Znaki wodne Claude od Anthropic wywołują spór o ukryte użycie AI

Anthropic rozpoczął oznaczanie wyników Claude, mimo obaw użytkowników, że system ujawni niezgłoszone użycie AI w pracy i szkole. Materiał anthropic techcrunch pokazuje wyjątkowo otwartą falę sprzeciwu. Niektórzy krytycy wskazują na ryzyko techniczne lub szeroki zasięg regulacyjny. Inni najwyraźniej obawiają się, że pracodawcy, nauczyciele lub czytelnicy odkryją, jak dużą część pracy faktycznie wykonał Claude.

To rozróżnienie ma znaczenie, ponieważ Anthropic nie umieszcza widocznego logo Claude obok każdego akapitu. Nowe podejście osadza w wygenerowanym tekście sygnały odczytywalne maszynowo i dołącza informacje o pochodzeniu do obsługiwanych plików. Sygnały te mają przetrwać zwykłe kopiowanie, choć Anthropic przyznaje, że wykrywanie ma istotne ograniczenia.

Bezpośrednim impulsem są europejskie regulacje, a nie nagła zmiana filozofii Anthropic. Artykuł 50 EU AI Act wymaga od dostawców, aby treści syntetyczne były wykrywalne w formacie odczytywalnym maszynowo. Anthropic twierdzi jednak, że jego wdrożenie będzie działać na całym świecie, przekształcając europejski wymóg zgodności w globalną decyzję produktową.

Ten wybór tworzy główny konflikt. Użytkownicy chcą korzystać z pomocy AI bez rezygnowania z własności, prywatności ani kontroli nad oceną ich pracy. Regulatorzy, wydawcy, pracodawcy i szkoły chcą natomiast dowodów, gdy model wykonał istotną pracę twórczą lub intelektualną.

Nie jest to po prostu spór między Claude a jego klientami. To konflikt między niewidocznym wsparciem a wsparciem rozliczalnym. System Anthropic przenosi ten spór z dokumentów polityki do każdego dokumentu, zadania, memorandum i wyjaśnienia kodu, które pomaga tworzyć Claude.

Historia Anthropic w TechCrunch zaczyna się od dwóch rodzajów oznaczeń

Anthropic traktuje informacje o pochodzeniu jako część wyniku, a nie opcjonalne ujawnienie dodawane przez użytkownika.

Zgodnie z przewodnikiem Anthropic dotyczącym oznaczania treści, nowsze modele Claude mogą oznaczać wygenerowany tekst i obsługiwane pliki za pomocą różnych ścieżek technicznych. Tekst otrzymuje statystyczny sygnał w doborze słów przez model. Pliki mogą zawierać podpisane metadane pochodzenia, wskazujące rolę Claude w ich przetwarzaniu.

Znak wodny w tekście nie jest ukrytym zdaniem, nietypowym znakiem Unicode ani widoczną etykietą. To wzorzec rozproszony w wyborach tokenów, czyli małych jednostkach tekstu przewidywanych przez model językowy. Detektor analizuje wystarczającą ilość tekstu i ocenia, czy wybory te zawierają oczekiwany wzorzec.

To rozróżnienie wyjaśnia, dlaczego kopiowanie i wklejanie nie musi usuwać sygnału. Wzorzec należy do samego wygenerowanego języka. Podstawowe zmiany formatowania również nie powinny automatycznie go wymazać.

Pochodzenie plików działa inaczej. Metadane mogą rejestrować informacje o tym, w jaki sposób obraz, dokument lub inny obsługiwany zasób został utworzony albo przetworzony. Podpisy cyfrowe pomagają detektorowi ocenić, czy ktoś zmienił ten zapis po jego dołączeniu.

Anthropic twierdzi, że modele wprowadzone w Unii Europejskiej 2 sierpnia 2026 r. lub później obsługują odczytywalne maszynowo oznaczanie od chwili premiery. Firma planuje dostosować starsze objęte regulacją modele do 2 grudnia. Daty te odpowiadają wymogom przejrzystości UE oraz okresowi przejściowemu.

Firma twierdzi również, że oznaczanie obowiązuje wszędzie tam, gdzie Claude jest oferowany na świecie. Globalny zakres pozwala uniknąć rozdrobnionego doświadczenia zależnego od lokalizacji. Oznacza też, że użytkownicy poza Europą dziedziczą mechanizm ujawniania informacji wywołany europejskim prawem.

