Filigranage de texte par AI en 2026 : en quoi OpenAI, Google et Anthropic se distinguent
OpenAI a conçu un filigrane de texte et ne l’a jamais déployé. Google a livré SynthID et l’a open-sourcé. Anthropic a rendu obligatoire Claude. Ce que fait chaque système, ce qu’il prouve et ce que cela signifie pour votre rédaction.
OpenAI, Google et Anthropic ont tous construit la même technologie : une watermark statistique pour le texte généré par AI. OpenAI n’a jamais publié sa version. Google a déployé SynthID dans Gemini et publié la méthode. Anthropic a rendu la watermark de Claude obligatoire pour chaque utilisateur en August 2026. Si vous écrivez avec l’aide de AI sous quelque forme que ce soit, ces trois décisions influencent désormais la manière dont vos documents sont évalués.
Le watermarking est passé d’un sujet de recherche à une actualité grand public le August 11, 2026, lorsque Anthropic a annoncé que chaque nouveau modèle Claude marque sa sortie textuelle. Nous avons couvert cette annonce en détail dans notre explication du watermark de Claude. Ce guide présente la vue d’ensemble complète : ce qu’est un watermark de texte, comment chacun des trois grands laboratoires l’a mis en œuvre ou retenu, et ce que chaque système prouve à propos d’un texte.
Qu’est-ce qu’un watermark de texte AI ?
Un watermark de texte AI est un motif statistique caché dans les choix de mots du texte généré, inséré au moment de la génération afin qu’un détecteur disposant de la bonne clé puisse ensuite vérifier que le texte provient d’un système AI spécifique. Ce n’est pas une étiquette visible, ni un caractère caché, ni des métadonnées attachées à un fichier. La marque vit dans les mots eux-mêmes.
Cette distinction est importante, car le terme "watermark" est utilisé de façon large pour trois choses différentes :
| Ce que c’est | Où cela se trouve | Résiste au copier-coller ? | |
|---|---|---|---|
| Watermark statistique | Un biais dans les mots que le modèle choisit | Le texte lui-même | Oui |
| Métadonnées de fichier (C2PA) | Une étiquette de provenance signée | Le conteneur du fichier | Non, un copier-coller de texte brut l’enlève |
| Caractères à largeur nulle | Unicode invisible inséré dans le texte | Entre les caractères visibles | Non, retiré très facilement |
Le watermarking statistique est le seul des trois qui survit à la copie, au collage, à la réécriture dans un nouveau document et à la conversion de format. C’est pourquoi les trois grands laboratoires se sont tous tournés vers lui pour le texte, et pourquoi les "watermark removers" qui suppriment les caractères invisibles ne font rien contre lui. Notre page free Claude watermark remover documente ce mode d’échec avec des sources.
Comment fonctionne réellement le filigranage statistique ?
À chaque étape de la rédaction d'une phrase, un modèle de langage choisit entre plusieurs mots presque équivalents, et un watermark charge discrètement les dés. La recette fondatrice a été publiée par Kirchenbauer et ses collègues à l'Université du Maryland en janvier 2023, dans A Watermark for Large Language Models (ICML 2023). Elle fonctionne ainsi :
- Avant que chaque mot ne soit choisi, une clé secrète dérivée des mots précédents divise le vocabulaire en un ensemble préféré et un ensemble neutre.
- Le modèle oriente son choix vers l'ensemble préféré. « Suggérer » plutôt qu'« indiquer ». « Across » plutôt que « among ». Chaque choix individuel paraît tout à fait naturel.
- Un détecteur qui détient la clé compte combien de fois le texte tombe dans les ensembles préférés. L'écriture humaine atteint le taux attendu par hasard. Le texte watermarké l'atteint beaucoup trop souvent, et un test statistique signale l'écart.
Aucun mot pris isolément ne prouve quoi que ce soit. Le signal n'apparaît qu'au fil de dizaines ou de centaines de choix, ce qui explique pourquoi les passages plus longs sont plus faciles à tester que les courts, et pourquoi la détection reste toujours probabiliste plutôt qu'un verdict oui/non.
