Claude markeert voortaan AI-content: maar wat bewijst zo’n watermark eigenlijk?
Anthropic heeft een belangrijke wijziging doorgevoerd in Claude. Modellen die op of na 2 augustus 2026 zijn uitgebracht, voorzien gegenereerde content van machineleesbare markeringen. Daarmee bereidt het bedrijf zijn systemen voor op de transparantieverplichtingen van de Europese AI Act. Voor tekst gaat het volgens Anthropic om een watermark dat op modelniveau in de gegenereerde tekst wordt verweven. Daardoor kan de markering mee worden gekopieerd wanneer tekst wordt geknipt en geplakt en kan ze bepaalde bewerkingen overleven. Voor ondersteunde afbeeldingen en bestandsformaten gebruikt Anthropic daarnaast digitaal ondertekende C2PA-metadata om informatie over de herkomst van content vast te leggen. Dat klinkt als een belangrijke stap richting herkenbare AI-content. Maar er is een cruciale nuance: een watermark is geen digitaal bewijs dat Claude een tekst volledig heeft geschreven.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
Wat er precies in de tekst gebeurt, weten we nog niet
Over de technische werking van het tekstwatermark is voorzichtigheid nodig. Anthropic heeft nog niet publiek gedocumenteerd hoe de markering precies in gegenereerde tekst wordt aangebracht.
We weten dus dat de markering volgens Anthropic op modelniveau wordt geïntegreerd, maar niet welke concrete techniek daarvoor wordt gebruikt.
Beweringen dat Claude bijvoorbeeld met een specifieke statistische tokenhandtekening werkt, zijn daarom voorbarig. Hetzelfde geldt voor stellige uitspraken dat bepaalde technieken, zoals karaktergebaseerde methoden, zeker niet worden gebruikt.
Dat onderscheid is belangrijk, omdat de robuustheid van een watermark sterk afhankelijk kan zijn van de gebruikte techniek.
Een gedetecteerd watermark bewijst geen auteurschap
De grootste misvatting ontstaat waarschijnlijk bij de interpretatie van een positieve detectie. Stel dat iemand zelf een artikel schrijft en Claude vervolgens vraagt:
“Controleer deze tekst op spelling en maak enkele zinnen vlotter.”
De uiteindelijke tekst kan een Claude-markering bevatten, ook al is het grootste deel oorspronkelijk door een mens geschreven. Hetzelfde kan gebeuren wanneer Claude wordt gebruikt om menselijke tekst te vertalen, samen te vatten, herstructureren, formatteren of anderszins te verwerken. Een positieve detectie betekent daarom eerder:
“Claude heeft deze content waarschijnlijk gegenereerd of verwerkt.”
Dat is iets heel anders dan:
“Claude heeft deze content volledig geschreven.”
Voor onderwijsinstellingen, werkgevers, uitgevers en andere organisaties die AI-content willen detecteren, is dat een bijzonder belangrijke nuance.
Geen watermark betekent evenmin dat een mens de tekst schreef
Ook de omgekeerde redenering klopt niet. Wanneer geen markering wordt gedetecteerd, kun je daaruit niet automatisch besluiten dat de tekst door een mens is geschreven.
Watermarks kunnen minder goed detecteerbaar worden wanneer content zwaar wordt herschreven, geparafraseerd, vertaald of gecombineerd met andere tekst. Bij zeer korte teksten kan bovendien onvoldoende signaal aanwezig zijn om betrouwbare detectie mogelijk te maken.
Bij bestanden speelt nog een ander probleem. C2PA-provenance-informatie wordt als metadata aan het bestand gekoppeld. Die informatie kan verloren gaan wanneer een afbeelding bijvoorbeeld wordt geconverteerd, opnieuw opgeslagen of als screenshot wordt vastgelegd.
Een ontbrekende markering is dus evenmin bewijs van menselijke oorsprong als een aanwezige markering bewijs is van volledig AI-auteurschap.
Oude Claude-modellen zijn nog niet allemaal gedekt
De wijziging geldt in eerste instantie voor Claude-modellen die vanaf 2 augustus zijn uitgebracht. Anthropic werkt volgens de beschikbare informatie ook aan ondersteuning voor oudere modellen, maar heeft geen volledige model-per-modelplanning gepubliceerd.
Voor organisaties die verschillende Claude-modellen gebruiken, betekent dit dat niet automatisch mag worden aangenomen dat iedere Claude-output vandaag op dezelfde manier wordt gemarkeerd.
Dat kan vooral relevant zijn wanneer verschillende modellen via API’s, bestaande applicaties of oudere workflows worden gebruikt.
De EU AI Act zit achter deze verandering
De timing is niet toevallig.
Artikel 50 van de Europese AI Act bevat transparantieverplichtingen voor bepaalde AI-systemen en AI-gegenereerde of gemanipuleerde content. Aanbieders van systemen die synthetische audio-, beeld-, video- of tekstcontent genereren, moeten ervoor zorgen dat outputs in machineleesbare vorm kunnen worden gemarkeerd en als kunstmatig gegenereerd of gemanipuleerd detecteerbaar zijn.
