Claude verbergt nu onzichtbare watermerken in de tekst, en het wijzigen van een paar woorden is mogelijk niet voldoende om ze te verwijderen

Kopieer een alinea uit Claude naar een e-mail, herschrijf een zin, vervang een paar woorden en verwijder de opmaak. Voor iemand die de tekst leest, blijft er gewoon normale tekst over. Geen label, geen vreemd symbool en geen zichtbare aanwijzing dat er een AI-model aan te pas is gekomen. Toch introduceert Anthropic nu iets waardoor die tekst mogelijk alsnog herkenbaar blijft: een onzichtbaar, machineleesbaar watermerk dat in de output van Claude zelf wordt verwerkt.

De verandering maakt deel uit van Anthropic's reactie op nieuwe transparantieverplichtingen binnen de Europese AI Act. Claude-modellen die op of na 2 augustus 2026 zijn uitgebracht, worden ontworpen om gegenereerde tekst vanaf het moment van creatie te markeren. Oudere modellen zouden tijdens een overgangsperiode volgen. Belangrijk is dat Anthropic dit niet alleen als een Europese functie behandelt. Het watermerk wordt op modelniveau toegepast, waardoor Claude-gegenereerde content de markering kan bevatten ongeacht waar het model wordt gebruikt.

Dat maakt dit veel interessanter dan simpelweg een label met "gegenereerd door AI". Het watermerk is juist niet bedoeld om door mensen gezien te worden. Het is gemaakt zodat machines het kunnen herkennen.

Dit is geen verborgen teken aan het einde van je tekst

De eerste gedachte bij een onzichtbaar watermerk in tekst is waarschijnlijk dat Claude verborgen Unicode-tekens, zero-width spaces of andere onzichtbare karakters tussen woorden plaatst. Dat zou technisch mogelijk zijn, maar ook relatief kwetsbaar. Plak de tekst in de verkeerde editor, normaliseer de tekens of verwijder ongebruikelijke Unicode en het watermerk zou kunnen verdwijnen.

Anthropic beschrijft zijn aanpak anders. Het watermerk wordt op modelniveau in de gegenereerde tekst verwerkt en is bedoeld om normale handelingen zoals kopiëren en plakken te overleven. Het bedrijf zegt bovendien dat het signaal na bepaalde bewerkingen nog steeds detecteerbaar kan blijven.

Anthropic heeft nog niet publiekelijk uitgelegd welk exact algoritme Claude hiervoor gebruikt. Dat onderscheid is belangrijk. Onderzoek naar watermerken voor taalmodellen heeft verschillende technieken laten zien waarbij statistische patronen in gegenereerde tekst worden aangebracht. Dat gebeurt bijvoorbeeld door subtiel te beïnvloeden welke tokens een taalmodel tijdens het schrijven kiest. In plaats van verborgen informatie tussen letters te plaatsen, worden de gekozen woorden en formuleringen zelf onderdeel van het signaal.

Stel dat Claude op een bepaald punt kan kiezen tussen "groot", "aanzienlijk", "substantieel" en "fors". Al deze woorden kunnen inhoudelijk prima passen. Een watermerksysteem zou bepaalde geldige keuzes iets vaker kunnen selecteren op basis van een geheim patroon. Eén zo'n woord zegt vrijwel niets. Maar verspreid over honderden tokens kunnen al die kleine keuzes samen een statistische handtekening vormen.

Dat voorbeeld laat zien hoe dit type watermerk technisch kan werken. Het betekent niet dat Anthropic exact deze methode gebruikt. Het bedrijf heeft de precieze implementatie namelijk nog niet openbaar gemaakt. Wat Anthropic wel bevestigt, is het belangrijkste deel: de markering is onzichtbaar, wordt in de gegenereerde tekst verwerkt en is ontworpen om bepaalde normale bewerkingen te overleven.

