Planos de marca d’água da Anthropic e do Google transformam palavras comuns em um rótulo de IA

A Anthropic comprometeu novos modelos Claude com a marca d’água invisível em texto, embora reconheça que edições comuns podem enfraquecer ou apagar o sinal. A comparação entre Anthropic e Google agora importa porque ambas as empresas usam escolhas estatísticas de palavras para atender à crescente demanda por procedência de IA legível por máquinas.

A Anthropic afirma que seu sistema marca textos por meio de decisões de redação sem importância material. O SynthID Text do Google ajusta de forma semelhante as probabilidades de tokens à medida que um modelo gera uma resposta. Nenhuma das abordagens insere um rótulo visível, um caractere Unicode oculto ou uma marca permanente de propriedade.

Essa distinção cria o conflito central. Reguladores querem que o conteúdo gerado permaneça identificável, mas a linguagem é excepcionalmente fácil de reescrever, traduzir, encurtar ou combinar com trabalho humano. Uma marca d’água pode ajudar nas verificações de procedência sem provar quem realmente escreveu um documento.

O momento é regulatório. O Artigo 50 do EU AI Act da União Europeia passou a ser aplicável em 2 de agosto de 2026. Suas disposições de transparência exigem que os provedores tornem os resultados gerados detectáveis em um formato legível por máquinas, quando isso for tecnicamente viável.

Para empresas, desenvolvedores, editores e estudantes, a questão vai além de Claude ou Gemini. A marcação estatística pode acompanhar o texto por meio de copiar e colar. No entanto, ela também pode marcar documentos nos quais um sistema de IA apenas traduziu, formatou ou aprimorou uma redação humana.

Os novos modelos da Anthropic marcarão textos no mundo todo

A Anthropic está tratando a marca d’água como um requisito no nível do modelo, e não como um recurso regional limitado a usuários europeus.

As orientações de marcação da empresa dizem que os novos modelos marcarão conteúdo gerado desde seu primeiro lançamento. A Anthropic aplica a abordagem onde quer que esses modelos sejam oferecidos, incluindo mercados fora da União Europeia.

Esse alcance significa que a marca pode aparecer em produtos e canais de distribuição do Claude. Ela não se restringe ao texto copiado do site do Claude. Resultados entregues por uma API ou por um parceiro de nuvem podem carregar o mesmo sinal estatístico.

A política abrange modelos lançados depois que as obrigações da UE passaram a ser aplicáveis em 2 de agosto de 2026. A Anthropic também planeja adequar modelos mais antigos elegíveis durante um período de transição que termina em 2 de dezembro.

A marca d’água em texto da Anthropic funciona de modo diferente dos metadados de arquivo. O sinal é incorporado à linguagem gerada por meio de escolhas que a empresa descreve como sem importância material. São situações em que várias palavras podem transmitir praticamente a mesma ideia sem alterar substancialmente a resposta.

Arquivos gerados recebem outra camada de procedência. A Anthropic afirma que imagens compatíveis, incluindo arquivos SVG, PNG e JPG, podem carregar metadados assinados com base no padrão de procedência de conteúdo C2PA.

As credenciais C2PA registram informações sobre como um arquivo compatível foi criado ou editado. Essas informações viajam em um manifesto assinado, e não pelo padrão estatístico usado para texto simples.

O uso de métodos distintos reflete as propriedades de cada meio. Uma imagem contém muitos pixels ajustáveis e também pode carregar metadados estruturados. O texto simples oferece menos lugares para ocultar informações sem alterar o significado.

O anúncio da Anthropic segue o código de transparência da UE, uma estrutura voluntária de conformidade desenvolvida por meio de um processo multissetorial. O código separa as obrigações dos provedores de marcar conteúdo das obrigações dos implementadores de aplicar rotulagem visível.

Essa separação é importante. Uma marca d’água legível por máquinas ajuda softwares a inspecionar um resultado, mas não informa automaticamente ao leitor que a IA esteve envolvida. Editores e outros implementadores ainda podem enfrentar deveres separados de divulgação.

O Artigo 50 também não estabelece uma regra universal de que toda frase assistida por IA deve receber um aviso público. A lei contém exceções e distinções que envolvem revisão editorial, conteúdo de interesse público, trabalho artístico e responsabilidade pela publicação.

A implementação da Anthropic vai além do escopo geográfico mínimo. Um modelo globalmente consistente evita a manutenção de comportamentos de geração separados para solicitações europeias e não europeias. Também oferece aos desenvolvedores downstream uma política única de procedência para documentar.