Materiał anthropic techcrunch koncentrował się na wynikającej z tego reakcji użytkowników. W postach w mediach społecznościowych narzekano, że Anthropic dołącza swoją tożsamość do pracy, którą użytkownicy uznawali za własną. Inni uczestnicy argumentowali, że ten sprzeciw ujawnia, dlaczego ujawnianie użycia AI jest konieczne.

Oba opisy mogą nadmiernie upraszczać znaczenie oznaczenia. Wykryty znak wodny wskazywałby, że Claude wygenerował lub przekształcił tekst. Nie ustalałby jednak, kto dostarczył pierwotne pomysły, przeprowadził badania, sprawdził fakty ani podjął ostateczne decyzje.

Oznaczenie nie byłoby również dowodem niewłaściwego postępowania. Miejsce pracy może zezwalać na edycję z użyciem AI, podczas gdy kurs może zakazywać generowanej prozy. Ten sam sygnał techniczny może więc wskazywać na akceptowany proces pracy w jednym środowisku i naruszenie zasad w innym.

Zmiana Anthropic tworzy dowody na udział narzędzia. Instytucje nadal muszą zdecydować, co te dowody oznaczają.

Osoby pod presją już po cichu korzystają z Claude

Najsilniejsza reakcja pochodzi od użytkowników, których procesy pracy zależały od tego, by udział Claude pozostawał trudny do zweryfikowania.

Pomoc AI obejmuje dziś szeroki zakres działań. Pracownik może poprosić Claude o przeredagowanie trudnego e-maila, podsumowanie notatek ze spotkania, przygotowanie raportu lub oceny pracowniczej. Uczeń może poprosić o plan, poprawienie argumentacji albo wygenerowanie całego zadania.

Działania te nie mają jednakowej wagi etycznej. Pracownik korzystający z zatwierdzonego narzędzia, aby skrócić memorandum, nie oszukuje automatycznie nikogo. Uczeń oddający wygenerowaną analizę mimo zakazu używania AI to inny przypadek.

Znakowanie wodne kompresuje te różne sytuacje do wspólnej kategorii technicznej: Claude miał udział w wyniku. Może to zwiększać przejrzystość, ale może też usuwać istotny kontekst.

Wyobraźmy sobie menedżera, który dyktuje szczegółową aktualizację i prosi Claude jedynie o poprawę interpunkcji. Podstawowe obserwacje, oceny i sformułowania mogą pozostać w znacznej mierze ludzkie. Ostateczna wersja nadal może zawierać wykrywalny sygnał, jeśli Claude wygenerował wystarczająco dużo zwróconego tekstu.

Anthropic wyraźnie ostrzega przed tym problemem przypisania autorstwa. Wynik może nosić oznaczenie Claude po edycji, tłumaczeniu, streszczaniu, formatowaniu lub przekształcaniu materiału dostarczonego przez człowieka. Wykrycie nie dowodzi zatem, że Claude stworzył każdy pomysł lub zdanie.

To ograniczenie wywiera presję na pracodawców i szkoły. Nie mogą odpowiedzialnie traktować każdego wykrycia jako dowodu oszustwa. Potrzebują zasad rozróżniających zatwierdzoną pomoc, wymagane ujawnienie, zakazane generowanie i zastosowania wysokiego ryzyka.

Użytkownicy odczuwają inną presję. Muszą zdecydować, czy ujawnić rolę Claude, zanim detektor, współpracownik, prowadzący lub platforma podniesie tę kwestię. Zmienia to kalkulację ryzyka związaną z cichym wdrażaniem narzędzia.

Ożywiona dyskusja użytkowników Claude pokazała ten podział. Jeden uczestnik stwierdził, że zmieni narzędzie, gdy rozpocznie się znakowanie wodne. Inni odpowiadali, że konkurencyjni dostawcy będą musieli spełnić podobne wymogi prawne.

Kilka skarg przedstawiało oznaczenie jako roszczenie Anthropic do własności. Taka interpretacja wykracza poza to, co potwierdza informacja o pochodzeniu. Rejestr przetwarzania może wskazywać udział oprogramowania bez przenoszenia własności na dostawcę oprogramowania.

Użytkownicy reagują jednak na rzeczywistą zmianę układu sił. Przed wprowadzeniem niezawodnego oznaczania osoba składająca dokument kontrolowała większość ujawnień dotyczących pomocy AI. Sygnał odczytywalny maszynowo daje instytucjom i platformom kolejne źródło informacji.