Een paar woorden veranderen is mogelijk niet genoeg

Hier wordt tekstwatermerking een stuk krachtiger dan simpelweg metadata aan een document toevoegen.

Als een watermerk alleen in de metadata van een Word-bestand, PDF of afbeelding zou staan, kun je de content relatief eenvoudig van die informatie scheiden. Kopieer de tekst naar een nieuw document en de oorspronkelijke metadata is verdwenen. Een watermerk dat in de statistische eigenschappen van de taal zelf zit, werkt anders. Het signaal reist als het ware met de tekst mee.

Eén zin aanpassen hoeft het watermerk daarom niet meteen te vernietigen. Hetzelfde geldt voor het vervangen van een handvol woorden. Als genoeg van het oorspronkelijke statistische patroon behouden blijft, kan een detector mogelijk nog steeds voldoende informatie hebben om te bepalen dat de tekst een watermerk bevat.

Dat is niet alleen theoretisch. Onderzoek naar robuuste watermerken voor taalmodellen richt zich al langer precies op deze vraag: wat gebeurt er wanneer mensen AI-gegenereerde tekst aanpassen? Onderzoek heeft aangetoond dat sporen van bepaalde watermerktechnieken ook na meerdere wijzigingen detecteerbaar kunnen blijven. Andere technieken zijn specifiek ontworpen om signalen terug te vinden in teksten die gedeeltelijk door mensen zijn aangepast.

Dat betekent niet dat een watermerk van Claude permanent is. Ook Anthropic erkent dat er beperkingen zijn. Zwaar herschrijven, uitgebreid parafraseren, vertalen of het combineren van gegenereerde tekst met voldoende ander materiaal kan een watermerk verzwakken of uiteindelijk ondetecteerbaar maken.

Maar de grens verschuift wel aanzienlijk. "Ik heb een paar woorden aangepast" betekent niet automatisch meer dat iedere detecteerbare verbinding met de oorspronkelijke AI-output verdwenen is.

Een watermerk bewijst niet dat Claude het hele document heeft geschreven

Daar zit meteen een belangrijk probleem.

Stel dat iemand zelf een artikel van 1.500 woorden schrijft en Claude vraagt om drie alinea's grammaticaal te verbeteren. Of een programmeur schrijft zelf een functie en laat Claude Code die opschonen. Een bedrijf kan ook een bestaande persrelease invoeren en Claude alleen vragen om de tekst korter en duidelijker te maken.

Als Claude tijdens dat proces nieuwe tekst genereert, kan het uiteindelijke document watermerksignalen bevatten terwijl het oorspronkelijke werk grotendeels door een mens is gemaakt.

Een positieve detectie kan daarom niet automatisch worden geïnterpreteerd als bewijs dat "Claude dit heeft geschreven". Het toont hooguit aan dat de onderzochte tekst een signaal bevat dat gekoppeld is aan door Claude gegenereerde output.

Andersom bestaat hetzelfde probleem. Wanneer geen watermerk wordt gevonden, bewijst dat niet dat een mens de tekst heeft geschreven. De tekst kan afkomstig zijn van een ouder model, een ander AI-systeem, een model zonder watermerk of Claude-output die zo sterk is aangepast dat het signaal niet langer betrouwbaar detecteerbaar is.

Watermerkdetectie is daarmee fundamenteel anders dan de AI-detectors die na de introductie van ChatGPT populair werden. Zulke systemen proberen meestal te voorspellen of een tekst op AI lijkt. Een echt watermerk probeert daarentegen een bewust aangebracht signaal te vinden. Dat kan veel sterker bewijs opleveren, maar ook dat bewijs moet binnen de juiste context worden geïnterpreteerd.

Waarom Anthropic dit juist nu doet

De timing is geen toeval. Op 2 augustus 2026 werden nieuwe transparantieverplichtingen uit de Europese AI Act van toepassing. Artikel 50 verplicht aanbieders van generatieve AI-systemen om gegenereerde of gemanipuleerde content, waar technisch haalbaar, op een machineleesbare manier identificeerbaar te maken.

