection. Elle ne leur impose pas d’utiliser un algorithme identique. Anthropic, Google, OpenAI et d’autres entreprises peuvent encore faire des choix techniques différents.

Le code répartit la responsabilité entre fournisseurs et déployeurs. Les fournisseurs doivent marquer les résultats et prendre en charge leur détection. Les déployeurs doivent divulguer certains deepfakes et textes d’intérêt public, sous réserve d’exceptions liées à la relecture humaine et à la responsabilité éditoriale.

Cette séparation comptera dans l’édition et les communications d’entreprise. Un fournisseur de modèles peut placer un signal dans un texte, mais l’organisation qui publie ce texte décide toujours de la manière de le relire et de l’étiqueter. Un tatouage numérique ne peut pas remplacer un processus éditorial.

Prenons une équipe de communication qui demande à Claude de réorganiser une annonce rédigée par des humains. Le texte obtenu pourrait porter un signal Claude même si les personnes ont fourni chaque affirmation factuelle. La détection établirait l’implication du modèle, et non la paternité des idées sous-jacentes.

Le problème inverse existe également. Une personne pourrait demander à Claude de rédiger une déclaration entière, puis la réécrire ou la traduire en profondeur. La version finale pourrait ne plus produire de résultat de détection fiable. L’absence de marque ne prouverait pas une paternité humaine.

La provenance n’est donc qu’un élément d’un flux de travail IA responsable. Les organisations ont toujours besoin de traces de relecture, de documents sources, d’approbations et d’une responsabilité claire pour les affirmations publiées.

Le déploiement mondial d’Anthropic sert donc deux objectifs. Il crée une norme opérationnelle unique pour les modèles pris en charge et donne aux clients entreprises un signal cohérent entre les régions. Le prix de cette cohérence est que les utilisateurs hors d’Europe héritent des mêmes ambiguïtés.

La divergence entre Anthropic et Google porte sur les preuves

La comparaison entre Anthropic et Google ne concerne pas la question de savoir si le texte doit porter un signal. Elle concerne la quantité de preuves que chaque entreprise expose pour évaluer ce signal.

Google a déjà expliqué le fonctionnement de base du tatouage numérique SynthID. Pour le texte, SynthID ajuste les scores de probabilité pendant qu’un modèle choisit le jeton suivant. Ces ajustements contrôlés créent un motif que le détecteur de Google peut ensuite rechercher.

Le modèle continue de choisir un langage adapté au contexte. Le tatouage numérique influence la sélection parmi des alternatives plausibles plutôt que d’ajouter un identifiant visible après la génération. Un lecteur ne devrait pas pouvoir remarquer le motif en examinant certains mots.

Google a également publié des recherches décrivant un déploiement à grande échelle. Son étude sur le tatouage numérique, évaluée par les pairs, a examiné une version non distorsive de SynthID-Text, conçue pour préserver la distribution du modèle d’origine au niveau de chaque réponse individuelle.

Les chercheurs ont testé le système sur environ 20 millions d’interactions Gemini. Ils n’ont signalé aucune perte significative de qualité dans les retours des utilisateurs, les mesures de perplexité ou les benchmarks de capacités standard.

L’article a également quantifié la surcharge en production dans une configuration expérimentale. Un modèle Gemma 7B nécessitait 15,527 millisecondes par jeton sans la configuration de tatouage numérique testée et 15,615 millisecondes avec celle-ci. Cela représentait une hausse de latence de 0,57 %.

Ces chiffres n’établissent pas les performances de la méthode d’Anthropic. Claude peut utiliser un autre modèle d’échantillonnage, détecteur, système de clés ou seuil de confiance. La comparaison montre plutôt le niveau de preuves disponible pour l’approche de Google.

Anthropic affirme que son tatouage numérique sera imperceptible et ne réduira pas la qualité du texte. Cela reste une affirmation de l’entreprise tant qu’elle n’aura pas publié de documentation technique ou d’évaluations indépendantes. L’annonce n’identifie pas de taux de détection publics, de seuils de faux positifs ou de résultats de benchmark.

Cette lacune en matière de preuves est centrale, car le tatouage numérique implique toujours des choix de politique. Un détecteur peut exiger un signal plus fort avant de renvoyer une correspondance, réduisant les fausses accusations mais manquant davantage de véritables textes Claude. Il peut abaisser le seuil et détecter plus de textes marqués tout en acceptant davantage de faux positifs.

La longueur modifie également l’équation. Un long rapport offre de nombreuses décisions de jetons susceptibles de porter un signal. Un titre, un fragment de code ou une réponse factuelle courte offre moins d’observations. Un détecteur responsable doit parfois ne tirer aucune conclusion.

