Claude peut désormais laisser une « empreinte invisible » dans vos textes : ce qu’il faut réellement comprendre

Imaginez que vous écrivez un rapport, un mémoire ou même un simple e-mail.

Vous demandez à Claude de le relire, de corriger les fautes ou d'améliorer la formulation.

Vous copiez ensuite le résultat dans Word.

À l'œil nu, rien n'a changé.

Mais techniquement, quelque chose peut avoir changé.

Depuis les modèles Claude lancés à partir du 2 août 2026, Anthropic déploie un système de marquage invisible permettant d'identifier certains contenus ayant été générés ou traités par Claude. Le système est conçu pour fonctionner directement dans le texte, sans ajouter de caractère visible ou de métadonnée évidente.

Et le plus intéressant se trouve dans la manière dont cette « marque » est créée.

Ce n'est pas un texte caché dans votre texte

Contrairement à ce que l'on pourrait imaginer, Claude ne rajoute pas une phrase secrète, un caractère invisible ou une balise HTML au milieu de votre paragraphe.

Le principe est statistique.

Lorsqu'un modèle génère du texte, plusieurs mots peuvent être possibles à un moment donné.

Par exemple, après :

« Le ciel était... »

le modèle pourrait choisir « gris », « couvert » ou « nuageux ».

Ces mots peuvent être suffisamment proches pour que le choix n'ait pratiquement aucune conséquence sur le sens.

Le système de watermarking utilise justement ce type de choix à faible enjeu pour introduire une préférence statistique contrôlée dans la sélection des mots.

Répétée suffisamment de fois, cette préférence forme un motif détectable mathématiquement.

Anthropic indique utiliser une version de l'approche SynthID-Text, développée à l'origine par Google DeepMind. La détection repose sur une clé permettant de reconnaître ce motif statistique.

Pourquoi faire cela ?

La première raison est la traçabilité des contenus générés par IA.

Avec l'explosion des modèles génératifs, il devient de plus en plus difficile de distinguer un texte produit par une personne d'un texte produit ou transformé par une machine.

Les réglementations européennes poussent justement les fournisseurs d'IA vers des mécanismes permettant d'identifier les contenus synthétiques. Anthropic présente son système comme une mesure de transparence liée notamment à l'AI Act européen.

L'idée est donc simple :

si un texte provient d'un modèle d'IA, il devrait exister un moyen technique de le signaler.

Mais attention : un filigrane Claude ne signifie pas « Claude a écrit ce texte »

C'est probablement le point le plus important de toute cette histoire.

Supposons que vous écriviez vous-même un rapport de 20 pages.

Vous le donnez ensuite à Claude uniquement pour :

• corriger les fautes
• améliorer certaines formulations
• traduire le texte
• résumer une partie
• convertir le document.

Le résultat peut tout de même porter la marque Claude.

Anthropic reconnaît explicitement cette limitation : un marquage indique que le contenu peut avoir été traité par Claude, mais ne permet pas à lui seul d'établir toute son origine.

Cela crée une distinction fondamentale :

« Claude a touché à ce texte » ≠ « Claude a écrit ce texte ».

Un détecteur qui trouverait une marque ne pourrait donc pas, à lui seul, déterminer qui est réellement l'auteur des idées.

Et cette technologie n'est pas nouvelle dans son principe

L'idée rappelle fortement une technologie beaucoup plus ancienne.

Certaines imprimantes laser couleur ont longtemps utilisé de minuscules points jaunes presque invisibles à l'œil nu.

En 2005, l'Electronic Frontier Foundation a réussi à décoder le système utilisé par certaines imprimantes Xerox DocuColor.

Les motifs pouvaient notamment révéler :

• le numéro de série de l'imprimante ;
• la date d'impression ;
• l'heure d'impression.

En 2017, cette technologie a attiré énormément d'attention lorsqu'un document confidentiel de la NSA publié par The Intercept contenait ces marques. L'analyse du motif permettait d'identifier l'imprimante et la date et l'heure d'impression du document.