Le système de production de Google DeepMind, publié dans Nature en octobre 2024 sous le titre Scalable watermarking for identifying large language model outputs, a affiné cela grâce à une technique appelée tournament sampling, qui préserve suffisamment bien la qualité du texte pour fonctionner silencieusement à grande échelle dans un produit grand public. Cet article compte au-delà de Google : il constitue la base publiée que Anthropic cite pour l'implémentation de Claude.
La principale faiblesse avait été publiée avant la plupart des déploiements. En mars 2023, Krishna et ses collègues ont montré dans Paraphrasing evades detectors of AI-generated text (NeurIPS 2023) que régénérer la formulation d'un passage fait s'effondrer la détection, watermarking compris. Le signal vit dans la séquence exacte de tokens et nulle part ailleurs, donc tout ce qui réécrit la séquence, y compris un éditeur humain, réécrit aussi les preuves. Chaque éditeur qui déploie un watermark aujourd'hui indique cette limite dans sa propre documentation.
OpenAI: l’entreprise qui l’a inventé et ne l’a jamais lancé
OpenAI dispose depuis des années d’un filigrane textuel fonctionnel et a choisi, jusqu’à présent, de ne pas le publier. L’idée a été décrite publiquement pour la première fois par Scott Aaronson, alors chargé de la sécurité chez OpenAI, dans une conférence de novembre 2022 : biaiser les choix du modèle entre des mots presque équivalents au moyen d’une fonction cryptographique secrète, de sorte que le texte lui-même prouve d’où il vient. Cette conférence précède tous les systèmes déployés et constitue le document fondateur du domaine.
En mai 2024, OpenAI a décrit l’état du projet dans sa mise à jour sur la provenance, Comprendre la source de ce que nous voyons et entendons en ligne. L’entreprise a indiqué que sa méthode de filigrane textuel était précise et efficace face à de petites modifications, mais qu’elle retenait sa publication en attendant d’évaluer les arbitrages. Deux des risques cités par OpenAI concernent directement les auteurs universitaires :
- Contournement facile. La paraphrase ou la traduction du texte supprime la marque, exactement comme l’avaient prévu les recherches de 2023. Un filigrane qui ne repère surtout que les personnes ignorant son existence est un outil de mise en application faible.
- Impact disproportionné sur les anglophones non natifs. OpenAI a déclaré que le filigrane pourrait stigmatiser l’usage légitime de l’AI comme aide à la rédaction pour les personnes écrivant dans une deuxième langue. Notre article sur pourquoi les détecteurs AI signalent les auteurs non natifs aborde le même problème du côté des détecteurs.
La propre mise à jour sur la provenance d’OpenAI : la méthode fonctionne, et l’entreprise expose les raisons pour lesquelles elle ne l’a pas lancée.
Pour les images et l’audio, OpenAI a choisi une autre voie : les métadonnées de provenance C2PA dans les sorties de DALL-E et de Sora, qui constituent une étiquette au niveau du fichier plutôt qu’une marque intégrée au contenu. Pour le texte, à la fin août 2026, les sorties de ChatGPT ne portent aucun filigrane. L’entreprise qui a proposé cette technologie reste la seule des trois à ne l’avoir jamais déployée.
Google: le premier à l’avoir lancé, puis à en avoir donné la recette
Google DeepMind a été le premier à le lancer, a tout publié, puis a ouvert la méthode. Son système, SynthID, a commencé comme un filigrane pour les images en 2023 et s’est étendu au texte en 2024. Au moment où l’article de Nature est paru en octobre 2024, SynthID-Text fonctionnait déjà à l’intérieur de Gemini en production, ce qui en faisait le premier filigrane textuel statistique déployé à l’échelle grand public.
SynthID couvre le texte, les images, l’audio et la vidéo, et il est actif dans les sorties textuelles de Gemini depuis octobre 2024.
Google a ensuite publié l’implémentation en tant que logiciel libre sur Hugging Face, permettant à tout développeur d’appliquer le même schéma de filigrane à ses propres modèles. En mai 2025, l’entreprise a annoncé le SynthID Detector, un portail de vérification où le contenu peut être contrôlé pour détecter des marques SynthID sur le texte, les images, l’audio et la vidéo.