Essa consistência tem um custo. Um desenvolvedor que atende usuários no Canadá ou nos Estados Unidos pode receber resultados marcados porque o modelo subjacente segue uma política mundial. A localização do usuário não remove necessariamente o sinal.

Portanto, o evento muda mais do que a documentação de conformidade do Claude. Ele coloca a procedência no caminho normal de geração de modelos futuros, transformando uma regra de transparência da UE em um comportamento global de produto.

Como a marca d’água em texto da Anthropic e do Google usa a escolha de palavras

A marca d’água é uma tendência estatística distribuída por muitas escolhas, não uma mensagem secreta escondida em uma única palavra.

Um modelo de linguagem produz texto um token de cada vez. Um token é uma palavra, sinal de pontuação ou fragmento de palavra que o modelo processa como unidade de geração.

Em cada etapa, o modelo atribui probabilidades aos possíveis próximos tokens. Vários candidatos podem ser aceitáveis quando a frase não exige uma resposta exata. Um sistema de marca d’água pode favorecer candidatos selecionados de acordo com um padrão secreto.

Considere uma frase rotineira sobre uma reunião. O modelo pode escolher entre “no entanto”, “ainda assim” ou “porém” sem alterar a informação central. Muitas escolhas pequenas podem criar uma assinatura estatística detectável em uma resposta mais longa.

A Anthropic descreve sua marcação em termos de palavras sem importância material. Essa formulação sugere que o sistema visa escolhas em que uma substituição não deve alterar o significado, a precisão factual ou detalhes úteis.

A empresa não divulgou publicamente todos os parâmetros de implementação. Por isso, os leitores devem evitar supor que seu detector, a estrutura de chaves secretas ou os limites de pontuação correspondam ao design do Google.

O Google explicou sua própria abordagem com mais detalhes. O Google SynthID text modifica as probabilidades de tokens durante a geração e avalia o padrão resultante durante a detecção.

O Google afirma que seu método funciona melhor em respostas mais longas e variadas. Ensaios, roteiros e rascunhos alternativos de e-mails dão ao modelo muitas oportunidades de escolher entre tokens plausíveis.

Prompts factuais apresentam um caso mais difícil. Uma pergunta com uma resposta curta e exata dá ao modelo pouca liberdade. Alterar uma palavra-chave poderia tornar a resposta menos precisa, de modo que uma marca d’água segura tem menos escolhas utilizáveis.

A mesma restrição se aplica a código-fonte, fórmulas, citações, cláusulas legais e linguagem padronizada. Uma substituição supostamente sem importância material pode se tornar relevante quando a sintaxe ou a redação precisa importam.

O Google avaliou o SynthID Text em cerca de 20 milhões de respostas do Gemini para uma pesquisa publicada na Nature. Os pesquisadores compararam gerações com e sem marca d’água, incluindo o feedback dos usuários sobre a qualidade das respostas.

A pesquisa sobre marca d’água resultante descreveu um design sem distorção. Nessa estrutura, o sistema evita atribuir probabilidade a tokens que o modelo sem marca d’água não poderia ter selecionado.

Essa propriedade ajuda a preservar a qualidade, mas não torna o sinal indestrutível. O Google afirma que cortes, algumas edições e paráfrases leves podem preservar certa detectabilidade. Reescritas extensas ou traduções podem reduzir drasticamente a confiança.

A Anthropic faz alertas semelhantes. Textos curtos podem não conter escolhas suficientes para que um detector alcance confiança. Combinar trechos marcados e não marcados pode diluir o padrão.

Edições intensas apresentam um problema mais fundamental. Uma marca d’água estatística depende da sequência selecionada. Substituir palavras suficientes gera uma sequência diferente, mesmo quando o documento revisado mantém o significado original.

Copiar o texto para um processador de texto não remove, por si só, o sinal. A marca é representada pelas palavras, portanto copiar e colar normalmente preserva a sequência relevante.

Mudanças de formatação são mais complicadas. Mover parágrafos pode preservar muitos padrões locais, enquanto uma sumarização agressiva pode descartá-los. Uma tradução regenera quase todos os tokens e pode eliminar a assinatura original.

Esse mecanismo explica por que invisível não significa permanente. Também explica por que um detector retorna evidências com um nível de confiança, em vez de descobrir um número de série incontestável.

A distinção prática entre Anthropic e Google, portanto, é menor do que sugerem as manchetes. Ambas as abordagens dependem de regularidades estatísticas na linguagem gerada. Ambas enfrentam o mesmo conflito entre detectabilidade, qualidade e resistência à edição.

