Comment supprimer le filigrane Claude ? Comprendre et nettoyer les watermarks IA

Depuis août 2026, Anthropic déploie progressivement des mécanismes de marquage lisibles par machine sur les contenus générés par Claude. Contrairement à un filigrane classique visible sur une image, ces marques peuvent être imperceptibles pour l’utilisateur tout en restant exploitables par des systèmes de détection.

Le sujet est donc plus complexe qu’un simple caractère invisible qu’il suffirait de supprimer.

Un contenu généré ou traité par Claude peut aujourd’hui être concerné par plusieurs mécanismes de provenance : un filigrane intégré au texte, des métadonnées de provenance signées dans certains fichiers, ainsi que, indépendamment de Claude, des caractères Unicode invisibles ou des métadonnées ajoutées par les logiciels utilisés dans le workflow.

Dans ce guide, nous allons distinguer ces différents mécanismes, voir les outils qui permettent de les inspecter et comprendre ce qu’il est réellement possible de nettoyer.

À retenir : supprimer des caractères Unicode invisibles ou copier un texte dans un autre éditeur ne suffit pas nécessairement à retirer un filigrane intégré au processus de génération du texte.

Claude ajoute-t-il réellement un filigrane à ses réponses ?

Oui, pour les modèles et sorties compatibles avec le dispositif de marquage annoncé par Anthropic.

Anthropic indique que les modèles Claude lancés dans l’Union européenne à partir du 2 août 2026 prennent en charge le marquage lisible par machine dès leur lancement. L’entreprise prévoit également d’étendre progressivement ce mécanisme à certains modèles plus anciens.

Deux techniques complémentaires sont utilisées :

1. un filigrane intégré dans le texte
2. des métadonnées de provenance signées pour certains fichiers compatibles.

Anthropic précise que le filigrane textuel est intégré directement au contenu généré. Il peut donc accompagner le texte lorsqu’il est copié et collé ailleurs, et éventuellement persister après certaines modifications.

Pour les fichiers tels que les images PNG, JPEG ou SVG lorsque le format et la plateforme le permettent, Claude peut également ajouter des métadonnées de provenance signées conformes au standard C2PA.

Comment fonctionne un watermark statistique dans un texte ?

Les filigranes textuels modernes peuvent être intégrés directement au processus de génération d’un modèle de langage.

Un LLM génère une réponse progressivement, token après token. À chaque étape, plusieurs tokens sont possibles, chacun avec une probabilité différente.

Des technologies de watermarking textuel comme SynthID-Text, développé par Google DeepMind, modifient subtilement ces probabilités au moment de la génération afin de créer un motif statistique détectable ultérieurement.

Le lecteur ne voit pas de caractère spécial ou de marque graphique particulière : le signal est lié aux choix effectués pendant la génération.

Google explique le fonctionnement de SynthID-Text dans sa documentation officielle : les probabilités des tokens sont légèrement modulées afin d’introduire un watermark imperceptible sans modifier de façon sensible la qualité du texte.

Pour en savoir plus :

• Google DeepMind | SynthID
• Google DeepMind | Watermarking AI-generated text and video with SynthID

À ce jour, Anthropic indique que davantage de documentation technique sur ses propres mécanismes de détection sera publiée progressivement. Il faut donc éviter de présenter un outil tiers comme capable de reproduire avec certitude le détecteur officiel de Claude.

Un filigrane Claude n’est pas forcément un caractère invisible

C’est l’une des confusions les plus fréquentes.

De nombreux outils présentés comme des « AI watermark removers » recherchent des caractères tels que :

• les espaces de largeur nulle
• les caractères Unicode de contrôle
• les caractères bidirectionnels
• les espaces Unicode inhabituels
• les caractères de type word joiner
• les caractères de balise invisibles.

Nettoyer ces caractères peut être utile pour normaliser un document.

Mais cela ne signifie pas automatiquement que le filigrane statistique d’un modèle a été supprimé.

Il faut distinguer plusieurs couches.

Cette distinction est essentielle : aucun outil universel ne supprime de manière certaine tous ces mécanismes.