Une limite de périmètre est importante : SynthID ne marque et ne détecte que le contenu issu des propres modèles de Google. Il ne dit rien sur les sorties de ChatGPT ou de Claude, et un scan SynthID vierge ne signifie pas qu’un texte est rédigé par un humain. Cela signifie seulement que les modèles de Google ne l’ont pas écrit, ce qui est une affirmation beaucoup plus étroite.
Anthropic: dernier à agir, politique la plus stricte
Anthropic a été déployé le plus tard, avec la couverture obligatoire la plus large. Chaque modèle Claude lancé le 2 août 2026 ou après intègre un filigrane statistique dans sa sortie textuelle, dans le monde entier, sur tous les forfaits, sans possibilité de refus. L'entreprise décrit le mécanisme dans son explication, How Claude's text watermark works, et le périmètre de la politique dans son article du centre d'aide, How Claude marks AI-generated content : l'API Claude, claude.ai, Claude Code, Claude Cowork et Claude Tag sont tous concernés. Les modèles lancés avant la date limite se trouvent dans une période de transition, et Anthropic indique qu'elle y ajoute également la prise en charge du marquage. En plus de la marque statistique, les fichiers générés par Claude portent aussi des métadonnées C2PA, un second système distinct que la simple copie du texte brut supprime.
La politique, selon les propres termes d'Anthropic : chaque nouveau modèle, chaque plateforme, dans le monde entier, avec ajout des anciens modèles.
La documentation d'Anthropic énonce les limites sans détour. La détection est probabiliste. La marque ne peut pas distinguer un document qu Claude a rédigé d'un document qu'un humain a rédigé puis que Claude a légèrement modifié. Une réécriture complète la supprime. Nous avons expliqué tout cela, y compris ce qu'une détection positive prouve réellement et quoi faire si votre propre texte est marqué, dans le guide dédié au filigrane Claude.
Le calendrier suit la réglementation. Anthropic a signé le Code de pratique de l'article 50(2) sur la transparence du contenu généré par AI dans le cadre du EU AI Act, qui exige des fournisseurs de systèmes d'AI générative qu'ils veillent à ce que les sorties soient "marked in a machine-readable format and detectable as artificially generated." Ces obligations de transparence sont devenues applicables le 2 août 2026 : la date exacte de coupure dans la politique des modèles d'Anthropic, neuf jours avant l'annonce publique. Anthropic a choisi de se conformer à l'échelle mondiale plutôt que de maintenir un comportement distinct pour le trafic de l'UE. Google était déjà conforme par conception. La sortie textuelle non marquée d'OpenAI reste la question ouverte de conformité pour 2027.
Les trois approches, côte à côte
| OpenAI | Google DeepMind | Anthropic | |
|---|---|---|---|
| Filigrane textuel déployé ? | Non | Oui (Gemini, depuis oct 2024) | Oui (modèles Claude à partir du 2 août 2026) |
| Technique | Biais d'échantillonnage cryptographique (conçu, non publié) | Échantillonnage de tournoi SynthID-Text | Marque statistique d'échantillonnage, de type SynthID |
| Couverture | Aucune pour le texte | Modèles Google uniquement | Tous les nouveaux modèles Claude ; anciens modèles en transition |
| Option de refus | Sans objet | Non | Non |
| Détecteur public | Non | Portail SynthID Detector (2025) | Prévu, pas encore publié |
| Schéma publié ? | Seulement des conférences conceptuelles | Article dans Nature + code source ouvert | Explication, basée sur des travaux publiés |
| Métadonnées de fichier (C2PA) | Oui, images et audio | Oui, sur tous les médias | Oui, sur les fichiers générés |
| Limites annoncées | Contournement, stigmatisation pour l'ESL | Portée limitée à ses propres modèles | Probabiliste, les modifications brouillent l'attribution |
Le schéma qui se dégage de ces colonnes : OpenAI traite le filigrane textuel comme un problème de politique non résolu, Google le traite comme une infrastructure à standardiser, et Anthropic le traite comme une obligation de conformité à mettre en œuvre intégralement.
Ce que cela signifie pour les chercheurs et les auteurs académiques
Les conséquences pratiques dépendent des outils qui touchent votre texte. Si vous rédigez avec ChatGPT, votre texte ne porte aujourd'hui aucun filigrane. Si vous rédigez avec Gemini, il porte une marque SynthID que seul le détecteur de Google peut lire. Si vous rédigez ou modifiez avec un modèle Claude actuel, il porte la marque d'Anthropic, et il n'existe aucun réglage pour la désactiver.