De bedoeling is niet om één universele detector te creëren die met absolute zekerheid kan vertellen wie een tekst heeft geschreven. Het gaat om het creëren van technische infrastructuur waarmee de herkomst en AI-betrokkenheid bij content beter kunnen worden vastgesteld. Dat is een wezenlijk verschil.
API-gebruikers zijn niet automatisch compliant
Voor bedrijven die Claude via de API in hun eigen software integreren, is nog een ander punt belangrijk. Het feit dat Anthropic technische markeringen toevoegt, betekent niet dat iedere applicatie die Claude gebruikt daarmee automatisch aan artikel 50 voldoet.
Een organisatie moet nog steeds bepalen welke rol zij onder de AI Act heeft, welke transparantieverplichtingen op haar toepassing van toepassing zijn en welke aanvullende informatie aan eindgebruikers moet worden verstrekt.
Een chatbot, een systeem dat teksten genereert, een toepassing die afbeeldingen produceert en een interne assistent kunnen immers verschillende transparantievraagstukken oproepen.
Anthropic kan een deel van de technische infrastructuur aanbieden, maar compliance blijft uiteindelijk afhankelijk van de concrete toepassing.
Watermarking wordt onderdeel van AI-governance
Daarmee wordt deze ontwikkeling interessanter dan alleen een nieuwe Claude-functie. Naarmate de transparantieverplichtingen van de AI Act concreter worden, zullen organisaties moeten nadenken over de volledige keten waarin AI-content ontstaat.
Welke modellen werden gebruikt? Welke content werd door AI gegenereerd of aangepast? Blijven provenancegegevens behouden wanneer bestanden door andere systemen worden verwerkt? Wat gebeurt er wanneer medewerkers AI-content kopiëren naar andere applicaties? En hoe communiceert een organisatie daarover naar gebruikers?
Watermarking en provenance worden daarmee onderdelen van bredere AI-governance. C2PA is daar een goed voorbeeld van. Het probeert niet met terugwerkende kracht te raden of een afbeelding door AI werd gemaakt, maar legt informatie over de herkomst en bewerkingen van digitale content vast. Dat is fundamenteel iets anders dan klassieke AI-detectie.
We moeten ook voorzichtig zijn met conclusies over het verwijderen van watermarks
Omdat Anthropic nog onvoldoende technische details over het tekstwatermark heeft gepubliceerd, kunnen we ook niet met zekerheid zeggen welke bewerkingen de markering verwijderen. Het is bijvoorbeeld verleidelijk om te stellen dat je een Claude-tekst simpelweg door een ander taalmodel kunt laten herschrijven om het watermark te laten verdwijnen.
Dat kan in bepaalde omstandigheden de detecteerbaarheid beïnvloeden, maar er is momenteel onvoldoende publieke technische informatie van Anthropic om te stellen dat dit altijd werkt. Ook hier is nuance belangrijk.
Watermarking is geen absoluut systeem, maar dat betekent niet dat iedere eenvoudige bewerking het automatisch waardeloos maakt.
De mogelijke boetes maken dit meer dan een technische discussie
De transparantieverplichtingen van de AI Act zijn bovendien niet vrijblijvend. Niet-naleving van bepaalde verplichtingen uit de verordening kan leiden tot administratieve geldboetes die, afhankelijk van de overtreding en omstandigheden, kunnen oplopen tot **€15 miljoen of 3 procent van de wereldwijde jaarlijkse omzet** van een onderneming.
Voor grote AI-aanbieders is provenance daarom niet alleen een technisch experiment. Het wordt onderdeel van compliance-infrastructuur. Andere grote AI-aanbieders zullen met hetzelfde Europese vraagstuk worden geconfronteerd: hoe maak je synthetische content machineleesbaar detecteerbaar zonder gebruikers een vals gevoel van zekerheid te geven?
Dit is geen universele AI-detector
Dat is uiteindelijk de belangrijkste les uit de stap van Anthropic. Het nieuwe systeem moet niet worden gezien als een magische detector waarmee straks met één druk op de knop kan worden vastgesteld: “Deze tekst is door Claude geschreven.”
Daarvoor is de werkelijkheid te complex. De betere omschrijving is daarom compliancegerichte infrastructuur voor provenance en detectie.
Dat klinkt minder spectaculair dan een universele AI-detector, maar is waarschijnlijk veel belangrijker. Want naarmate AI steeds dieper verweven raakt met menselijke contentproductie, wordt de vraag steeds minder simpelweg ”mens of AI?”
Meer relevant wordt:
“Welke rol heeft AI gespeeld bij het ontstaan van deze content, en kunnen we die herkomst op een betrouwbare manier reconstrueren?” Precies daarvoor probeert Anthropic nu een deel van de technische infrastructuur te bouwen.