Les recherches publiées par Google illustrent cette retenue par la prédiction sélective. Le détecteur peut s’abstenir lorsque les preuves sont insuffisantes. Dans une évaluation, les chercheurs l’ont configuré pour un taux de vrais positifs de 95 % et un taux de faux positifs de 1 % parmi les échantillons ayant reçu des prédictions.

Ces chiffres dépendent du modèle testé, de la longueur du texte, des paramètres de génération et des données d’évaluation. Ils ne constituent pas des garanties universelles. Ils montrent également pourquoi un détecteur ne devrait pas réduire un score complexe à une déclaration non étayée sur la paternité d’un texte.

La divergence entre Anthropic et Google est donc un écart de transparence, et pas nécessairement un écart de capacité. Anthropic a annoncé les conditions de déploiement et reconnu les limites. Google a divulgué davantage d’éléments sur le mécanisme, la conception de l’évaluation et les preuves de production derrière son système.

Cette différence accroît la pression sur Anthropic pour publier une documentation avant que les organisations ne s’appuient sur la détection de Claude pour des décisions importantes. Les clients doivent comprendre quels modèles portent des marques, quelle quantité de texte un détecteur exige et quel niveau de confiance représente son résultat.

Google fait également face à des pressions. Une méthode technique ouverte ne crée pas un réseau universel de provenance. SynthID peut identifier les systèmes participants ayant appliqué des marques compatibles. Il ne peut pas étiqueter les textes issus de chaque fournisseur de modèles ou déploiement local.

Aucune des deux approches ne répond à la question plus large de l’auteur. Un filigrane peut indiquer qu’un modèle a participé à la production d’un passage. Il ne peut pas déterminer qui a développé l’argumentation, vérifié les preuves, assumé la responsabilité ou approuvé la publication.

Une marque détectée ne prouve pas que Claude l’a écrit

Le compromis central est simple : le marquage au niveau du modèle améliore la traçabilité, mais il regroupe sous le même signal détectable des formes très différentes d’assistance par l’IA.

Anthropic reconnaît qu’un texte peut porter une marque même lorsque Claude s’est contenté de relire, traduire ou reformater un texte humain. Le détecteur pourrait identifier correctement l’implication de Claude tout en incitant un observateur à tirer une conclusion erronée sur l’auteur.

Cette limite affecte le travail professionnel ordinaire. Un avocat peut utiliser Claude pour simplifier une phrase sans modifier son analyse juridique. Un chercheur peut demander des corrections grammaticales. Une personne dont l’anglais n’est pas la langue maternelle peut utiliser le modèle pour améliorer la clarté.

Si chaque sortie porte le même type de marque, la détection ne peut pas révéler l’ampleur du travail intellectuel apporté par le modèle. Elle ne peut pas distinguer un argument généré d’un argument humain ayant bénéficié d’une aide linguistique mineure.

C’est pourquoi l’expression « texte généré par l’IA » peut être trompeuse. La génération s’inscrit sur un continuum. Les personnes utilisent les modèles pour réfléchir, établir un plan, rédiger, éditer, traduire, résumer et mettre en forme, souvent dans un même document.

Un filigrane au niveau du modèle enregistre un traitement, pas une intention. Il ne peut pas examiner la provenance des idées qui figuraient dans le prompt. Il ne peut pas non plus déterminer si une personne a vérifié indépendamment ou substantiellement réécrit la réponse.

Les établissements scolaires et les employeurs devraient traiter cette distinction avec prudence. Un signal positif ne doit pas devenir automatiquement une preuve de manquement. Les politiques doivent définir l’assistance autorisée séparément de la détection technique.

Le même avertissement s’applique au journalisme. Une rédaction pourrait utiliser Claude pour traduire une interview rapportée par un humain ou uniformiser la mise en forme. Si le passage résultant déclenche un détecteur, cela ne signifie pas que Claude a réalisé le reportage ou inventé les faits.

La seconde limite d’Anthropic va dans l’autre sens. Une réécriture importante, le mélange avec du texte non marqué, la traduction ou un raccourcissement agressif peuvent rendre le signal plus difficile à détecter. Un acteur cherchant intentionnellement à l’éviter dispose de plusieurs moyens pour en réduire la force.

Même un travail ordinaire peut entraîner cette dégradation. Un document peut passer par plusieurs éditeurs, outils de style, systèmes de contenu et équipes de localisation. Chaque étape peut remplacer les choix de tokens marqués par un langage différent.

Il en résulte un problème de preuve asymétrique. Une marque détectée établit une implication probable du modèle, mais pas l’ampleur de cette implication. L’absence de marque n’établit pas que Claude était absent.

Selon les détails de déploiement rapportés, Anthropic met expressément en garde dans les deux sens. Un texte humain assisté peut apparaître marqué, tandis qu’un texte Claude fortement modifié peut perdre sa détectabilité.