La différence avec Claude est importante :

l'imprimante cachait l'information dans l'image imprimée ; Claude la cache dans les choix statistiques du texte.

Alors, peut-on simplement reformuler le texte pour supprimer la marque ?

C'est ici que les choses deviennent beaucoup plus intéressantes.

Une étude publiée le 17 juillet 2026 a justement étudié la robustesse de plusieurs méthodes de watermarking face à des reformulations qui conservent le sens du texte.

Les chercheurs ont réalisé 846 tests valides sur trois méthodes :

• KGW ;
• Unigram ;
• une implémentation de SynthID-Text.

Résultat : après une seule reformulation, les filigranes KGW et Unigram initialement détectés ont disparu dans 100 % des cas testés, tandis que SynthID a perdu son signal dans 98,3 % des cas initialement détectés.

Mais attention :

cela ne signifie pas que 98,3 % des filigranes de Claude peuvent actuellement être supprimés.

L'étude n'a pas testé le système propriétaire d'Anthropic lui-même. Elle a testé une implémentation de SynthID-Text, alors qu'Anthropic indique utiliser une version de cette technologie.

C'est une nuance scientifique essentielle.

Le problème est encore plus profond

L'étude montre également que les détecteurs testés avaient déjà des difficultés avant toute modification du texte.

Pour SynthID, le taux de faux négatifs rapporté était de 80 % dans la configuration étudiée.

Autrement dit, même un texte effectivement marqué pouvait ne pas être correctement identifié par le détecteur utilisé dans l'expérience.

Les chercheurs ont également observé un taux de 5,4 % de faux positifs sur des textes humains reformulés.

Cela signifie qu'un système de détection ne devrait pas être traité comme une sorte de « test ADN de l'IA ».

Un résultat positif n'est pas nécessairement une preuve absolue.

Et un résultat négatif ne prouve pas nécessairement qu'une IA n'a jamais été utilisée.

C'est là que se trouve le véritable problème

Imaginez deux étudiants.

Étudiant A :

Il écrit entièrement son mémoire, puis utilise Claude pour corriger quelques fautes.

Étudiant B :

Il demande à Claude de rédiger entièrement son mémoire.

Les deux textes peuvent potentiellement porter une marque Claude.

Pourtant, l'utilisation de l'IA n'a absolument pas été la même.

Le watermark permet potentiellement de détecter une intervention de Claude.

Il ne permet pas nécessairement de mesurer l'ampleur de cette intervention.

C'est une différence fondamentale lorsqu'on parle d'éducation, de recrutement, de recherche ou de responsabilité professionnelle.

Et si le texte n'a plus de marque ?

Cela ne prouve pas non plus qu'il a été écrit sans IA.

Anthropic reconnaît plusieurs limites : le marquage peut être moins fiable après certaines modifications importantes, sur des textes très courts ou lorsque le contenu passe par certains traitements qui altèrent l'information nécessaire à la détection.

C'est pourquoi il serait dangereux de construire un système du type :

Marque trouvée = triche

Marque absente = travail humain

La réalité est beaucoup plus complexe.

Alors, faut-il avoir peur de cette technologie ?

Pas forcément.

Le watermarking peut avoir une véritable utilité.

Il peut contribuer à :

• améliorer la transparence sur l'utilisation de l'IA ;
• faciliter la recherche de contenus synthétiques ;
• lutter contre certaines formes de manipulation ;
• aider les plateformes à comprendre l'origine probable d'un contenu.

Mais il ne doit pas être présenté comme une preuve parfaite de l'auteur d'un texte.

La technologie doit être accompagnée de contexte, de transparence et de jugement humain.

Ce que cela change pour nous

L'arrivée de ces mécanismes marque peut-être une nouvelle étape.

Pendant longtemps, nous avons surtout cherché à répondre à la question :

« Comment détecter un texte généré par une IA ? »

Nous entrons maintenant dans une époque où les entreprises cherchent plutôt à intégrer directement une preuve de provenance au processus de génération.

