La réponse courte tient en une phrase : le projet open source de Guillaume Meyer peut nettoyer certains caractères et métadonnées, puis tenter une réécriture substantielle, mais son efficacité contre le détecteur de production d’Anthropic n’est pas démontrée. Le contournement est donc une possibilité technique, pas un résultat établi.
Le point important est ailleurs : Claude utilise deux systèmes de provenance différents. Les confondre revient à essayer d’ouvrir une serrure avec la clé d’une autre.
Le contournement n’est pas démontré
Le projet watermarks-remover sépare plusieurs opérations. Une première couche s’occupe du nettoyage déterministe de caractères Unicode invisibles et d’éléments associés. Une autre peut lancer une réécriture assistée par un modèle pour tenter d’affaiblir un signal statistique. Le projet prévoit aussi le nettoyage des métadonnées de fichiers.
Ces fonctions ne constituent pas un passe-partout. Le dépôt ne contient ni le détecteur d’Anthropic ni sa clé secrète. Sa réécriture est donc présentée comme une tentative, et non comme une validation du résultat obtenu contre le système de production de Claude.
Copier un texte dans un autre document ne suffit pas non plus. Anthropic indique que le signal textuel peut survivre au copier-coller et à certaines modifications. Une édition lourde, une paraphrase ou une traduction peut rendre la détection moins fiable, mais aucune de ces transformations ne garantit un résultat précis dans chaque cas.
Deux systèmes de provenance, deux questions
Le filigrane textuel de Claude est intégré au processus de génération : il repose sur des choix de mots et de tokens, c’est-à-dire les unités que le modèle sélectionne pour construire une réponse. Il est conçu pour rester imperceptible à la lecture.
La provenance C2PA fonctionne autrement. Il s’agit de métadonnées signées qui accompagnent certains fichiers générés. Elles appartiennent au fichier et à son historique de provenance, pas au motif statistique formé par les mots d’un texte.
La conséquence est simple : nettoyer les métadonnées C2PA ne supprime pas le signal statistique du texte. De même, réécrire le texte ne constitue pas une méthode pour effacer automatiquement la provenance signée d’un fichier.
Comment le signal est intégré au texte
Anthropic dit s’appuyer sur l’approche SynthID-Text développée par Google DeepMind. Le principe consiste à orienter légèrement la sélection des tokens pendant la génération, de façon à répartir un motif statistique sur un nombre suffisamment important de choix.
Un détecteur cherche ensuite une corrélation qui s’écarte de ce que produirait une sélection aléatoire. Il ne repère donc pas une phrase secrète, un caractère invisible ou une balise classique cachée dans le document.
La recherche publiée sur SynthID-Text a évalué sa propre configuration dans des expériences Gemini, notamment sur environ 20 millions de réponses, avec un impact négligeable sur la qualité dans les conditions étudiées. Ce résultat éclaire le fonctionnement général de la technique ; il ne constitue pas un test indépendant de l’implémentation de Claude.
Les textes courts offrent moins de matière à l’analyse statistique. Le code pose aussi un problème particulier : sa syntaxe laisse moins de liberté dans le choix des mots que la prose. Les commentaires et certains termes facultatifs offrent davantage de latitude, mais cela ne transforme pas le code en terrain idéal pour un marquage uniforme.
Une détection ne prouve pas la paternité
Une marque détectée peut indiquer que Claude a traité un contenu. Elle ne permet pas, à elle seule, de conclure que Claude a écrit l’intégralité du document, ni de mesurer la part exacte de son intervention.
Le même texte peut avoir été rédigé par une personne, puis relu, traduit, résumé, reformulé ou remis en forme avec l’aide de Claude. Dans ces scénarios, le signal renseigne sur un traitement par le modèle, pas sur l’identité de l’auteur initial.
L’inverse est tout aussi important : une détection négative ne prouve pas qu’un texte a été écrit par un humain. L’édition, la traduction, la brièveté du passage, un modèle non pris en charge ou une conversion de format peuvent affaiblir le signal au point de le rendre indétectable.
| Système | Où se trouve le signal ? | Ce qu’il peut indiquer | Ce qui peut l’affaiblir | Prouve-t-il la paternité ? |
| Filigrane textuel de Claude | Dans les choix de mots et de tokens | Que Claude a peut-être traité le texte | Réécriture importante, paraphrase, traduction, texte court | Non |
| Provenance C2PA | Dans les métadonnées signées d’un fichier pris en charge | Qu’un fichier porte une information de provenance et si elle a changé | Conversion, réenregistrement, capture d’écran, suppression des métadonnées | Non |
| Détecteur classique de contenu IA | Dans les propriétés statistiques ou linguistiques analysées après génération | Qu’un texte ressemble à un contenu produit par un modèle | Changement de domaine, paraphrase, évolution des modèles, faux positifs | Non |
La réécriture peut-elle suffire ?
Elle peut affaiblir la détectabilité, surtout si elle modifie largement le texte. Mais une réécriture substantielle change aussi la formulation, la voix et parfois le sens. Elle peut conserver une erreur factuelle, en introduire une nouvelle ou dégrader la précision d’un passage technique.
C’est le principal compromis du contournement : pour perturber un motif statistique, il faut potentiellement altérer le contenu que l’on souhaitait préserver. Changer les titres ou déplacer les paragraphes ne revient pas à réécrire le texte en profondeur.
Le projet de Guillaume Meyer documente donc une chaîne d’outils et de transformations possibles, pas une preuve que le filigrane de Claude a disparu. La détection textuelle d’Anthropic est indiquée comme étant en aperçu privé pour des organisations et entreprises éligibles ; elle n’est pas présentée ici comme un outil grand public permettant à n’importe quel utilisateur de confirmer le résultat.
La bonne méthode pour documenter un texte assisté
Pour les auteurs, développeurs, enseignants et éditeurs, la piste la plus solide n’est pas de traiter un détecteur comme un juge automatique. Il est plus utile de conserver :
- les brouillons successifs ;
- l’historique des modifications ;
- les versions avant et après une traduction, une relecture ou une réécriture ;
- la trace de la contribution humaine et de l’assistance apportée par Claude.
Ces éléments permettent de distinguer une génération complète d’un usage limité à la correction ou à la traduction. Ils ne remplacent pas les règles propres à un établissement, une entreprise, une plateforme ou un contrat, qui doivent être examinées selon le contexte concerné.
Le verdict, finalement, est moins spectaculaire qu’un bouton « supprimer le filigrane » : une réécriture importante peut perturber un signal statistique, tandis que le nettoyage Unicode et la suppression des métadonnées traitent d’autres couches. Rien de tout cela ne transforme une détection en preuve d’auteur — ni un résultat négatif en certificat d’écriture humaine.
