Anthropic zaczął oznaczać teksty generowane przez nowe modele Claude niewidocznym znakiem wodnym. Kilka godzin po nagłośnieniu tej zmiany w serwisie GitHub pojawiło się narzędzie mające usuwać podobne oznaczenia. Ta krótka sekwencja zdarzeń dobrze pokazuje problem, z którym Internet będzie mierzył się przez następne lata: treści AI przybywa szybciej, niż rozwijają się wiarygodne metody jej identyfikacji.
Spór nie dotyczy już tylko tego, czy potrafimy odróżnić tekst człowieka od odpowiedzi modelu językowego. Ważniejsze stają się pytania o autorstwo, odpowiedzialność i wartość informacji. Czy tekst wspomagany przez AI powinien być traktowany tak samo jak masowo wygenerowany artykuł bez redakcji? I czy techniczny ślad użycia modelu mówi cokolwiek o jakości publikacji?
Claude zostawia w tekście niewidoczny ślad
14 sierpnia 2026 roku Anthropic opisał system znakowania odpowiedzi generowanych przez przyszłe modele Claude. Rozwiązanie ma pomóc firmie spełnić wymogi przejrzystości wynikające z unijnego AI Act. Anthropic zapowiedział wdrożenie globalne, ponieważ nie dysponuje trwałym sposobem ograniczenia znakowania wyłącznie do użytkowników z Unii Europejskiej.
Nie jest to ukryty znak Unicode, dopisek ani metadana dołączona do skopiowanego tekstu. Watermark powstaje podczas generowania. Model wielokrotnie wybiera kolejne tokeny -niewielkie fragmenty słów lub całe słowa – spośród kilku poprawnych kandydatów. Klucz kryptograficzny wpływa na źródło losowości tych wyborów, dzięki czemu w dłuższym tekście tworzy się wzór statystyczny. Posiadacz właściwego klucza może później oszacować prawdopodobieństwo, że Claude uczestniczył w przygotowaniu treści.
Anthropic zastrzega przy tym, że wynik nie potwierdzi autorstwa. Watermark nie odróżni sytuacji, w której Claude napisał cały materiał, od tej, w której wykonał głęboką redakcję tekstu człowieka. Nie identyfikuje też użytkownika, organizacji ani konkretnej rozmowy. Jego skuteczność maleje przy krótkich fragmentach, kodzie, treściach opartych na faktach i wszędzie tam, gdzie model ma niewiele swobody językowej. Firma dopiero zapowiedziała publiczne API do wykrywania swojego oznaczenia.
Źródło: Anthropic — opis działania znaku wodnego w tekstach Claude
Czy watermark Claude’a rzeczywiście został złamany?
W ciągu czterech godzin od nagłośnienia zmiany developer Guillaume Meyer opublikował w GitHubie narzędzie watermarks-remover. Projekt szybko zdobył zainteresowanie użytkowników i współtwórców. Jego podejście do tekstu jest proste: użyć modelu bez znaku wodnego do przygotowania kilku parafraz, zmienić synonimy i kolejność zdań, a następnie wybrać wersję, w której pierwotny wzór statystyczny powinien być słabszy.
Nie oznacza to jednak, że znak Claude’a został już bezspornie złamany. W dokumentacji repozytorium detektor claude-text nadal widnieje jako placeholder oczekujący na API Anthropic. Bez oficjalnego detektora i znanego progu decyzyjnego nie da się wykazać, że konkretna próbka była oznaczona przed przeróbką i przestała być oznaczona po niej. Trafniejsze jest stwierdzenie, że bardzo szybko pokazano prawdopodobny sposób obchodzenia systemu.
Sam Anthropic przyznaje, że gruntowne przepisanie tekstu usuwa watermark. Nie jest to zaskoczenie. Znak opiera się na sekwencji wyborów językowych; jeśli inny model zastąpi znaczną część tych wyborów własnymi, pierwotny sygnał zanika. Badania nad wykrywaniem tekstu AI od lat pokazują, że parafraza stanowi problem zarówno dla watermarków, jak i klasyfikatorów stylometrycznych.
Źródła: repozytorium watermarks-remover w GitHubie, WIRED -relacja o narzędziach obchodzących watermark, badanie odporności detektorów na parafrazowanie
„Scarlet letter”, czyli problem fałszywej pewności
Część użytkowników Claude’a potraktowała watermark jak cyfrową „szkarłatną literę”. Obawiają się, że wykrycie śladu AI może zostać uznane za dowód oszustwa przy rekrutacji, na uczelni albo w pracy redakcyjnej. Niektórzy deklarowali rezygnację z subskrypcji, choć Anthropic twierdzi, że nie zaobserwował wyraźnego wzrostu anulowań.