Skutek będzie szczególnie niewygodny tam, gdzie formalne zasady pozostają w tyle za zwykłą praktyką. Wiele zespołów zachęca do produktywności, ale nigdy nie definiuje akceptowalnej pomocy AI. Wielu prowadzących zakazuje oszukiwania, nie określając, czy korekta gramatyczna, tłumaczenie, burza mózgów lub tworzenie konspektu się do niego zaliczają.

Znakowanie wodne uwidacznia te nierozstrzygnięte granice. Narzędzie może sygnalizować udział, lecz tylko ludzie mogą zdecydować, czy był on właściwy.

Niewidoczna pomoc zderza się z pomocą rozliczalną

Prawdziwy spór nie dotyczy tego, czy ludzie używają AI, lecz tego, czy zachowują wyłączną kontrolę nad ujawnianiem tego użycia.

Przez lata generatywne produkty AI zmniejszały wysiłek potrzebny do tworzenia dopracowanego języka. Utrudniały też interpretację autorstwa. Płynnie napisany dokument może być efektem starannej pracy człowieka, intensywnego generowania przez model albo iteracyjnego połączenia obu tych metod.

Użytkownicy często opisują Claude jako narzędzie porównywalne z kalkulatorem, korektorem gramatycznym lub edytorem tekstu. To porównanie jest najsilniejsze, gdy model wykonuje wąską transformację pod ścisłym kierunkiem człowieka. Słabnie, gdy Claude dostarcza strukturę, rozumowanie, przykłady i gotową prozę.

Zwolennicy oznaczania twierdzą, że odbiorcy zasługują na informację o tej różnicy. Czytelnik oceniający ekspercką analizę może chcieć wiedzieć, czy wskazany autor opracował argument. Pracodawca oceniający tekst kandydata może chcieć wiedzieć, czy kandydat potrafi stworzyć go samodzielnie.

Szkoła ma jeszcze wyraźniejszy interes, gdy zadanie mierzy własne rozumowanie lub umiejętność pisania ucznia. Jeśli Claude wykonuje oceniane zadanie, nieujawnione użycie niweczy cel ćwiczenia.

Argument przeciwny skupia się na mieszanym autorstwie. Użytkownik może spędzić wiele godzin na zbieraniu dowodów, kierowaniu poprawkami, odrzucaniu błędów i dopracowywaniu dokumentu wspieranego przez Claude. Oznaczenie takiego wyniku jako wygenerowanego przez AI może zacierać wkład człowieka.

Obawa ta rośnie, gdy Claude jedynie przetwarza istniejący materiał. Tłumaczenie może zawierać ludzkie idee z materiału źródłowego i sformułowania wygenerowane przez maszynę w języku docelowym. Zredagowany raport może zachować ustalenia autora, zastępując części prezentacji.

System Anthropic nie rozstrzyga tych kwestii. Rejestruje pochodzenie, czyli informacje o sposobie utworzenia lub zmodyfikowania treści. Nie wylicza procentowego udziału człowieka w autorstwie ani nie wydaje werdyktu etycznego.

Dlatego sprzeciw opisany przez historię anthropic techcrunch nie może zostać całkowicie odrzucony jako złość oszustów. Niektórzy krytycy bronią tajności. Inni kwestionują, czy binarny wynik wykrywania może przedstawiać prawdziwie współpracujący proces.

Wartość systemu zależy od tego, jak interpretują go instytucje. Przemyślana polityka może wykorzystać wykrycie jako impuls do weryfikacji. Nieostrożna polityka może potraktować je jak automatyczne skazanie.

Pracownicy powinni otrzymać jasne zasady, zanim pracodawcy użyją wykrywania znaków wodnych w decyzjach dyscyplinarnych. Uczniowie powinni wiedzieć, które formy pomocy wymagają wskazania źródła. Obie grupy potrzebują możliwości wyjaśnienia, jak powstała treść.

Dobre zasady ujawniania powinny również skupiać się na zadaniu. Użycie Claude do uporządkowania osobistych notatek różni się od poproszenia go o napisanie oceny bezpieczeństwa. Przeszukiwalna osobista baza wiedzy może zachować źródła i kontekst pracy, ułatwiając udokumentowanie ludzkiego wkładu.