Cela signifie que les résultats de filigranage doivent être traités comme un indice de provenance parmi d’autres. Ils peuvent étayer une enquête aux côtés de l’historique du document, des enregistrements de prompts, des journaux de révision, des citations et des témoignages. Ils ne doivent pas servir de verdict autonome.

Une fausse attribution a des conséquences concrètes. Un étudiant pourrait faire l’objet de sanctions, un employé d’une enquête d’intégrité, ou un auteur pourrait perdre une commande. Ces décisions exigent des preuves plus solides qu’un badge binaire dépourvu de données de confiance.

Il existe également un enjeu de sécurité. Dès lors que la détection devient précieuse, les adversaires sont incités à supprimer les marques ou à en créer de fausses. Un acteur malveillant pourrait tenter de faire passer un texte humain authentique pour un texte généré par un modèle ou de dissimuler une propagande automatisée derrière des paraphrases répétées.

Une clé de détection privée peut compliquer la falsification, mais elle soulève des questions de gouvernance. Qui peut exécuter le détecteur, qui peut l’auditer et comment une personne accusée peut-elle contester le résultat ? Anthropic n’a pas encore apporté de réponses publiques complètes.

La documentation de l’entreprise doit également expliquer le cas des citations directes. Si Claude reproduit un texte rédigé par un humain dans une réponse marquée, le motif statistique autour de ce contenu peut influencer la détection. Le résultat ne peut toujours pas attribuer l’auteur phrase par phrase.

Ce ne sont pas des raisons d’abandonner le filigranage. Ce sont des raisons de décrire précisément son résultat. « Claude a probablement traité ce passage » est plus défendable que « Claude a écrit ce document ».

Pourquoi les filigranes textuels ne peuvent pas devenir un détecteur universel

Aucun système de filigranage anthropic google ne peut identifier tous les textes d’IA, car la détection dépend de l’application par les fournisseurs d’un signal connu lors de la génération.

Un filigrane génératif n’est pas un détecteur général de textes rédigés par l’IA. Il recherche un motif délibérément intégré. Un texte issu d’un modèle non marqué, d’un modèle plus ancien ou d’un fournisseur utilisant une autre méthode ne portera pas cette preuve spécifique.

Les modèles locaux et à poids ouverts rendent une couverture universelle encore plus difficile. Un développeur qui contrôle l’inférence peut désactiver un composant de filigranage facultatif, modifier sa clé ou changer le processus de décodage. La réglementation peut imposer des obligations aux fournisseurs, mais les logiciels peuvent toujours fonctionner en dehors de services conformes.

Les modèles produisent également du contenu contraint. Le code, les formules, les noms et les citations directes laissent peu de place à d’autres choix de tokens. Modifier ces choix pourrait nuire à l’exactitude, tandis que préserver l’exactitude peut affaiblir le signal.

La température compte également. La température contrôle le degré d’aléa qu’un modèle utilise lorsqu’il sélectionne des tokens. Une génération à basse température réduit les choix disponibles, ce qui peut diminuer l’espace permettant d’intégrer un motif.

Le contenu court crée une autre limite. Un détecteur a besoin d’un nombre suffisant d’observations pour distinguer un signal intentionnel des variations normales du langage. Une réponse d’une phrase peut être réellement marquée tout en restant statistiquement non concluante.

La transformation linguistique peut supprimer des éléments de preuve supplémentaires. La traduction remplace la plupart des tokens. Le résumé écarte de larges portions de la séquence d’origine. La combinaison de plusieurs sources dilue le motif marqué avec du texte sans rapport.

Ces limites expliquent pourquoi Google décrit le filigranage génératif comme complémentaire à d’autres approches. Ses recherches ne présentent pas SynthID-Text comme un détecteur complet de tous les textes générés par machine.

Les métadonnées et les identifiants de contenu peuvent combler certaines lacunes pour les fichiers. Un enregistrement signé peut identifier le système qui a créé une image et révéler si l’actif a ensuite été modifié. Pourtant, copier des pixels dans un nouveau fichier peut supprimer les métadonnées ordinaires.

Les filigranes fondés sur le contenu tentent de survivre à cette opération en plaçant des signaux dans le média lui-même. L’approche fonctionne différemment pour les images, l’audio, la vidéo et le texte, car chaque support tolère des modifications différentes.

Le texte est particulièrement fragile. Les lecteurs s’attendent à ce que chaque mot reste modifiable, et même des révisions mineures peuvent modifier la séquence statistique. Il n’existe pas de zone invisible équivalente à une subtile variation de pixels où un signal puisse rester intact.

Un écosystème fiable nécessitera donc plusieurs couches. Les fournisseurs peuvent intégrer des marques au niveau du modèle. Les formats de fichiers peuvent contenir des identifiants signés. Les plateformes peuvent conserver des registres de provenance. Les éditeurs peuvent divulguer les usages matériels, et les organisations peuvent maintenir des pistes d’audit.