De bijbehorende Europese richtlijnen en gedragscodes gaan verder in op de manier waarop bedrijven aan die verplichtingen kunnen voldoen. Het achterliggende doel is duidelijk: wanneer synthetische tekst, afbeeldingen, video's en audio zich over het internet verspreiden, moeten er technische mechanismen bestaan waarmee platforms, onderzoekers en andere systemen de kunstmatige oorsprong ervan kunnen herkennen.

Voor tekst is dat bijzonder lastig. Een afbeelding kan metadata bevatten. Een videobestand kan informatie over de herkomst meenemen. Beide kunnen bovendien onzichtbare signalen in beeldgegevens verwerken. Bij platte tekst blijft na kopiëren vaak vrijwel niets anders over dan de letters en woorden zelf.

Als een watermerk het kopiëren en plakken van tekst moet overleven, moet de informatie over de herkomst dus op de een of andere manier onderdeel worden van de taal zelf.

Afbeeldingen en bestanden krijgen een ander soort bewijs van herkomst

Anthropic gebruikt niet voor ieder type content dezelfde techniek. Ondersteunde gegenereerde bestanden en afbeeldingen kunnen digitaal ondertekende informatie over hun herkomst meekrijgen op basis van C2PA, een industriestandaard die is ontwikkeld om vast te leggen waar digitale content vandaan komt en hoe deze is aangepast.

Daarmee ontstaat een belangrijk verschil. C2PA-informatie wordt aan het digitale bestand gekoppeld en kan gestructureerde informatie geven over de oorsprong ervan. Bij het watermerken van tekst ligt dat moeilijker, omdat gebruikers voortdurend alles verwijderen behalve de woorden zelf.

Juist daarom is de implementatie voor tekst technisch zo interessant. Een alinea kan vanuit Claude naar het klembord gaan, vervolgens in Google Docs terechtkomen, via een e-mail worden verstuurd, in een CMS worden geplakt en uiteindelijk als HTML op een website verschijnen. Als het watermerk die hele keten overleeft, bestaat er geen speciaal Claude-bestand meer dat onderzocht kan worden. Er zijn alleen nog woorden.

Claude Code maakt de discussie nog groter

De gevolgen beperken zich niet tot studenten die AI gebruiken voor opdrachten of uitgevers die willen weten of een boek door een taalmodel is geschreven. Claude wordt steeds vaker professioneel gebruikt en Claude Code kan inmiddels aanzienlijke hoeveelheden softwarecode genereren.

Een watermerksysteem op modelniveau roept daarom een voor de hand liggende vraag op: wat gebeurt er wanneer de gegenereerde content programmeercode is?

Bij gewone taal heeft een model enorm veel vrijheid. Dezelfde gedachte kan op tientallen manieren worden geformuleerd. Broncode is veel strikter. Het veranderen van één token kan de werking van een programma aanpassen, een bug veroorzaken of ervoor zorgen dat de code helemaal niet meer compileert.

Daarnaast ontstaat een zakelijke vraag. Ontwikkelaars nemen dagelijks door AI gegenereerde code over, passen die aan, combineren deze met menselijke code en plaatsen het resultaat in repositories die soms jarenlang blijven bestaan. Als watermerktechnieken later betrouwbaar delen van die output kunnen herkennen, moeten bedrijven precies begrijpen wat zo'n detectie betekent en vooral ook wat het niet betekent.

Een watermerk zegt iets over de herkomst van content. Het zegt niet automatisch iets over auteursrecht, eigendom of hoeveel menselijk werk er uiteindelijk in het eindproduct is gestoken.

Voor scholen kan AI-detectie veel minder speculatief worden

Het onderwijs is waarschijnlijk een van de gebieden waar deze technologie direct grote gevolgen kan hebben.