Ten zapis będzie miał znaczenie, ponieważ autorstwo staje się coraz bardziej współpracujące. Historia wersji roboczych, cytowania, notatki źródłowe i dzienniki decyzji dostarczają bogatszych dowodów niż pojedynczy wynik znaku wodnego.

Anthropic wybrał rozliczalną pomoc jako kierunek rozwoju produktu. Użytkownicy, którzy cenili niewidoczne wsparcie, muszą teraz się dostosować, ujawniać więcej informacji lub znaleźć dostawców stosujących inne podejścia.

Wykrywanie znaków wodnych jest dowodem, a nie werdyktem

Największym ryzykiem jest nadmierna pewność instytucji wobec sygnału, który sam Anthropic opisuje jako ograniczony.

Znakowanie wodne tekstu działa najlepiej, gdy model generuje wystarczająco dużo języka, aby stworzyć wykrywalny wzorzec statystyczny. Krótkie fragmenty dostarczają mniej dowodów. Intensywne przeredagowanie, tłumaczenie lub łączenie z innym tekstem może osłabić sygnał.

Ograniczenia te prowadzą do dwóch głównych błędów. Detektor może nie wykryć tekstu wspomaganego przez AI po istotnej modyfikacji. Może też skłonić obserwatora do nadinterpretacji pozytywnego wyniku bez zrozumienia, jak niewielka była skala pomocy.

Anthropic twierdzi, że treść może zachować znak nawet wtedy, gdy Claude redagował, formatował, tłumaczył lub streszczał materiały stworzone przez człowieka. Dzięki temu system jest przydatny do śledzenia procesu przetwarzania. Jest jednak mniej odpowiedni do ustalania, kto stworzył dane dzieło.

Analiza Axios wskazała dokładnie ten problem. Zespół komunikacyjny może przesłać materiał napisany przez człowieka do korekty i otrzymać tekst niosący sygnał AI. Znak wiernie odnotowałby przetwarzanie, jednocześnie tworząc potencjalnie mylące wrażenie co do autorstwa.

Podpisane metadane plików mają odrębną słabość. Metadane mogą zniknąć, gdy ktoś zrobi zrzut ekranu, przekonwertuje plik lub przepuści go przez oprogramowanie usuwające nieobsługiwane pola. Brak zapisu nie dowodzi, że AI nie odegrała żadnej roli.

Sygnały tekstowe i metadane plików oferują więc uzupełniające się dowody, lecz żadne z nich nie daje pewności. Ich skuteczność zależy również od dostępu do detektora. Anthropic poinformował, że pracuje nad umożliwieniem użytkownikom i innym podmiotom sprawdzania osadzonych znaków oraz informacji o pochodzeniu treści.

Ten model dostępu pozostaje istotny. Detektor ograniczony do wybranych platform skupiałby władzę weryfikacyjną. Publiczny detektor pozwoliłby użytkownikom testować własne wyniki, ale mógłby też przyspieszyć próby usuwania znaków.

Głębszy kompromis techniczny dotyczy jakości tekstu. Znakowanie statystyczne zazwyczaj wpływa na wybór kolejnego akceptowalnego tokenu przez model. Proces ten musi zachować znaczenie, jednocześnie tworząc rozpoznawalny wzorzec.

Język o silnych ograniczeniach pozostawia mniej bezpiecznych możliwości wyboru. Kod, instrukcje medyczne, język prawny i specyfikacje inżynieryjne często wymagają precyzyjnej terminologii. Krytycy obawiają się, że znakowanie może zachęcać do niezręcznych zamienników lub obniżać dokładność w takich kontekstach.

Publiczne doniesienia nie wykazały, by rozwiązanie Anthropic pogarszało jakość wyników Claude. Twierdzenie firmy, że znak jest niezauważalny, należy zatem traktować jako deklarację wymagającą dalszych testów.

Ta sama ostrożność dotyczy oskarżeń. Nauczyciel nie powinien karać ucznia wyłącznie dlatego, że tekst brzmi dopracowanie lub podąża za znanymi wzorcami AI. Menedżer nie powinien wnioskować o oszustwie tylko dlatego, że detektor zgłasza udział Claude.

Tradycyjne detektory AI były krytykowane, ponieważ wyniki probabilistyczne można pomylić z dowodem. Znakowanie wodne różni się technicznie, ponieważ dostawca celowo umieszcza sygnał. Problem interpretacji jednak pozostaje.

