Anthropic ha empezado a incorporar marcas de agua invisibles y legibles por máquina en los textos generados por los nuevos modelos de Claude, una medida ligada a las obligaciones de transparencia del Reglamento europeo de Inteligencia Artificial (AI Act). La compañía también añade metadatos de procedencia firmados a determinados archivos. El sistema aporta una nueva señal para conocer si una IA ha intervenido en un contenido, pero llega acompañado de una limitación importante: la propia Anthropic reconoce que la marca puede desaparecer después de una edición intensa, una paráfrasis o una traducción.
Las claves de las marcas de agua de Claude en 30 segundos
- Los modelos de Claude lanzados en la UE desde el 2 de agosto de 2026 incorporan marcado legible por máquina desde su lanzamiento.
- La marca de texto es invisible y puede mantenerse al copiar y pegar el contenido.
- Anthropic admite que una edición intensa, paráfrasis o traducción puede hacer que deje de detectarse.
- Detectarla tampoco demuestra que Claude sea el autor: puede aparecer tras corregir o traducir un texto humano.
- Ya existen herramientas que intentan eliminar diferentes sistemas de procedencia mediante limpieza de metadatos o reescritura.
El cambio no se limita a la aplicación web. Anthropic explica que el marcado de los modelos compatibles funciona en Claude, Claude Platform (API), Claude Code, Claude Cowork y Claude Tag, además de aplicarse cuando esos modelos se utilizan a través de AWS, Google Cloud o Microsoft Foundry. La compañía pretende extenderlo mundialmente allí donde Claude esté disponible.
El anuncio llega además en un momento especialmente sensible en Europa. Las obligaciones de transparencia del artículo 50 del AI Act son aplicables desde el 2 de agosto de 2026. La Comisión Europea señala que los proveedores deben procurar que las salidas de sistemas generativos de texto, imagen, audio y vídeo estén marcadas en un formato legible por máquina y sean detectables como generadas o manipuladas artificialmente, siempre dentro de lo técnicamente posible.
El problema empieza cuando una obligación de transparencia se interpreta como una herramienta infalible para determinar autoría.
Qué hace realmente la marca invisible de Claude
Anthropic utiliza dos mecanismos diferentes.
En el texto introduce una marca imperceptible integrada directamente en la salida del modelo. Según la compañía, no cambia el significado, la calidad ni la legibilidad de la respuesta y acompaña al contenido cuando se copia y pega. También puede sobrevivir a determinadas modificaciones.
En archivos compatibles, como PNG, JPG o SVG, Claude puede añadir metadatos de procedencia firmados siguiendo el estándar abierto C2PA (Coalition for Content Provenance and Authenticity). Este sistema permite registrar información sobre el origen y las transformaciones de un archivo mediante credenciales verificables criptográficamente.
Son mecanismos distintos y conviene no confundirlos con los populares detectores de textos de IA.
Un detector tradicional intenta inferir si un documento parece escrito por una máquina analizando características estadísticas del texto. Una marca incorporada por el propio generador introduce deliberadamente una señal que posteriormente puede buscarse.
Pero ni siquiera eso convierte el resultado en una prueba inequívoca.
Anthropic advierte expresamente de que encontrar una marca significa que el contenido puede haber sido procesado por Claude, no que Claude sea necesariamente su autor original.
Un escritor podría redactar personalmente un artículo y utilizar Claude únicamente para corregirlo. Un investigador podría pedirle que traduzca un resumen. Una empresa podría introducir un documento propio para resumirlo o convertirlo a otro formato.
En todos esos casos puede aparecer la señal.
Por tanto, una futura herramienta de detección podría responder razonablemente a la pregunta «¿Claude ha intervenido en este texto?», pero no necesariamente a «¿quién escribió este texto?».
La diferencia parece pequeña, pero cambia por completo aplicaciones como educación, contratación, publicación académica o medios de comunicación.
Las marcas también pueden desaparecer
Existe además el problema contrario.
Que una herramienta no encuentre una marca tampoco demuestra que el contenido sea humano.
Anthropic enumera varias situaciones en las que un contenido generado o procesado por Claude podría dejar de presentar una señal detectable: modelos antiguos sin marcado, fragmentos demasiado cortos, plataformas o formatos incompatibles y textos sometidos posteriormente a una edición importante.
Entre esos procesos incluye explícitamente la paráfrasis, traducción o mezcla con otros textos. Los metadatos de los archivos también pueden desaparecer mediante conversiones de formato, nuevas exportaciones o capturas de pantalla.
La carrera entre marcar y desmarcar contenidos ya ha empezado.
Un repositorio publicado en GitHub con el nombre watermarks-remover reúne herramientas para actuar sobre diferentes tipos de señales: caracteres Unicode invisibles, metadatos C2PA, XMP y propiedades de documentos, además de mecanismos de reescritura destinados a alterar posibles marcas estadísticas del texto. El propio proyecto advierte de que estas últimas técnicas son «best effort» y que no puede certificar que un documento supere el detector oficial de un proveedor.
El detalle es relevante. El proyecto distingue entre eliminar información verificable de un archivo y tratar de alterar una señal estadística distribuida entre las palabras escogidas por el modelo.
Para esta segunda posibilidad propone reescribir una parte considerable del contenido. Pero eso introduce otro problema: cuanto más se modifica un texto para destruir una posible marca, más cambia también su redacción original.
No es una vulnerabilidad inesperada. La investigación sobre marcas de agua lleva años estudiando este enfrentamiento entre mecanismos de identificación y métodos capaces de degradarlos.