De huidige generatie AI-detectors heeft een fundamenteel probleem: ze weten meestal niet waar een tekst daadwerkelijk vandaan komt. Ze analyseren een stuk tekst en berekenen vervolgens hoe sterk het taalgebruik lijkt op output van een taalmodel. Dat kan leiden tot foutieve detecties waarbij volledig menselijke teksten ten onrechte als AI worden aangemerkt.

Een watermerk dat door het taalmodel zelf wordt aangebracht, verandert die vraag. In plaats van "lijkt deze tekst op Claude?" kan een detector zoeken naar een signaal dat Claude bewust tijdens het genereren heeft toegevoegd.

Dat is een veel concretere vraag.

Toch lost ook dat het probleem rond academische integriteit niet volledig op. Een student kan een volledig eigen essay schrijven en Claude alleen gebruiken om de grammatica te verbeteren. Een andere student kan de volledige opdracht laten genereren en daarna alles uitgebreid herschrijven. De eerste tekst kan mogelijk nog een watermerk bevatten ondanks het grote aandeel menselijk werk, terwijl de tweede misschien zo sterk is aangepast dat het oorspronkelijke signaal grotendeels verdwenen is.

Zelfs betrouwbare watermerken leveren dus geen simpele machine op die automatisch kan bepalen of iemand heeft valsgespeeld. Ze leveren bewijs dat binnen een bredere context moet worden beoordeeld.

Alleen Anthropic weet momenteel precies waarnaar gezocht moet worden

Er is nog een opvallend aspect aan het systeem: de detectie zelf.

Anthropic heeft aangegeven te werken aan ondersteuning waarmee derde partijen de watermerken kunnen verifiëren, waaronder speciale detectietools. De volledige technische details van het watermerk voor tekst zijn echter nog niet openbaar gemaakt.

Dat zorgt voorlopig voor een ongelijke situatie. Gebruikers kunnen tekst ontvangen waarin een machineleesbaar signaal is verwerkt dat ze zelf niet kunnen zien, terwijl het bedrijf dat de tekst heeft gegenereerd wel weet hoe het systeem werkt.

Dat leidt logischerwijs tot discussie onder ontwikkelaars en andere Claude-gebruikers. Watermerken kunnen de herkomst van informatie transparanter maken, maar tegelijkertijd betekent het dat AI-bedrijven bewust blijvende signalen verwerken in gegenereerd materiaal. Wie toegang krijgt tot de detectietechnologie, hoe betrouwbaar die detectie is en hoe wordt omgegaan met foutieve resultaten, wordt minstens zo belangrijk als het watermerk zelf.

Een openbare detector zou verificatie breed toegankelijk kunnen maken. Een beperkt beschikbare detector zou Anthropic veel meer controle geven over wie kan vaststellen dat bepaalde content met Claude is gegenereerd.

En dan is er nog het probleem van AI die van AI leert

Er is nog een reden waarom AI-bedrijven al jaren onderzoek doen naar watermerken. Die heeft weinig te maken met het betrappen van studenten of het herkennen van automatisch geschreven blogartikelen.

Het internet raakt steeds verder gevuld met AI-gegenereerde content. Tegelijkertijd worden toekomstige generaties AI-modellen getraind met enorme hoeveelheden informatie die van datzelfde internet afkomstig is.

Daardoor ontstaat het risico dat modellen steeds vaker worden getraind op de output van andere modellen, of indirect zelfs op hun eigen eerdere output. Onderzoekers spreken in bredere zin over vervuiling van trainingsdata met synthetische content. Wanneer zulke feedbacklussen ongecontroleerd groeien, wordt het steeds moeilijker om oorspronkelijke menselijke informatie te onderscheiden van materiaal dat al meerdere keren door generatieve modellen is verwerkt.