A comparação entre Anthropic e Google é, na realidade, sobre conformidade

Anthropic e Google estão convergindo para a marca d’água porque a regulamentação agora recompensa uma procedência implementável, mesmo quando a tecnologia continua incompleta.

O Google apresentou o SynthID para imagens em 2023 e depois o expandiu para texto e vídeo em 2024. Posteriormente, a empresa abriu o código do componente de texto para que outros desenvolvedores de modelos pudessem incorporar marca d’água aos pipelines de geração.

Em julho de 2026, o Google assinou o Código de Prática da UE sobre Transparência de Conteúdo Gerado por IA. Seu compromisso com o código destacou SynthID, C2PA e parcerias que apoiam marca d’água interoperável.

A Anthropic adotou anteriormente uma posição pública mais cautelosa. Em uma contribuição de 2023 ao governo dos Estados Unidos, chamou a marca d’água de promissora, mas fácil de ser derrotada por agentes maliciosos.

A empresa também alertou que textos prejudiciais ou enganosos poderiam receber uma marca válida. Uma marca d’água pode identificar o envolvimento de um modelo sem estabelecer que a alegação resultante seja precisa ou segura.

Essa avaliação anterior não se tornou irrelevante. A política de 2026 da Anthropic inclui limitações explícitas, mostrando que a implantação não equivale à confiança na marca d’água como um sistema independente de responsabilização.

O que mudou foi o ambiente de conformidade. A Comissão Europeia afirma que as obrigações do Artigo 50 tratam de engano e manipulação por meio de requisitos de marcação, detecção e rotulagem.

A Comissão endossou o código de transparência como uma via voluntária adequada para demonstrar conformidade. Os signatários obtêm uma estrutura comum de implementação em todos os Estados-membros da União Europeia.

Os provedores que optarem por uma rota diferente ainda podem cumprir as exigências. No entanto, devem demonstrar que suas medidas alternativas atendem à lei. Essa avaliação individual pode introduzir mais incerteza e trabalho administrativo.

Isso torna uma marca d’água tecnicamente imperfeita comercialmente racional. Um sinal padronizado e documentado pode apoiar fluxos de trabalho de conformidade, integrações de plataforma e registros de auditoria, mesmo quando não consegue sobreviver a todos os ataques.

O principal oponente não é Anthropic versus Google como fornecedores rivais. É a demanda regulatória por identificação persistente versus a natureza editável da linguagem.

Ambas as empresas podem aprimorar detectores, chaves e métodos de geração. Nenhuma pode impedir um usuário de transmitir a mesma ideia com palavras inteiramente diferentes.

A OpenAI também apoiou o código europeu de transparência e expressou a ambição de ampliar sinais de procedência em várias modalidades. Esse amplo alinhamento aumenta a pressão por uma base de referência para o setor.

Se grandes provedores marcarem o texto de formas diferentes, as plataformas enfrentarão um problema de integração. Uma editora, escola ou empresa pode precisar de detectores e políticas separados para Claude, Gemini, ChatGPT e modelos menores.

A interoperabilidade pode reduzir esse fardo. No entanto, padrões compartilhados também levantam questões de governança relacionadas ao acesso a detectores, gerenciamento de segredos, limites, recursos e testes independentes.

Modelos de código aberto acrescentam outra complicação. Um distribuidor pode ativar uma marca-d'água, mas um usuário que controla os pesos do modelo e o software de inferência pode remover esse comportamento.

Serviços fechados podem aplicar a marcação com mais consistência porque os usuários não controlam o pipeline de geração. Essa diferença corre o risco de criar expectativas de conformidade desiguais entre sistemas hospedados e autogeridos.

Há também um problema de atribuição. Uma marca detectável pode identificar a participação de uma família de modelos sem revelar o fluxo de trabalho humano envolvido.

Um funcionário de comunicação pode redigir um comunicado e pedir ao Claude que corrija a pontuação. Um tradutor pode usar o Claude em um parágrafo. Um desenvolvedor pode aceitar apenas algumas linhas de uma resposta gerada muito maior.

A detecção, por si só, não consegue reconstruir essas decisões. Ela não pode determinar se um humano aprovou cada afirmação ou se o modelo originou o argumento do documento.

Por isso, as organizações precisam de registros de fluxo de trabalho juntamente com sinais no nível da saída. Um processo estruturado de gestão do conhecimento pode preservar fontes, rascunhos, aprovações e histórico de revisões quando a autoria importa.