Google, por ejemplo, presentó SynthID-Text, un sistema que modifica el proceso de selección de tokens durante la generación para introducir una señal estadística detectable. El trabajo publicado en Nature mostró que podía desplegarse a gran escala sin cambios apreciables en la calidad y fue probado en casi 20 millones de respuestas de Gemini.
La investigación ya demuestra ataques contra marcas en imágenes
El problema resulta todavía más visible en las imágenes.
Un trabajo publicado en mayo de 2025 por investigadores del International Computer Science Institute, Arizona State University, Lawrence Berkeley National Laboratory y la Universidad de California en Berkeley presentó SemanticRegen, un método diseñado para eliminar marcas invisibles mediante regeneración parcial de una imagen.
El sistema resulta interesante porque no se limita a modificar píxeles aleatoriamente.
Primero utiliza un modelo de visión y lenguaje para describir la imagen. Después identifica y segmenta sus elementos principales y finalmente regenera mediante un modelo de difusión determinadas zonas del fondo intentando conservar el significado y los objetos relevantes.
Los investigadores evaluaron el procedimiento con 1.000 prompts y cuatro sistemas de marcas de agua: TreeRing, StegaStamp, StableSig y DWT/DCT. Según sus resultados, SemanticRegen consiguió superar el criterio establecido para eliminar TreeRing y redujo la precisión de bits por debajo de 0,75 en los demás sistemas, manteniendo una similitud estructural en las regiones principales de alrededor de 0,94.
Las tablas de las páginas 12 y 13 del estudio muestran precisamente ese equilibrio: destruir suficientemente la señal utilizada para reconocer la marca mientras se intenta preservar el contenido visual que una persona considera importante. El trabajo no estudia la nueva marca textual de Claude, pero sirve para mostrar un problema más general de estas tecnologías: el contenido generativo puede volver a procesarse mediante otra IA.
Eso crea una carrera técnica difícil de cerrar definitivamente.
Una marca de agua es una señal, no una prueba de autoría
El debate adquiere especial importancia en universidades y centros educativos.
Una universidad podría sentirse tentada a interpretar una marca detectada como prueba automática de que un alumno ha entregado un trabajo generado mediante inteligencia artificial. Pero esa conclusión iría más allá de lo que permite afirmar técnicamente el propio sistema de Anthropic.
Si un estudiante escribe un ensayo y utiliza Claude para corregir gramática, mejorar una frase o traducir un párrafo, el documento resultante podría conservar una marca. Si otro genera un texto completo y después lo transforma suficientemente, la señal podría desaparecer.
Se produce así una paradoja: puede existir una marca en contenido esencialmente humano y no existir en contenido originalmente generado por IA.
La reflexión planteada por David Slater sobre el uso educativo de estas tecnologías apunta precisamente a esa diferencia. Una marca puede aportar información sobre la procedencia o procesamiento de un documento, pero no permite conocer por sí misma cuánto trabajo intelectual realizó una persona. Corregir puntuación, reorganizar un párrafo y generar un ensayo completo podrían dejar una señal parecida aunque representen situaciones académicas completamente distintas.
Por eso el problema probablemente irá desplazándose desde la simple detección hacia la trazabilidad del proceso.
En entornos profesionales pueden adquirir más valor cuestiones como quién creó un documento, qué herramientas utilizó, qué transformaciones recibió, quién verificó los resultados y quién asumió finalmente la responsabilidad de publicarlo o utilizarlo.
C2PA parte de una filosofía similar para los contenidos digitales: conservar información verificable sobre su procedencia y modificaciones en lugar de intentar decidir únicamente si algo «parece IA». El estándar permite incorporar manifiestos firmados criptográficamente y construir una historia de procedencia del activo.
El AI Act tampoco exige que las marcas sean infalibles. La Comisión habla de soluciones efectivas, interoperables, robustas y fiables en la medida en que sea técnicamente viable, teniendo en cuenta las características de cada contenido y el estado de la técnica.
Ahí está probablemente la diferencia que determinará cómo se utilizan estas tecnologías. Una marca de agua puede ayudar a cumplir obligaciones de transparencia y aportar información útil sobre el origen de un contenido. Convertirla automáticamente en una prueba de autoría, fraude académico o engaño laboral es una afirmación mucho más difícil de sostener.
La propia implementación de Claude lo demuestra: encontrar la marca no prueba que Claude escribiera todo el contenido y no encontrarla tampoco prueba que Claude no participara en él.
Preguntas frecuentes
¿Claude pone ya marcas de agua en los textos?
Los modelos de Claude lanzados en la Unión Europea desde el 2 de agosto de 2026 incorporan marcado legible por máquina desde su lanzamiento. Anthropic trabaja también para extender esta capacidad a modelos anteriores.
¿Se puede saber si un texto ha sido escrito por Claude?
La marca puede indicar que el contenido fue procesado por un modelo compatible de Claude, pero Anthropic advierte de que no demuestra por sí sola que Claude sea el autor original. El modelo podría haberse utilizado únicamente para corregir, traducir o resumir un texto humano.
¿Puede eliminarse una marca de agua de IA?
Depende de la tecnología utilizada. Anthropic reconoce que una edición intensa, una paráfrasis o una traducción pueden impedir que su marca textual siga siendo detectable. También existen investigaciones que han demostrado ataques contra diferentes sistemas de marcas invisibles para imágenes.
¿Las marcas de agua son obligatorias por el AI Act europeo?
El artículo 50 establece obligaciones de transparencia para determinados sistemas y contenidos generados o manipulados mediante IA. Desde el 2 de agosto de 2026 los proveedores deben aplicar soluciones de marcado legibles por máquina y detectables dentro de lo técnicamente viable; el Código de Prácticas es voluntario, aunque las obligaciones legales del AI Act no lo son.