Betrouwbare informatie over de herkomst van content geeft AI-bedrijven een extra signaal bij het samenstellen van toekomstige trainingsdatasets. Wanneer een crawler kan herkennen dat een webpagina grote hoeveelheden gemarkeerde synthetische tekst bevat, kan die content anders worden behandeld dan informatie waarvan de oorsprong onbekend is.

Watermerken zijn dus niet alleen bedoeld om mensen te vertellen wat door AI is gemaakt. Ze kunnen uiteindelijk net zo belangrijk worden om machines het werk van andere machines te laten herkennen.

Claude zal waarschijnlijk niet de laatste zijn

De beslissing van Anthropic is vooral belangrijk omdat de Europese regelgeving niet specifiek voor Anthropic is geschreven.

De transparantieverplichtingen gelden breder voor aanbieders van generatieve AI-systemen die op de Europese markt actief zijn. Google heeft met SynthID bijvoorbeeld al technologie ontwikkeld voor het watermerken van AI-gegenereerde content, waaronder tekst. De druk op grote AI-aanbieders om betrouwbare, machineleesbare systemen voor herkomstinformatie te ontwikkelen neemt daardoor snel toe.

Het is dus goed mogelijk dat onzichtbare watermerken in tekst van een opvallende Claude-functie veranderen in een normaal onderdeel van generatieve AI.

Als dat gebeurt, kan het internet uiteindelijk gevuld raken met onzichtbare vingerafdrukken van verschillende AI-systemen die door gewone teksten heen lopen. Een alinea kan voor een mens volledig normaal lijken, terwijl software kan vaststellen dat delen ervan een statistisch signaal bevatten dat bij een bepaald model of een bepaalde aanbieder hoort.

De technologie heeft nog altijd beperkingen. Watermerken kunnen worden verzwakt. Tekst kan worden herschreven. Verschillende modellen gebruiken verschillende technieken. Korte stukken tekst bevatten mogelijk te weinig informatie om een betrouwbare statistische conclusie te trekken. En ieder detectiesysteem dat sterke uitspraken over de oorsprong van een tekst doet, zal uiterst voorzichtig met foutieve detecties moeten omgaan.

Het grotere plaatje

Het interessantste aan het onzichtbare watermerk van Claude is niet dat Anthropic een slimme manier heeft gevonden om mensen te betrappen die AI-tekst kopiëren. Het interessante is dat we een periode ingaan waarin de oorsprong van digitale content onderdeel begint te worden van de content zelf.

AI-detectie was jarenlang vooral een proces dat achteraf plaatsvond. Een docent, uitgever, zoekmachine of werkgever ontvangt een tekst en vraagt vervolgens aan een ander systeem om te voorspellen of die door een machine is geschreven. Watermerken draaien die relatie om. Het AI-model laat tijdens het genereren zelf bewust bewijs achter.

En omdat zo'n signaal in de statistische structuur van de taal kan worden verwerkt in plaats van als zichtbaar label te worden toegevoegd, betekent het verwijderen van je Claude-gesprek of het kopiëren van de tekst naar een andere applicatie niet noodzakelijk dat die verbinding verdwijnt. Zelfs het aanpassen van een aantal woorden kan nog genoeg van het oorspronkelijke patroon achterlaten om detectie mogelijk te maken.

Dat betekent niet dat Claude-tekst voortaan permanent traceerbaar is. Het betekent ook niet dat een gevonden watermerk onweerlegbaar bewijs is dat Claude een volledig document heeft geschreven. Zwaar herschrijven kan het signaal verzwakken, detectietechnieken hebben beperkingen en Anthropic moet nog veel meer duidelijkheid geven over hoe zijn specifieke implementatie precies werkt.

Maar de richting is duidelijk. AI-gegenereerde tekst begint informatie over zijn eigen herkomst mee te dragen op een manier die gewone gebruikers niet kunnen zien. De zin op je scherm ziet er misschien precies hetzelfde uit als gisteren. Voor een andere machine is diezelfde zin mogelijk niet langer anoniem.