L’interopérabilité devient le défi suivant. Un détecteur est particulièrement utile lorsque des parties indépendantes peuvent vérifier un contenu sans exposer des clés permettant la falsification. Les fournisseurs doivent s’accorder sur les interfaces, le signalement de la confiance et les contrôles de sécurité.

Le code de l’UE crée un cadre pour cette coordination, mais les incitations du marché restent différentes. Une entreprise peut souhaiter une vérification étendue pour instaurer la confiance. Elle peut aussi vouloir protéger ses méthodes de génération propriétaires et empêcher les adversaires d’optimiser leurs actions contre son détecteur.

Les utilisateurs ont leurs propres incitations. Certains souhaitent une provenance vérifiable pour les documents officiels et les contenus sous licence. D’autres valorisent la rédaction privée et peuvent s’opposer à un signal persistant du fournisseur accompagnant leurs mots.

Cette tension ne disparaîtra pas grâce à de meilleures statistiques. Elle exige des choix de politique concernant l’accès, la conservation, le consentement et les usages acceptables de la détection. L’exactitude technique est nécessaire, mais elle ne suffit pas.

Ce qu’Anthropic, Google et les utilisateurs de Claude doivent démontrer ensuite

Les trois prochains signaux détermineront si le filigranage de Claude devient une infrastructure de provenance utile ou un autre badge de détection de l’IA peu fiable.

Premièrement, Anthropic doit publier son détecteur et son cadre d’évaluation. Les utilisateurs ont besoin de seuils documentés, de langues prises en charge, de longueurs minimales de texte et de résultats après des modifications courantes. Les chercheurs indépendants ont également besoin d’un accès suffisant pour tester les contournements et les fausses attributions.

Une publication crédible devrait signaler à la fois la détection et l’abstention. Le système doit indiquer lorsque les preuves sont insuffisantes, au lieu de forcer chaque passage dans « Claude » ou « pas Claude ». La confiance doit accompagner le résultat.

Cette publication renforcerait la position d’Anthropic si des tests externes confirmaient de faibles taux d’erreur sans perte de qualité mesurable. Une opacité persistante l’affaiblirait, surtout lorsque les écoles, les employeurs ou les plateformes commenceront à prendre des décisions à partir des résultats du détecteur.

Deuxièmement, surveillez l’échéance de transition du 2 décembre 2026 pour les modèles existants. Le déploiement montrera si Anthropic peut appliquer un marquage cohérent à ses produits grand public, API, partenaires cloud et anciennes familles de Claude.

Cette transition devrait préciser quels modèles exacts prennent en charge la détection et à quel moment. Elle devrait également révéler comment Anthropic traite les sorties générées via des plateformes tierces. Une couverture incohérente rendrait un résultat négatif encore moins informatif.

Une expansion fluide étayerait l’affirmation d’Anthropic selon laquelle le marquage au niveau du modèle crée une norme mondiale unique. Des retards, des exclusions ou des différences inexpliquées entre produits montreraient que la conformité est plus fragmentée que ne le suggère l’annonce.

Troisièmement, comparez la manière dont Anthropic, Google et OpenAI proposent la vérification aux utilisateurs ordinaires. Google fournit déjà la détection SynthID via son écosystème et a ouvert son implémentation de filigranage textuel aux développeurs. Anthropic indique que davantage de documentation sur la détection est à venir.

La question cruciale n’est pas de savoir quelle entreprise annonce un filigrane en premier. Elle est de savoir si les utilisateurs peuvent vérifier un signal, en comprendre les limites et contester une conclusion erronée.

La course anthropic google sera décidée par la qualité des preuves, et non par la simple présence de motifs invisibles. Les fournisseurs doivent démontrer que les marques survivent à des modifications réalistes sans transformer une assistance courante en accusation de paternité automatique.

Les développeurs et acheteurs d’entreprise devraient demander une documentation propre à chaque modèle avant de bâtir des systèmes d’application autour de la détection. Les éditeurs devraient conserver les historiques de révision et la responsabilité éditoriale au lieu de traiter les analyses de filigranes comme une preuve définitive.

Pour les travailleurs du savoir, l’action immédiate est plus simple. Documentez la façon dont l’IA a contribué à un contenu important, conservez les sources humaines et vérifiez chaque affirmation avant publication. Si un client ou un employeur restreint l’usage de l’IA, clarifiez si l’édition et la traduction sont incluses.

Le filigrane de Claude peut rendre l’implication du modèle plus traçable. Il ne peut pas décider qui est l’auteur d’une idée ni qui mérite la confiance. Le prochain test consiste à savoir si Anthropic donne aux utilisateurs suffisamment d’éléments pour préserver cette distinction.