Trois choses que les auteurs académiques devraient savoir :
Un filigrane identifie un outil, pas un auteur. Chaque fournisseur l'indique dans sa propre documentation, et il est utile de le répéter, car les politiques institutionnelles ne font pas toujours la distinction. Un texte peut être marqué parce qu'une AI l'a rédigé, parce qu'une AI a corrigé deux phrases, ou parce qu'un paragraphe marqué a été cité. Si votre institution effectue des vérifications de filigrane, ce que la vérification prouve, c'est qu'un modèle précis a touché le texte à un moment donné, rien de plus. Notre guide sur faire appel d'un faux signalement de détection d'AI explique comment formuler cet argument lorsque cela compte.
Les filigranes et les détecteurs d'AI sont des technologies différentes avec des modes d'échec différents. Les détecteurs comme Turnitin ou GPTZero devinent à partir du style statistique, avec les problèmes de précision que nous avons documentés. La détection de filigrane est un test basé sur une clé avec un très faible taux de faux positifs sur du texte humain non marqué. L'asymétrie s'inverse pour les faux négatifs : une vérification de filigrane manque tout texte d'AI provenant d'un modèle sans filigrane, ce qui inclut aujourd'hui l'ensemble de ChatGPT.
La divulgation reste votre position la plus solide. Le filigrane rend l'usage discret de l'AI plus risqué et l'usage déclaré de l'AI plus sûr, car un flux de travail déclaré n'a rien à craindre d'une marque positive. La plupart des revues et des universités ont désormais des politiques explicites d'utilisation de l'AI ; notre politique d'utilisation de l'AI explique comment nous traçons ces limites dans nos propres outils, et constitue un modèle raisonnable de ce à quoi ressemble un usage transparent.
Ce qui supprime un filigrane de texte, et ce qui ne le supprime pas
Réécrire le supprime ; le reformatage ne le fait pas. Copier, coller, changer de police, convertir entre des formats de fichier et supprimer des caractères invisibles laissent tous un filigrane statistique entièrement intact, car la marque réside dans le choix des mots. Ce qui le supprime, c'est tout ce qui régénère le texte : une profonde révision humaine, une traduction ou une véritable paraphrase, comme l'a établi le travail de robustesse de NeurIPS 2023 avant le lancement de ces systèmes.
Les deux directions comptent ici. La disparition de la marque ne fait pas de ce texte le vôtre, et la persistance de la marque ne signifie pas que le texte n'est pas le vôtre. Un brouillon d'AI réécrit reste un document assisté par l'AI auquel s'appliquent les règles de divulgation de votre institution. Notre humanizer de texte AI réécrit les brouillons assistés par l'AI dans un registre académique naturel, et comme ce processus régénère la séquence de jetons, les marques statistiques ne lui survivent pas. Pour le texte Claude en particulier, le suppresseur gratuit de filigrane Claude reformule chaque phrase avec un wording neuf tout en conservant inchangés les faits, les chiffres et les citations. Ce qu'aucun outil ne peut changer, c'est ce que vous devez à votre lecteur : la transparence sur la manière dont le document a été produit.
La réécriture est l'opération qui supprime une marque statistique, et c'est ce que fait cet outil, phrase par phrase.
Où cela va ensuite
Surveillez trois choses jusqu'en 2027. D'abord, si OpenAI livre: l'application de l'Article 50 dans l'UE fait de la position « construit mais non publié » une posture de plus en plus coûteuse pour le texte. Ensuite, si les détecteurs convergent: un monde où chaque grand laboratoire appose un filigrane avec un schéma publié est un monde où les universités vérifient des clés au lieu de deviner à partir du style, ce qui serait une vraie amélioration par rapport à la détection actuelle sujette aux faux positifs. Enfin, si l'interopérabilité arrive: aujourd'hui, trois laboratoires signifient trois marques incompatibles et aucune vérification universelle. C2PA comble cette lacune pour les fichiers; rien ne la comble encore pour le texte brut.
ChatGPT appose-t-il un filigrane sur son texte ?
