Claude-Code-Wasserzeichen: Wie Anthropic KI-Texte erkennbar macht
Artikel-Übersicht
Seit August 2026 markiert Anthropic die Ausgaben seiner Claude-Modelle maschinenlesbar, und zwar auf Modellebene. Das betrifft die Claude-App ebenso wie die API, Claude Code, Claude Cowork und Claude Tag. Texte bekommen ein unsichtbares statistisches Wasserzeichen, erzeugte Dateien wie PNG oder JPEG signierte Herkunftsdaten nach dem offenen Standard C2PA. Prüfen kann das Textwasserzeichen nur, wer den geheimen Schlüssel hat, also Anthropic, und den Zugang gibt es bisher nur in einer geschlossenen Vorschau.
Im Artikel KI-Inhalte erkennen habe ich die beiden Grundverfahren der KI-Erkennung beschrieben: eingebettete Wasserzeichen und nachträgliche Mustererkennung. Dort blieb das Wasserzeichen bei Text eher Theorie. Mit Anthropics Ankündigung vom 11. August 2026 ist es Praxis geworden, und zwar in einem Werkzeug, mit dem ich jeden Tag arbeite. Deshalb schaue ich mir hier genauer an, was technisch passiert, wenn Claude Code einen Text schreibt, und was davon übrig bleibt, wenn jemand ihn prüfen will.
Ein Hinweis zur Quellenlage vorab: Anthropic beschreibt auf seiner Hilfeseite, dass markiert wird, aber nicht im Detail, wie. Dass dahinter eine Variante von Googles SynthID-Text steckt, berichten mehrere Quellen, darunter ein Fachaufsatz auf arXiv. Offiziell bestätigt ist das Verfahren nicht. Wo ich die Technik erkläre, beschreibe ich deshalb das veröffentlichte SynthID-Verfahren und das Prinzip dahinter.
Was Anthropic angekündigt hat
Alle Claude-Modelle, die ab dem 2. August 2026 in der EU erscheinen, markieren ihre Ausgaben von Anfang an. Ältere Modelle werden nachgerüstet. Die Markierung gilt weltweit und unabhängig davon, über welches Produkt der Text entsteht.
Anlass ist der Verhaltenskodex zur Transparenz KI-generierter Inhalte, mit dem die EU Artikel 50 Absatz 2 der KI-Verordnung ausgestaltet. Anthropic hat ihn unterzeichnet, ebenso Google, Meta, Microsoft, OpenAI und andere. Artikel 50 verlangt, dass Anbieter generativer Systeme ihre Ausgaben maschinenlesbar als künstlich erzeugt kennzeichnen.
Die wichtigsten Punkte aus der Hilfeseite „How Claude marks AI-generated content“:
| Aspekt | Regelung |
|---|---|
| Betroffene Modelle | ab 2. August 2026 veröffentlichte Modelle von Beginn an, ältere werden nachgerüstet |
| Betroffene Produkte | Claude Platform (API), Claude, Claude Code, Claude Cowork, Claude Tag |
| Cloud-Partner | Textwasserzeichen auch über AWS Bedrock, Google Cloud und Microsoft Foundry |
| Text | unsichtbares Wasserzeichen, soll Bedeutung und Lesbarkeit nicht verändern |
| Dateien | signierte Content Credentials nach C2PA, etwa für PNG und JPEG |
| Prüfung von Dateien | kostenloser Claude Content Checker |
| Prüfung von Text | Watermark Detection, nur geschlossene Vorschau |
| Abschalten | nicht vorgesehen |
Die Markierung von Claude-Ausgaben im Überblick, Stand November 2026.
Weil das Wasserzeichen im Modell und nicht in der Oberfläche sitzt, macht es keinen Unterschied, ob ein Text im Chat, über die API oder in Claude Code entsteht. Für Claude Code bedeutet das: Commit-Messages, READMEs, Dokumentation, Kommentare und auch Blogartikel, die du mit dem Werkzeug schreibst, tragen das Zeichen, sofern das verwendete Modell unterstützt wird.
Drei Ebenen: sichtbar, unsichtbar, signiert
Claude Code kennzeichnet seine Arbeit auf drei sehr unterschiedlichen Wegen. Nur einer davon ist für Menschen sichtbar, und gerade der ist am leichtesten zu entfernen.