Wiarygodny znak może odpowiedzieć na wąskie pytanie: czy ta próbka zawiera oczekiwany przez dostawcę wzorzec? Nie może samodzielnie rozstrzygnąć, czy użytkownik złamał zasadę, błędnie przedstawił autorstwo lub polegał na Claude w kluczowej pracy intelektualnej.

Instytucje powinny łączyć wykrywanie z politykami dostosowanymi do zadania, udokumentowanymi procesami pracy i oceną człowieka. Przed wykorzystaniem systemu do decyzji o istotnych konsekwencjach powinny również ustanowić procedury odwoławcze.

Kontrowersje Anthropic i TechCrunch są więc ostrzeżeniem dla obu stron. Użytkownicy nie powinni zakładać, że pomoc AI pozostanie niewidoczna. Instytucje nie powinny zakładać, że widoczność eliminuje niejednoznaczność.

Anthropic nie działa samotnie

Europejskie przepisy skłaniają głównych dostawców AI ku potwierdzaniu pochodzenia treści, więc zmiana produktu może opóźnić ujawnienie, a nie pozwolić go uniknąć.

Odpowiedni wymóg wynika z artykułu 50 unijnego AI Act. Nakazuje on dostawcom systemów generujących syntetyczny tekst, dźwięk, obrazy lub wideo sprawić, by wyniki były czytelne maszynowo i wykrywalne.

Rozporządzenie nie czyni każdego dokumentu wspomaganego przez AI oszustwem. Wprowadza obowiązki przejrzystości dotyczące syntetycznych treści i daje dostawcom powody, by wbudowywać znakowanie w swoje systemy.

Globalne wdrożenie Anthropic to własny wybór operacyjny firmy w ramach tych działań zgodności. Firma może uniknąć utrzymywania odmiennego zachowania generowania dla użytkowników, których lokalizacja, podróże i trasy sieciowe stale się zmieniają.

Inni główni dostawcy rozwijają powiązane systemy potwierdzania pochodzenia treści. Google opracował rozwiązania SynthID dla kilku typów mediów. OpenAI rozszerzył potwierdzanie pochodzenia treści wokół generowanych mediów i wykrywania, przy czym obecne publiczne działania koncentrują się na obrazach i dźwięku.

Systemy te nie są identyczne. Tekst stwarza szczególne wyzwania, ponieważ ludzie rutynowo kopiują, redagują, tłumaczą, cytują i łączą język. Widoczna etykieta może zniknąć natychmiast, a znak statystyczny może osłabnąć podczas redakcji.

Modele otwarte tworzą kolejną komplikację. Deweloper może zmodyfikować oprogramowanie modelu, usunąć komponent znakowania lub wdrożyć model poza usługą hostingową dużego dostawcy. Regulacja może wtedy koncentrować się na podmiotach wdrażających, dystrybutorach lub wydawcach, a nie na jednej scentralizowanej firmie.

Ta luka oznacza, że potwierdzanie pochodzenia nie stanie się powszechne z dnia na dzień. Oznacza też, że pracodawcy i szkoły nie powinni traktować braku znaku Anthropic jako dowodu ludzkiego autorstwa. Dana osoba mogła użyć innego modelu, starszego modelu lub systemu lokalnego.

Konkurencja będzie się zamiast tego koncentrować na zaufaniu, jakości i zgodności z politykami. Nabywcy korporacyjni mogą preferować modele oferujące audytowalne potwierdzanie pochodzenia dla regulowanych procesów pracy. Indywidualni użytkownicy mogą wybierać usługi z węższym znakowaniem lub bardziej przejrzystą kontrolą.

Dostawcy muszą także zdecydować, czy ich detektory rozpoznają wyłącznie własne wyniki. Rozdrobniony rynek może zmusić instytucje do sprawdzania kilku niekompatybilnych sygnałów. Wspólne standardy pochodzenia treści mogłyby zmniejszyć to obciążenie w przypadku plików, choć tekst pozostaje trudny.

Presja konkurencyjna działa dla Anthropic w obie strony. Silne funkcje przejrzystości mogą przemawiać do rządów, szkół, wydawców i ostrożnych przedsiębiorstw. Mogą zrazić użytkowników, którzy wybrali Claude częściowo dlatego, że jego rola pozostawała prywatna.

Fala rezygnacji osłabiłaby podejście Anthropic tylko wtedy, gdyby użytkownicy przeszli do dostawców, którzy mogą prawnie i technicznie uniknąć podobnych środków. Jeśli konkurenci wdrożą porównywalne znakowanie, kontrowersja stanie się transformacją całej branży, a nie porażką specyficzną dla Claude.