A marcação com marca-d'água preenche uma parte desse registro. Ela oferece aos investigadores outra pista legível por máquina. Não substitui a documentação sobre prompts, edições, revisão humana ou responsabilidade pela publicação.

Uma Marca Detectada Não É Prova de Autoria por IA

O maior risco não é que a marca-d'água sempre falhe, mas que as pessoas tratem um sinal incerto como um veredito definitivo.

A Anthropic alerta que o texto marcado pode começar como escrita humana. Se o Claude revisar, reformatar ou traduzir uma passagem, a versão devolvida poderá conter a assinatura estatística do modelo.

Esse resultado não significa que o Claude tenha originado o argumento, a pesquisa ou os fatos subjacentes. Significa que o modelo participou da produção da sequência analisada.

A inferência inversa também falha. A ausência de uma marca não prova que uma pessoa escreveu o texto. A passagem pode ser curta demais, ter sido fortemente editada, traduzida ou gerada por um modelo sem marcação.

Essas limitações importam em escolas e locais de trabalho, onde o resultado de um detector pode desencadear acusações. Um sinal probabilístico não deve se tornar a única base para punição disciplinar, demissão ou constatação de plágio.

O problema se assemelha aos classificadores existentes de textos escritos por IA, mas a marcação com marca-d'água tem uma base técnica mais sólida quando o provedor controla a geração. Um detector pode testar um padrão inserido deliberadamente, em vez de adivinhar com base no estilo de escrita.

Ainda assim, o detector precisa operar com um limite. Definir um limite rígido pode deixar de identificar texto marcado. Reduzi-lo pode aumentar alertas falsos envolvendo material sem marcação ou de autoria humana.

Pesquisas independentes oferecem motivos para cautela. Um preprint de julho de 2026 avaliou implementações de três métodos de marcação de texto sob uma estrutura proposta de prontidão forense.

Sua avaliação forense relatou altas taxas de falsos negativos nas configurações testadas. Os pesquisadores também encontraram alertas falsos e incerteza substancial em sua implementação do SynthID.

Esses resultados não devem ser tratados como uma auditoria direta do sistema privado da Anthropic. Eles testaram implementações representativas e configurações experimentais específicas, não o detector de produção da Anthropic.

Eles mostram por que as alegações de implantação precisam de avaliação reproduzível. O desempenho depende do comprimento do texto, idioma, modelo, força da marca-d'água, limites do detector, edição e conhecimento do atacante.

A qualidade é outra questão em aberto. A Anthropic diz alterar apenas palavras inconsequentes, mas a importância pode depender do contexto.

Um sinônimo que funciona em texto de marketing pode introduzir ambiguidade em um contrato. Uma mudança de token que preserva a intenção geral de um programa ainda pode quebrar a compilação ou alterar o comportamento em tempo de execução.

Os modelos podem evitar a marcação em trechos restritos, mas cada exceção reduz o sinal disponível. Um sistema que protege linguagem exata deve reunir evidências nas partes flexíveis restantes de uma resposta.

Os desenvolvedores vão querer resultados separados para prosa, código-fonte, dados estruturados e documentos mistos. Uma única taxa média de detecção ocultaria diferenças significativas entre esses formatos.

O uso multilíngue cria outro ponto de pressão. A tradução pode remover uma marca-d'água de origem, enquanto a geração direta em outro idioma exige testes adequados para a tokenização e a gramática desse idioma.

A questão é especialmente importante para modelos globais. A expansão mundial da Anthropic estende o recurso a idiomas e sistemas de escrita, não apenas à prosa em inglês.

Adversários também têm opções diretas. Eles podem pedir a outro modelo que reescreva a saída, traduzi-la duas vezes ou mesclá-la com texto não relacionado.

Nenhuma empresa de marcação com marca-d'água afirma que um único sinal pode deter um operador motivado. O Google declara explicitamente que o SynthID não foi projetado como uma defesa completa contra adversários determinados.

Isso não torna a marcação com marca-d'água inútil. Muitos controles de segurança elevam custos ou apoiam a identificação rotineira sem derrotar todos os atacantes.

Filtros de spam deixam passar algumas mensagens. Metadados resistentes a adulteração podem ser removidos. Sistemas de autenticação podem ser alvo de phishing. Seu valor vem do uso em camadas, de limitações mensuradas e de respostas apropriadas.

Marcas-d'água de texto devem seguir o mesmo modelo. As plataformas podem combiná-las com metadados assinados, registros de contas, divulgações visíveis, análise de conteúdo e investigação humana.