Non. En date d'août 2026, OpenAI a mis au point une méthode de filigrane pour le texte mais ne l'a pas déployée, une position que l'entreprise a expliquée dans sa mise à jour sur la provenance de mai 2024. Le texte généré par ChatGPT ne porte ni filigrane statistique ni caractères cachés. OpenAI applique bien des métadonnées de provenance C2PA aux fichiers médias DALL-E et Sora, ce qui constitue un système distinct, au niveau du fichier.
Gemini de Google appose-t-il un filigrane sur son texte ?
Oui. La sortie de Gemini porte le filigrane SynthID-Text de Google DeepMind depuis octobre 2024. Il s'agit d'une marque statistique dans le choix des mots, invisible pour les lecteurs, et vérifiable via le détecteur SynthID de Google. Elle ne s'applique qu'aux propres modèles de Google, donc un résultat SynthID négatif ne dit rien sur du texte provenant d'autres systèmes d'AI.
Claude appose-t-il un filigrane sur son texte ?
Oui. Chaque modèle Claude lancé à partir du 2 août 2026 ou après intègre un filigrane statistique dans sa sortie textuelle, sur toutes les plateformes et tous les plans, sans possibilité de désactivation, et les fichiers générés par Claude portent en plus des métadonnées C2PA. Les modèles lancés avant cette date ne marquent pas encore leur sortie; Anthropic indique qu'il ajoute cette capacité pendant une période de transition. Tous les détails figurent dans notre explication sur le filigrane de Claude.
Les universités peuvent-elles détecter les filigranes d'AI ?
Uniquement avec la coopération du fournisseur, car la détection nécessite la clé du fournisseur. Google propose un portail de détection public pour le contenu SynthID. Anthropic indique qu'un support de détection pour les utilisateurs et les tiers est prévu, mais n'a pas encore publié de détecteur public. Aucune suite de plagiat grand public ne peut actuellement vérifier les filigranes statistiques de quelque laboratoire que ce soit, donc la « détection d'AI » institutionnelle aujourd'hui signifie encore une estimation fondée sur le style, et non une vérification de filigrane.
Le filigranage de l'AI est-il exigé par la loi ?
Dans l'UE, oui de fait. L'article 50(2) de l'EU AI Act exige des fournisseurs d'AI générative qu'ils veillent à ce que les sorties soient marquées dans un format lisible par machine et détectables comme étant générées artificiellement, avec des obligations de transparence applicables à partir du 2 août 2026. Anthropic a signé le Code of Practice associé et a choisi une conformité mondiale. La manière dont les régulateurs traiteront le filigrane textuel non publié d'OpenAI est la question à surveiller en 2027.
Les filigranes d'AI survivent-ils à la traduction ?
Non. Un filigrane statistique vit dans la séquence exacte de mots choisie par le modèle, et la traduction remplace chaque mot. Il en va de même pour une paraphrase profonde et une édition humaine lourde. Cette limitation est documentée dans la littérature évaluée par les pairs et reconnue par chaque fournisseur qui déploie un filigrane.
Sources
- Anthropic, Comment fonctionne le filigrane textuel de Claude, août 2026
- Centre d'aide Anthropic, Comment Claude marque le contenu généré par AI, 2026
- OpenAI, Comprendre la source de ce que nous voyons et entendons en ligne, mai 2024
- Google DeepMind, SynthID
- Dathathri et al., Filigranage scalable pour identifier les sorties de grands modèles de langage, Nature, octobre 2024
- Google, Annonce du détecteur SynthID, mai 2025
- Hugging Face, Présentation de SynthID Text, octobre 2024
- Kirchenbauer et al., Un filigrane pour les grands modèles de langage, ICML 2023
- Krishna et al., Le paraphrasage échappe aux détecteurs de texte généré par AI, NeurIPS 2023
- Scott Aaronson, Ma conférence sur la sécurité de AI pour l'altruisme efficace à UT, novembre 2022
- Union européenne, AI Act, article 50
- C2PA, Coalition pour la provenance et l'authenticité du contenu
Dana est créatrice de contenu chez ProofreaderPro, où elle gère le blog et les opérations de rédaction quotidiennes. Elle rédige les articles sur le fonctionnement de la plateforme d'édition en ligne et traite quotidiennement les messages des clients, avec un score de satisfaction de cinq étoiles à afficher.