Prawdopodobnym wynikiem będzie nierówne wdrożenie. Środowiska o wysokiej odpowiedzialności szybko zintegrują potwierdzanie pochodzenia. Zwykłe zastosowania konsumenckie pozostaną trudniejsze do monitorowania, zwłaszcza gdy tekst przechodzi przez kilka narzędzi.

Anthropic jako pierwszy sprawił, że konflikt stał się widoczny dla wielu użytkowników Claude. Nie będzie ostatnim dostawcą zmuszonym do wyjaśnienia, gdzie kończy się pomoc, a zaczyna autorstwo.

Na co zwracać uwagę po reakcji na kontrowersje Anthropic i TechCrunch

Trzy sygnały pokażą, czy znakowanie wodne stanie się użyteczną infrastrukturą, źródłem fałszywych oskarżeń, czy jednym i drugim.

Pierwszym sygnałem będzie wdrożenie detektora Anthropic. Użytkownicy muszą wiedzieć, kto może testować treść, jakie informacje o pewności wyniku się pojawiają oraz czy system odróżnia generowanie od lżejszych przekształceń. Jasna dokumentacja wzmocniłaby argument, że znak wspiera odpowiedzialną ocenę.

Detektor zwracający jedynie prostą odpowiedź „tak” lub „nie” osłabiłby ten argument. Mógłby ukrywać niepewność i zachęcać instytucje do traktowania każdego udziału jako naruszenia.

Drugim sygnałem będzie mierzalna jakość wyników. Niezależni badacze powinni testować generowanie ze znakowaniem i bez niego w zwykłej prozie, kodzie, specyfikacjach technicznych, tłumaczeniach i języku regulowanym. Kluczowe pytanie brzmi, czy ograniczenia tokenów zmieniają dokładność, jasność lub spójność.

Dowody na pomijalne różnice odpowiedziałyby na jeden z najbardziej wiarygodnych zarzutów. Powtarzające się pogorszenie w zadaniach o ścisłych ograniczeniach zmusiłoby Anthropic do zmiany metody lub stworzenia starannie zdefiniowanych wyjątków.

Trzecim sygnałem będzie zachowanie konkurentów przed 2 grudnia 2026 roku. OpenAI, Google, Microsoft, Meta, Mistral i inni dostawcy muszą wyjaśnić, jak ich objęte przepisami systemy spełniają europejskie wymogi przejrzystości. Ich decyzje pokażą, czy Anthropic wybrał wyłaniający się standard, czy wyjątkowo szerokie wdrożenie.

Porównywalne globalne znakowanie tekstu wzmocniłoby pogląd, że potwierdzanie pochodzenia staje się normalną funkcją modeli. Węższe podejścia zapewniłyby użytkownikom i instytucjom znaczące alternatywy, jednocześnie testując różne interpretacje zgodności z przepisami.

Pracodawcy i szkoły nie powinni czekać na idealną technologię, zanim napiszą polityki. Już teraz mogą określić dozwoloną pomoc, wymogi ujawniania, zakazane zastosowania, procedury oceny i odwołania. Zasady te powinny dotyczyć zachowań, a nie być wymierzone w jednego dostawcę.

Użytkownicy powinni także zachowywać dowody swojego procesu. Gdy autorstwo ma znaczenie, przechowuj materiały źródłowe, szkice, cytowania, prompty i historię zmian. Praktyczny proces pracy z pamięcią może pomóc odtworzyć, jak rozwijały się badania i decyzje.

Reakcja na kontrowersje Anthropic i TechCrunch ujawnia transformację, która już się rozpoczęła. Pomoc AI przechodzi od niewidocznej osobistej przewagi do możliwej do audytowania części pracy cyfrowej.

Ta zmiana przyłapie niektóre osoby na łamaniu wyraźnych zasad. Obejmie też zwykłych użytkowników, którzy nigdy nie otrzymali jasnych reguł. Najuczciwszą odpowiedzią nie jest ani ślepe zaufanie, ani automatyczna kara.

Gdy pojawia się znak Claude, zadawaj bardziej precyzyjne pytanie: jaką pracę wykonał model, jaki wkład wniosła osoba i jaka polityka regulowała tę współpracę? To odpowiedź, a nie sam znak wodny, powinna decydować o tym, co wydarzy się dalej.