Dans cet article Dans cet article
Un texte peut désormais porter une signature que personne ne voit. Anthropic a confirmé le 11 août 2026 que ses modèles Claude inscrivent un filigrane lisible par machine directement dans les mots qu’ils produisent. Le principe est ancien pour l’image, où l’on tatoue des pixels sans altérer le rendu ; l’appliquer au texte revient à choisir certains mots et certaines tournures selon un motif statistique reconnaissable par un détecteur.
La décision ne relève pas du geste isolé. Elle répond au code de transparence de l’AI Act européen, entré en application le 2 août 2026, qui impose aux fournisseurs de modèles de rendre identifiables les contenus générés ou modifiés par une intelligence artificielle. Anthropic rejoint sur ce terrain Google et OpenAI, qui ont publié leurs propres engagements. Une question reste entière derrière cette conformité affichée : que prouve exactement une marque que l’on ne peut ni voir ni contester ?
Ce que le marquage change dans les faits
Le dispositif s’applique au niveau du modèle, pas de l’interface. Tous les modèles Claude publiés après le 2 août 2026 marquent leurs sorties d’origine, et Anthropic annonce l’extension progressive du mécanisme aux modèles plus anciens. La marque survit au copier-coller et peut résister à une partie des retouches, puisqu’elle réside dans le texte lui-même.
Parce que le filigrane fait partie du texte, il voyage avec lui quand celui-ci est copié et collé ailleurs, et peut persister à travers certaines modifications. Le marquage est appliqué au niveau du modèle, ce qui signifie qu’il est présent quel que soit le produit ou la surface Claude d’où provient le texte.
Anthropic, page d’assistance consacrée au marquage des contenus générés par Claude, mise à jour du 11 août 2026
Le périmètre annoncé couvre l’ensemble des points d’entrée du produit, de l’API jusqu’aux applications grand public, en passant par les outils de développement et l’agent de bureau. Les fichiers échappent à cette logique textuelle et reçoivent des métadonnées de provenance signées, au format ouvert C2PA, sur les images en .svg, .png et .jpg. Ces métadonnées indiquent qu’un fichier est passé par Claude et signalent une éventuelle altération ultérieure.
L’entreprise promet enfin des outils permettant aux utilisateurs et aux tiers de détecter ses propres marques. Le calendrier de cette mise à disposition n’a pas été précisé, ce qui laisse une asymétrie temporaire : les textes sont marqués avant que quiconque puisse vérifier ce marquage.
Une marque qui prouve le passage, jamais l’écriture
La limite la plus lourde est reconnue par Anthropic elle-même. Trouver un filigrane indique que le contenu a été traité par Claude, pas qu’il a été rédigé par lui. Un texte relu, traduit ou reformaté par le modèle ressort marqué exactement comme un texte généré de zéro, alors que l’auteur humain a fait l’essentiel du travail.
La conséquence tombe sous le sens dans un contexte scolaire ou professionnel. Un étudiant qui demande une correction de ponctuation et un étudiant qui demande une dissertation complète rendront tous deux un document porteur du même signal, sans qu’aucun détecteur ne les distingue. La question de l’usage de l’IA dans les copies avait déjà nourri le débat quand les notes se sont mises à grimper à l’université, et un outil qui confond relecture et rédaction n’apaisera pas ce débat.
L’inverse est tout aussi vrai. L’absence de filigrane ne prouve rien : un texte fortement réécrit, paraphrasé, traduit ou mélangé à d’autres perd le signal, et un passage trop court ne contient pas assez de matière pour en porter un. Le dispositif produit donc des faux positifs et des faux négatifs par construction, ce que ses concepteurs ne dissimulent pas.
L’Europe fixe le calendrier, les entreprises fixent la méthode
Le texte européen impose un résultat sans imposer une technique. Le code de transparence exige que les contenus soient marqués d’une façon exploitable par d’autres systèmes, et laisse chaque fournisseur choisir son implémentation. Black Forest Labs, Google, Meta, Microsoft, OpenAI et Synthesia ont signé le même engagement, avec des solutions qui ne communiquent pas nécessairement entre elles.
Ce cadre européen avance par étapes, et l’entrée en vigueur du 2 août ne concerne qu’une partie du dispositif. Nous avions détaillé comment Bruxelles a musclé sa loi tout en reculant sur les obligations les plus lourdes. Anthropic étend son marquage bien au-delà de l’Union européenne, dans tous les pays où Claude est distribué, ce qui transforme une contrainte régionale en standard de fait.
Ce que la détection ne saura pas trancher
Un signal statistique n’est pas une preuve juridique, et l’écart entre les deux risque de se combler dans les usages avant de l’être dans les textes. Plusieurs situations courantes échappent complètement à la lecture binaire que suggère la présence ou l’absence d’une marque.
- un texte humain corrigé par le modèle, marqué comme s’il avait été généré ;
- un texte généré puis réécrit à la main, qui perd son signal en quelques passes ;
- un extrait de quelques phrases, trop court pour porter un motif fiable ;
- un document composite mêlant plusieurs sources, dont une seule marquée ;
- un texte produit par un modèle concurrent, invisible pour un détecteur maison.
Le risque n’est donc pas technique mais interprétatif. Une institution qui traiterait la détection comme un verdict sanctionnerait des usages parfaitement légitimes, et laisserait passer ceux qui savent effacer le signal.
La comparaison avec l’image est instructive. YouTube a imposé une détection automatique des vidéos générées par IA au printemps 2026, sur un support où le tatouage numérique est mieux maîtrisé. Le texte reste le format le plus fragile pour ce type de marquage, parce qu’il se réécrit sans perte apparente.
Un secteur qui marque en ordre dispersé
Anthropic n’ouvre pas la voie. Google utilise déjà SynthID pour tatouer du texte généré, et l’a étendu progressivement à ses différents modèles. OpenAI marque pour sa part ses images et ses fichiers audio, mais n’a annoncé aucun système public de détection pour le texte.
Le mouvement dépasse les seuls laboratoires de modèles. La plateforme musicale Suno a annoncé le 6 août 2026 le marquage des morceaux créés chez elle, sur fond de contentieux juridiques. Le service de newsletters Substack s’est associé en juillet à Pangram pour signaler les contenus générés, son dirigeant Chris Best allant jusqu’à forger un terme pour désigner ceux qui font écrire leurs lettres par une IA.
Cette multiplication d’initiatives séparées pose un problème d’échelle. Chaque acteur détecte ses propres marques et reste aveugle à celles des autres, ce qui laisse les modèles ouverts et les acteurs non signataires entièrement hors du filet.
Marquer les machines, ou apprendre à lire
Le filigrane arrive à un moment où la question de l’origine d’un texte devient plus politique que technique. Savoir qu’une IA est passée par un document ne dit rien de sa justesse, de sa rigueur ou de son honnêteté, et un texte entièrement humain peut être bien plus trompeur qu’une synthèse produite par un modèle.
L’usage qui s’installera dans les écoles, les rédactions et les entreprises comptera davantage que la performance du détecteur. Un signal probabiliste traité comme une preuve produit des injustices, tandis qu’un signal traité comme un indice parmi d’autres peut nourrir une conversation utile. Le choix entre ces deux lectures se joue maintenant, avant que les outils de détection ne soient largement diffusés.