1. Copier le texte de Claude dans Word ou Google Docs suffit-il ?

Non.

Copier un texte dans :

• Microsoft Word
• Google Docs
• Pages
• Notepad
• VS Code
• WordPress
• un fichier TXT

modifie essentiellement le contenant du texte.

Si les phrases et les mots restent les mêmes, le contenu linguistique reste très proche.

La même logique s’applique à une conversion Markdown vers HTML.

Changer :

## Mon titre

en :

<h2>Mon titre</h2>

ne transforme pas réellement le contenu linguistique du paragraphe.

Anthropic indique d’ailleurs que le filigrane intégré au texte peut suivre le contenu lorsqu’il est copié-collé.

2. Inspecter et supprimer les caractères Unicode invisibles

Une première étape utile consiste à rechercher les caractères invisibles ou inhabituels.

Ils peuvent être introduits par :

• un chatbot
• une page web
• un traitement de texte
• un copier-coller
• un outil de traduction
• un éditeur riche.

Ils peuvent provoquer :

• des différences invisibles entre deux fichiers
• des problèmes de recherche
• des comportements étranges lors du copier-coller
• des erreurs dans du code
• des problèmes de comparaison ou de traitement automatique.

Watermarks Remover

Le projet open source Watermarks Remover, développé par Guillaume Meyer, propose des scripts permettant d’inspecter plusieurs classes de marques associées aux contenus IA.

Le projet distingue notamment :

• les caractères Unicode invisibles
• les espaces inhabituels
• les caractères bidirectionnels
• les marqueurs statistiques nécessitant une réécriture
• les métadonnées C2PA, EXIF et XMP
• certaines propriétés de documents.

Projet :

GitHub | guillaumemeyer/watermarks-remover

Le dépôt insiste également sur une limite importante : les suppressions Unicode et métadonnées peuvent être vérifiées, mais une réécriture destinée à modifier un watermark statistique reste une approche best effort et ne permet pas de garantir l’échec d’un détecteur propriétaire.

Exemple d’inspection :

python3 skills/remove-ai-marks/scripts/inspect_file.py article.md

Puis nettoyage :

python3 skills/remove-ai-marks/scripts/clean_file.py article.md -o article.cleaned.md

3. MarkScrub : une autre boîte à outils open source

MarkScrub adopte une approche similaire avec une CLI orientée inspection et nettoyage.

Le projet prend en charge notamment :

• Markdown
• HTML
• PNG
• JPEG
• SVG
• PDF
• DOCX.

Projet :

GitHub | anshaneja5/markscrub

L’inspection peut être réalisée avec :

markscrub inspect article.md

et le nettoyage avec :

markscrub clean article.md -o article-clean.md --diff

L’option --diff est particulièrement intéressante dans un environnement professionnel puisqu’elle permet de contrôler les modifications réalisées.

Comme Watermarks Remover, MarkScrub distingue explicitement les opérations déterministes (unicode et métadonnées) de la modification d’un éventuel watermark statistique, qui reste difficile à vérifier sans le détecteur du fournisseur.

4. Pourquoi une réécriture importante peut modifier un watermark statistique

Si un watermark textuel dépend de la séquence de tokens sélectionnés lors de la génération, la modification de cette séquence peut logiquement modifier le signal.

Une simple correction orthographique ou la suppression d’un espace n’est pas équivalente à une véritable réécriture.

Les transformations susceptibles de modifier davantage la séquence linguistique comprennent :

• la reformulation des phrases
• la modification de l’ordre des propositions
• la fusion ou la séparation de paragraphes
• le changement de vocabulaire
• la réorganisation de l’argumentation
• la traduction puis la réécriture
• l’ajout d’informations originales.

Anthropic reconnaît lui-même qu’un texte fortement édité, paraphrasé, traduit ou mélangé à d’autres contenus peut ne plus porter une marque détectable.

Cela ne signifie cependant pas qu’une méthode donnée permet de garantir la disparition du watermark.

5. Utiliser un autre LLM pour effectuer une véritable révision éditoriale

Un autre modèle peut être utilisé pour effectuer une transformation importante du texte.