Ten lęk ma racjonalną podstawę, jeśli odbiorcy będą mylić trzy różne twierdzenia:
- „Claude brał udział w przetwarzaniu tego tekstu”;
- „większość tekstu wygenerowała AI”;
- „autor próbował wprowadzić odbiorcę w błąd”.
Watermark może dostarczyć przesłanki wyłącznie dla pierwszego z nich. Nie określa proporcji wkładu człowieka i modelu, nie ocenia zgodności z regulaminem ani nie dowodzi złej intencji. Tymczasem użycie AI obejmuje bardzo różne czynności: korektę językową, tłumaczenie, zmianę układu, streszczenie materiałów, przygotowanie szkicu lub wygenerowanie całego tekstu bez kontroli.
Detektor AI nie jest wykrywaczem kłamstw
Popularne detektory zwykle nie mają dostępu do klucza użytego przez producenta modelu. Analizują więc cechy statystyczne i stylistyczne: przewidywalność słownictwa, regularność zdań, powtarzalne konstrukcje czy małą zmienność składni. Następnie porównują próbkę z tekstami użytymi podczas uczenia klasyfikatora.
To słabszy rodzaj dowodu niż zgodny watermark. Narzędzie może pomylić z tekstem AI materiał napisany prostym, uporządkowanym językiem. Może też nie rozpoznać odpowiedzi modelu, jeśli autor ją skrócił, przeredagował albo połączył z własnymi fragmentami. OpenAI wycofało własny klasyfikator tekstu już w 2023 roku z powodu niskiej trafności. Badacze ze Stanfordu wykazali natomiast, że część detektorów znacznie częściej błędnie oznaczała jako AI teksty osób piszących po angielsku jako języku obcym.
Dlatego wynik typu „87% AI” nie powinien być odczytywany jako prawdopodobieństwo autorstwa. Najczęściej jest to wynik modelu klasyfikacyjnego zależny od konkretnego zbioru testowego, długości tekstu, języka i przyjętego progu. Bez znajomości częstości błędów oraz warunków walidacji liczba wygląda precyzyjnie, lecz niewiele rozstrzyga.
Źródła: OpenAI – wycofany klasyfikator tekstu AI, badanie uprzedzeń detektorów wobec osób nieanglojęzycznych
AI slop nie oznacza po prostu „treści stworzonej przez AI”
Określenie AI slop odnosi się do taniej, masowo produkowanej i słabo kontrolowanej treści generowanej przez AI. Może to być artykuł sklejony z cudzych publikacji, niezweryfikowana odpowiedź na pytanie, fałszywa recenzja, automatyczny komentarz, ilustracja z błędami albo film przygotowany wyłącznie po to, by przejąć uwagę użytkownika.
Problemem nie jest sam udział modelu. Tekst napisany przez człowieka również może być wtórny, nierzetelny i przygotowany pod algorytm. Materiał powstały z pomocą AI może natomiast zawierać autorskie dane, prawidłowe źródła, odpowiedzialną redakcję i wiedzę ekspercką. Sensowne kryterium przebiega zatem między treścią odpowiedzialnie opracowaną a treścią bez wartości – nie między klawiaturą człowieka a generatorem.
Google stosuje podobne rozróżnienie w polityce wyszukiwarki. Za nadużycie uznaje masowe tworzenie nieoryginalnych stron przede wszystkim w celu manipulowania rankingiem, niezależnie od tego, czy robi to człowiek, automatyzacja czy model generatywny. Sama obecność AI nie przesądza o naruszeniu; decydują intencja, skala i wartość dla odbiorcy.
Źródło: Google Search – zasady dotyczące masowo generowanych treści
Jak AI slop zmienia Internet
Pierwszym skutkiem jest spadek wartości przeciętnego wyniku wyszukiwania. Gdy koszt stworzenia setek tekstów zbliża się do zera, opłaca się publikować wiele wariantów tej samej treści i liczyć, że część z nich zdobędzie widoczność. Odbiorca poświęca więcej czasu na ustalenie, czy autor rzeczywiście sprawdził opisywany produkt, odwiedził miejsce albo przeczytał cytowane badanie.
Drugim skutkiem jest erozja zaufania. Podejrzane stają się również teksty prawdziwe, zwłaszcza poprawne, uporządkowane i pozbawione błędów. Paradoksalnie autor może zacząć celowo pogarszać styl, aby „brzmieć bardziej po ludzku”. Na uczelniach i w firmach wynik niedoskonałego detektora może zaś zastąpić analizę procesu powstawania pracy.
Trzeci problem dotyczy danych treningowych. Internet jest jednym ze źródeł materiału dla kolejnych modeli. Badanie opublikowane w „Nature” wykazało, że bezkrytyczne uczenie modeli na danych wytwarzanych przez poprzednie modele może prowadzić do zaniku rzadkich informacji i spadku różnorodności wyników. Watermarki mogą pomagać filtrować dane syntetyczne, ale tylko wtedy, gdy są powszechne, zachowane i interoperacyjne.