As empresas também devem separar procedência de veracidade. Um parágrafo marcado pode conter informações corretas, enquanto um parágrafo humano sem marcação pode conter desinformação.

A marca responde a uma pergunta limitada sobre um processo de geração. Ela não valida citações, resolve a titularidade de direitos autorais nem estabelece responsabilidade editorial.

Esse limite deve permanecer claro nas interfaces dos produtos. Um detector deve informar confiança e limitações, não produzir uma declaração em vermelho vivo de que o software “pegou” um autor usando IA.

Mecanismos de recurso serão importantes sempre que decisões afetarem pessoas. Os usuários precisam de uma forma de explicar autoria mista, tradução, assistência de acessibilidade e fluxos de edição.

Sem essas salvaguardas, a tecnologia de procedência pode criar uma nova categoria de falsa certeza. A resposta regulatória à mídia sintética então introduziria seu próprio problema de confiança.

O Que Observar Após o Lançamento da Marca-d'Água da Anthropic

Três sinais determinarão se a marcação estatística de texto se tornará uma infraestrutura útil ou outro recurso de detecção frágil.

O primeiro sinal é o teste independente da marcação com marca-d'água de texto da Anthropic. Pesquisadores precisam de acesso autorizado às ferramentas de detecção, aos protocolos de avaliação e a amostras representativas de modelos marcados.

Os testes devem apresentar resultados para diferentes extensões de resposta, idiomas, código, respostas factuais, prosa criativa, tradução, resumo e documentos mistos de humanos e máquinas. Também devem publicar taxas de falsos positivos e falsos negativos.

Resultados sólidos nesses cenários sustentariam a alegação da Anthropic de que escolhas inconsequentes de palavras fornecem um sinal útil. Um desempenho fraco fora de textos longos em inglês reduziria o papel prático do recurso.

O segundo sinal é a interoperabilidade entre Anthropic, Google, OpenAI, plataformas e órgãos de padronização. Uma marca-d'água tem alcance limitado se apenas seu criador puder detectá-la por meio de um processo privado.

O acesso seguro a detectores cria um equilíbrio difícil. O acesso amplo ajuda editoras e pesquisadores, mas a divulgação detalhada pode ajudar atacantes a identificar e remover o sinal.

O mercado precisa de um modelo de confiança viável. Verificadores aprovados poderiam receber serviços autenticados de detecção sem receber o material secreto usado durante a geração.

As parcerias do Google em torno do SynthID apontam para uma adoção mais ampla, enquanto o C2PA oferece uma estrutura complementar para a procedência assinada de arquivos. O texto ainda precisa de convenções para relatar confiança e autoria mista.

Se os provedores publicarem saídas compatíveis e regras comuns de avaliação, o Artigo 50 poderá impulsionar a procedência em direção à infraestrutura. Detectores privados fragmentados enfraqueceriam esse resultado.

O terceiro sinal é a aplicação das regras após o período de transição para modelos mais antigos. Os provedores têm até 2 de dezembro de 2026 para enquadrar sistemas legados elegíveis na nova estrutura.

Os reguladores precisarão esclarecer o que “detectável” e “tecnicamente viável” significam na prática. Essas definições determinarão se marcas fracas atendem à lei ou exigem resiliência mensurável.

As decisões de aplicação também mostrarão como as autoridades tratam modelos de código aberto, respostas curtas, código e serviços criados sobre APIs de terceiros. Cada caso desafia uma regra simples centrada no provedor.

A convergência entre Anthropic e Google já estabeleceu uma direção importante. A procedência legível por máquina está saindo da pesquisa voluntária de segurança e entrando na arquitetura normal de produtos.

O que permanece indefinido é o peso probatório dessa procedência. Um sinal detectável pode apoiar uma investigação, mas não pode narrar o histórico completo de um documento.

As organizações devem se preparar antes que os detectores se tornem rotineiros. Elas precisam de políticas que diferenciem geração por IA, assistência por IA, revisão humana e responsabilidade editorial final.

Devem preservar rascunhos e fontes quando a atribuição tiver consequências jurídicas, acadêmicas ou reputacionais. Também devem proibir punições automatizadas com base em um único resultado de detector.

Para usuários comuns, a pergunta prática é simples: você se sentiria confortável se uma passagem copiada do Claude carregasse um sinal detectável depois de sair do chat?

Se a resposta depender do contexto, registre esse contexto. Mantenha o rascunho humano, verifique as afirmações, divulgue geração substancial quando exigido e trate qualquer marca-d'água da Anthropic e do Google como evidência, não como veredito.