Mais cela crée une nouvelle course technologique :

les fournisseurs développent des watermarkings plus robustes ; les chercheurs étudient leurs limites ; et les utilisateurs cherchent parfois à les contourner.

Le débat ne fait donc que commencer.

Et il dépasse largement Claude.

Demain, la question pourrait concerner pratiquement tous les contenus numériques : textes, images, vidéos, voix et documents.

Toi, en tant qu'étudiant, que faut-il faire ?

L'arrivée de ces technologies ne signifie pas qu'il faut arrêter d'utiliser l'IA.

Au contraire, l'IA peut être un excellent outil pour apprendre, comprendre un concept, corriger un texte ou améliorer son travail. Le problème commence lorsque l'on confie entièrement son travail à l'IA et qu'on ne peut plus expliquer ce qu'on a rendu.

1. Utilise l'IA comme un assistant, pas comme un auteur

Demande-lui de t'expliquer un concept, de te proposer des pistes, de corriger tes erreurs ou de te donner un retour sur ton travail.

Mais garde ta réflexion, tes idées et ta capacité à produire toi-même.

2. Garde les traces de ton travail

Conserve :

• tes brouillons
• tes notes
• tes recherches
• l'historique des versions de tes documents
• tes références et sources
• les différentes étapes de rédaction.

Ces éléments peuvent être beaucoup plus utiles qu'un simple détecteur d'IA pour montrer comment ton travail a réellement été construit.

3. Ne cherche pas à « blanchir » ton texte

Si tu as utilisé une IA, le but ne devrait pas être de supprimer sa trace pour faire croire que tu ne l'as jamais utilisée.

Le véritable objectif doit être de comprendre ce que tu rends.

Un étudiant capable d'expliquer son raisonnement, de défendre ses choix et de répondre aux questions sur son propre travail aura toujours plus de crédibilité qu'un étudiant qui cherche uniquement à passer sous les radars des détecteurs.

4. Vérifie toujours ce que l'IA produit

Une IA peut se tromper, inventer des références ou présenter une information fausse avec beaucoup d'assurance.

Donc :

IA → vérification → compréhension → travail personnel.

Et surtout, respecte les règles de ton établissement concernant l'utilisation de l'IA. Certaines universités autorisent certains usages et en interdisent d'autres.

5. Développe une compétence que l'IA ne peut pas simplement remplacer

Ne cherche pas uniquement à savoir comment obtenir une réponse avec l'IA.

Apprends surtout à :

• poser un problème
• analyser une information
• vérifier une source
• raisonner
• argumenter
• prendre une décision
• expliquer ce que tu as fait.

C'est cette capacité qui fera la différence.

L'objectif n'est pas de devenir invisible aux détecteurs d'IA. L'objectif est de devenir suffisamment compétent pour que ton travail puisse être défendu, avec ou sans IA.

Une dernière chose à retenir

Un watermark n'est pas une signature disant :

« Cette personne a utilisé l'IA pour écrire ce document. »

C'est plutôt un signal technique indiquant :

« Ce contenu a probablement été généré ou traité par ce système d'IA. »

Cette nuance peut sembler petite.

Elle est pourtant énorme.

Parce qu'à l'avenir, la question ne sera peut-être plus seulement :

« Est-ce que l'IA a participé ? »

Mais :

« Quelle a été exactement sa contribution ? »

Et cette question, un simple filigrane ne pourra probablement jamais y répondre à lui seul.

Selon vous, est-ce une bonne chose que les IA commencent à marquer automatiquement leurs contenus, ou risque-t-on de créer un système où les utilisateurs devront constamment prouver qu'ils sont réellement les auteurs de leur propre travail ?

Sources : Anthropic / The Verge, Google DeepMind (SynthID), arXiv - AI Watermark Evidence Fails Forensic Readiness: An Empirical Evaluation (2026), Electronic Frontier Foundation (EFF), Ars Technica.