Źródło: „Nature” -badanie zjawiska model collapse
Od detekcji do pochodzenia treści
Najbardziej użyteczny kierunek nie polega na zgadywaniu autorstwa na podstawie stylu, lecz na dokumentowaniu pochodzenia. Watermark tekstowy przekazuje sygnał osadzony w doborze słów. Standard C2PA może natomiast dołączyć do pliku podpisaną historię jego utworzenia i edycji. Żadne z tych rozwiązań nie ocenia prawdziwości publikacji, ale może wskazać, jakie narzędzie brało udział w jej przygotowaniu i czy zapis pochodzenia został naruszony.
Brak takiego śladu nie dowodzi jednak, że materiał jest naturalny. Metadane można utracić przy eksporcie, zrzucie ekranu albo publikacji na platformie, która ich nie zachowuje. Dlatego przyszłość wiarygodności raczej nie będzie opierać się na jednym detektorze. Potrzebna jest kombinacja pochodzenia, jawności procesu, reputacji autora, źródeł oraz zwykłej weryfikacji faktów.
Źródło: C2PA – wyjaśnienie standardu Content Credentials
Jak rozpoznawać treści AI w 2026 roku – praktyczny poradnik
Nie próbuj rozstrzygać autorstwa po jednym słowie, znaku interpunkcyjnym ani wyniku detektora. Oceniaj pakiet dowodów.
1. Najpierw sprawdź fakty, nie styl
- Otwórz dwa lub trzy najważniejsze źródła i upewnij się, że rzeczywiście potwierdzają tezy autora.
- Sprawdź daty, nazwiska, liczby, cytaty i nazwy produktów.
- Zobacz, czy link prowadzi do źródła pierwotnego, czy do kolejnego streszczenia.
- Poszukaj szczegółów, których nie da się bezpiecznie uogólnić: metodologii, ograniczeń, lokalnego kontekstu i wyjątków.
Tekst może brzmieć naturalnie i nadal zawierać zmyślone fakty. Może też brzmieć schematycznie, choć napisał go człowiek.
2. Szukaj oznak braku redakcji
Podejrzenie AI slop zwiększa się, gdy jednocześnie występuje kilka cech:
- tekst obiecuje konkretną odpowiedź, ale przez wiele akapitów powtarza ogólniki;
- te same wnioski wracają w leadzie, śródtytułach i podsumowaniu;
- wszystkie strony zagadnienia są przedstawione symetrycznie, bez ustalenia ich wagi;
- źródła są nieobecne, niedopasowane do tez albo pozorne;
- autor opisuje produkt lub miejsce bez własnych obserwacji, pomiarów i przykładów;
- pojawiają się nieistniejące publikacje, cytaty lub funkcje;
- artykuł nie ma daty aktualizacji mimo opisywania zmiennego tematu.
Żadna z tych cech osobno nie dowodzi użycia AI. Razem mogą wskazywać, że materiał powstał masowo i nie przeszedł odpowiedzialnej kontroli.
3. Sprawdź pochodzenie pliku, jeśli jest dostępne
W przypadku obrazu, dokumentu lub innego pliku sprawdź Content Credentials albo informacje o pochodzeniu udostępniane przez platformę. Poprawny podpis może potwierdzić udział konkretnego narzędzia. Brak metadanych pozostaje wynikiem nierozstrzygającym.
4. Detektor traktuj jako sygnał pomocniczy
- Testuj dłuższy fragment; krótkie próbki są szczególnie zawodne.
- Nie porównuj wyników różnych detektorów jak równoważnych pomiarów.
- Sprawdź, czy narzędzie obsługuje język polski i teksty z danej dziedziny.
- Poszukaj informacji o odsetku fałszywych alarmów, a nie tylko deklarowanej „skuteczności”.
- Nie wyciągaj konsekwencji wobec autora wyłącznie na podstawie wyniku klasyfikatora.
5. Przy ważnych decyzjach badaj proces powstawania
Jeśli chodzi o pracę ucznia, tekst pracownika, artykuł ekspercki lub dokument konkursowy, bardziej miarodajne od detektora są:
- historia wersji i notatki robocze;
- wykorzystane źródła i sposób ich opracowania;
- możliwość wyjaśnienia tez własnymi słowami;
- spójność tekstu z wcześniejszą pracą autora;
- jawna informacja, do jakich czynności wykorzystano AI.
Najuczciwsze pytanie nie brzmi więc: „Czy ten tekst napisała AI?”. Lepiej zapytać: „Za które elementy odpowiada człowiek, jak użyto narzędzia i czy opublikowane informacje można zweryfikować?”. Watermark może pomóc odpowiedzieć na część techniczną. O wartości treści nadal decydują źródła, odpowiedzialność i praca redakcyjna.