Par exemple :

• OpenAI GPT
• Gemini
• Mistral
• Qwen
• DeepSeek
• GLM
• Kimi
• un modèle local exécuté via Ollama.

Cependant, dans un contexte éditorial ou SEO, l’objectif le plus pertinent n’est pas de demander au modèle de « rendre le texte indétectable ».

Une meilleure approche consiste à utiliser l’IA comme outil de révision :

• conserver les informations factuelles
• revoir la structure
• éliminer les formulations génériques
• adapter le vocabulaire au lectorat
• introduire des exemples
• ajouter une expertise métier
• vérifier les affirmations
• compléter le contenu avec des sources primaires.

Cette méthode améliore réellement la valeur éditoriale du document.

6. Attention au code, aux URLs et aux données

Une réécriture automatique devient beaucoup plus risquée lorsque le document contient du code ou des données structurées.

Par exemple :

function getUser(int $id): array
{
    // ...
}

ou :

npm install package

Un modèle peut modifier involontairement :

• une variable
• un nom de fonction
• un package
• une commande
• une URL
• un chiffre
• une référence
• la syntaxe Markdown.

Un pipeline sérieux devrait donc isoler les éléments sensibles avant d’envoyer le texte à un modèle de réécriture.

Les éléments à considérer comme immuables incluent généralement :

• blocs de code
• code inline
• URLs
• nombres
• tableaux
• frontmatter YAML
• attributs HTML
• noms de fonctions
• références bibliographiques.

7. Comprendre les métadonnées C2PA

Le watermark textuel n’est qu’une partie du sujet.

Les fichiers peuvent également contenir des informations permettant d’établir leur provenance.

Le standard C2PA, pour Coalition for Content Provenance and Authenticity, permet d’associer à un fichier des informations signées concernant notamment son origine et certaines transformations.

Anthropic indique utiliser des métadonnées de provenance signées suivant le standard C2PA pour certains types de fichiers générés par Claude lorsque cette fonction est prise en charge.

Pour en savoir plus :

• C2PA | site officiel

Il faut cependant éviter de confondre C2PA avec un watermark intégré aux pixels ou au texte. Ce sont deux mécanismes différents.

8. ExifTool pour inspecter les métadonnées

ExifTool, développé par Phil Harvey, reste l’un des outils de référence pour analyser les métadonnées de nombreux formats.

Site officiel :

ExifTool

Par exemple :

exiftool document.pdf

ou :

exiftool image.jpg

permet d’obtenir les métadonnées disponibles.

Selon le format, il est possible d’identifier notamment :

• EXIF
• XMP
• logiciel de création
• dates
• auteur
• commentaires
• propriétés du fichier.

Il faut cependant garder à l’esprit que supprimer des métadonnées EXIF ou XMP ne supprime pas un watermark éventuellement intégré directement au texte, aux pixels, à l’audio ou à la vidéo.

9. GPTZero, Copyleaks et autres détecteurs IA : ce n’est pas la même chose

Il faut distinguer deux notions :

détection probabiliste de texte généré par IA

et

détection d’un watermark spécifique intégré par un fournisseur.

Des services comme :

• GPTZero
• Originality.ai
• Copyleaks

tentent généralement d’estimer si un texte présente les caractéristiques statistiques d’un contenu généré par une IA.

Ce n’est pas nécessairement la même chose qu’un système recherchant un watermark créé à l’aide d’une clé ou d’un mécanisme propre à un fournisseur.

Un score de détection ne doit donc pas être considéré comme une preuve absolue de la provenance d’un texte.

10. Peut-on détecter soi-même le watermark Claude ?

Pas de manière certaine avec les informations publiques actuellement disponibles.

Anthropic annonce vouloir permettre aux utilisateurs et aux tiers de détecter les marques de Claude, mais indique que davantage de détails techniques seront fournis ultérieurement.

Un outil tiers peut :

• rechercher des caractères Unicode inhabituels
• analyser les métadonnées
• inspecter C2PA
• effectuer des analyses statistiques
• tenter d’évaluer un éventuel signal.

Mais cela ne signifie pas qu’il reproduit le détecteur officiel d’Anthropic.

Absence de marque ≠ texte humain

Un texte sans watermark détectable peut avoir été :

• produit par un modèle sans watermark
• généré par un ancien modèle
• fortement réécrit
• traduit
• mélangé avec du contenu humain
• produit par un système open source
• généré sur une plateforme ne prenant pas en charge le marquage.

Anthropic cite plusieurs de ces limites dans sa documentation officielle.

Présence d’une marque ≠ Claude est l’auteur original

À l’inverse, une marque Claude peut être présente sur un contenu dont Claude n’est pas nécessairement l’auteur initial.

Le modèle peut avoir été utilisé pour :

• corriger
• reformuler
• traduire
• résumer
• convertir un document.

La provenance complète d’un contenu ne peut donc pas toujours être réduite à une réponse binaire « humain » ou « IA ».

Comparatif des outils

Il n’existe donc pas réellement un outil universel capable de supprimer tous les mécanismes de provenance possibles.

Quel workflow utiliser pour analyser un document ?

Pour un document dont vous êtes propriétaire, une approche méthodique peut être la suivante :

L’intérêt de cette approche est de séparer les différents problèmes plutôt que de considérer le watermark comme un mécanisme unique.

Quel impact pour le SEO ?

Le watermark et le référencement naturel sont deux sujets différents.

Google indique que l’utilisation d’IA générative n’est pas en soi contraire à ses recommandations. En revanche, générer automatiquement de nombreuses pages sans apporter de valeur supplémentaire peut relever de l’abus de contenu à grande échelle.

Google recommande de privilégier :

• l’exactitude
• la qualité
• la pertinence
• l’originalité
• les sources
• l’expérience réelle
• l’expertise
• l’utilité pour le lecteur.

Google décrit également le concept E-E-A-T autour de quatre notions :

• Experience : expérience
• Expertise : expertise
• Authoritativeness : légitimité / autorité
• Trustworthiness : fiabilité.

La fiabilité reste au centre de l’approche.

Pour en savoir plus :

• Créer des contenus utiles, fiables et people-first
• Conseils de la recherche Google concernant le contenu généré par l’IA
• Optimiser votre site pour les fonctionnalités d’IA générative dans la recherche Google

Le véritable enjeu n’est pas seulement le watermark

Pour un site éditorial, une agence ou une entreprise, le sujet ne devrait pas uniquement être de savoir comment rendre un contenu « indétectable ».

La question la plus intéressante est :

Quelle information ce contenu apporte-t-il que le lecteur n’aurait pas obtenue en posant directement la question à un chatbot ?

Cette question est également pertinente pour le SEO.

Une page qui résume simplement les dix premiers résultats de Google apporte peu de valeur.

À l’inverse, une page qui :

• confronte plusieurs sources
• teste réellement les outils
• documente les résultats
• explique les limites
• apporte une analyse technique
• fournit une méthodologie reproductible

possède une véritable valeur éditoriale.

Google insiste désormais particulièrement sur la création de contenus non génériques, originaux et fondés sur une expérience ou une expertise réelle pour ses fonctionnalités classiques comme pour ses fonctionnalités de recherche générative.

En résumé

Claude prend désormais en charge des mécanismes de marquage lisibles par machine sur certains modèles et formats.

Il faut distinguer au moins quatre catégories :

Les caractères Unicode invisibles peuvent être inspectés et nettoyés avec des outils comme Watermarks Remover ou MarkScrub.

Les métadonnées peuvent être analysées avec des outils comme ExifTool, tandis que les données de provenance C2PA nécessitent des outils compatibles avec le standard.

En revanche, un watermark statistique intégré au processus de génération du texte constitue un problème différent : sa détection dépend du mécanisme mis en œuvre par le fournisseur et sa suppression ne peut pas être certifiée par un outil tiers sans accès au système officiel de détection.

Pour un contenu destiné au Web, la meilleure stratégie reste donc de considérer l’IA comme un outil de production : vérifier les informations, apporter une expertise propre, documenter les sources et fournir une valeur éditoriale qui dépasse la simple génération automatique.

Questions fréquentes

Questions fréquentes