┌──────────────────────────────────────────────────────────────┐
│ 1. SICHTBARE ATTRIBUTION (nur Claude Code) │
│ Git-Trailer "Co-Authored-By: Claude …" in Commits │
│ "Generated with Claude Code" in Pull Requests │
│ → jeder sieht es · per Einstellung abschaltbar │
├──────────────────────────────────────────────────────────────┤
│ 2. TEXTWASSERZEICHEN (Modellebene, alle Produkte) │
│ statistisches Muster in der Wortwahl │
│ → unsichtbar · reist beim Kopieren mit │
│ → prüfbar nur mit geheimem Schlüssel (Anthropic) │
├──────────────────────────────────────────────────────────────┤
│ 3. CONTENT CREDENTIALS / C2PA (erzeugte Dateien) │
│ kryptografisch signierte Herkunftsdaten in den Metadaten │
│ → jeder kann prüfen · verschwindet beim Neuspeichern │
└──────────────────────────────────────────────────────────────┘Die drei Ebenen der Kennzeichnung bei Claude Code.
Die sichtbare Attribution in Commits
Die älteste Kennzeichnung hat mit dem neuen Wasserzeichen nichts zu tun. Wenn Claude Code einen Commit anlegt, hängt es standardmäßig einen Git-Trailer an:
Fix race condition in upload queue
Co-Authored-By: Claude <noreply@anthropic.com>In Pull-Request-Beschreibungen steht ein Hinweis wie „Generated with Claude Code“. GitHub wertet den Trailer aus und zeigt Claude als Co-Autor des Commits an. Das ist eine Höflichkeit, kein Schutzmechanismus: Über die Einstellung attribution in der settings.json lässt sich der Text ändern oder ganz abschalten.
{
"attribution": {
"commit": "",
"pr": "",
"sessionUrl": false
}
}Unternehmen können die Einstellung über Managed Settings vorgeben. Wer in einem Team nachvollziehen will, welche Commits mit KI-Unterstützung entstanden sind, hat damit ein brauchbares und vor allem ehrliches Werkzeug, solange alle mitspielen. Gegen jemanden, der nicht mitspielen will, hilft es nicht.
C2PA für erzeugte Dateien
Wenn Claude Dateien erzeugt, etwa Bilder oder Diagramme, hängt es Content Credentials nach dem C2PA-Standard an. Das ist ein Manifest in den Metadaten der Datei: wer sie erzeugt hat, mit welchem Werkzeug, wann, und eine kryptografische Signatur darüber. Wer die Datei verändert, ohne das Manifest neu zu signieren, bricht die Signatur. Jeder kann das mit öffentlichen Werkzeugen prüfen, Anthropic bietet dafür den kostenlosen Claude Content Checker an.
Die Schwäche ist offensichtlich: Metadaten überleben keinen Screenshot, und viele Plattformen entfernen sie beim Hochladen automatisch. C2PA beweist also zuverlässig, dass eine Datei von Claude stammt, wenn das Manifest da ist. Fehlt es, beweist es gar nichts.
Wie ein Textwasserzeichen funktioniert
Ein Textwasserzeichen versteckt nichts im Text, keine Sonderzeichen und keine unsichtbaren Unicode-Zeichen. Es verschiebt die Wortwahl des Modells nach einem geheimen, pseudozufälligen Muster. Einzelne Wörter verraten nichts, erst über viele Wörter wird das Muster statistisch messbar.
Um das zu verstehen, muss man wissen, wie ein Sprachmodell Text erzeugt. Es wählt Token für Token. Für jede Position berechnet es eine Wahrscheinlichkeitsverteilung über sein gesamtes Vokabular und zieht daraus das nächste Token. Nach „Der Server ist“ haben etwa „ausgefallen“, „erreichbar“, „überlastet“ und „neu“ jeweils eine gewisse Wahrscheinlichkeit. Genau in diesem Ziehen steckt Spielraum, und den nutzt das Wasserzeichen.
Das Grundprinzip: grüne und rote Wörter
Das einfachste Verfahren stammt von Kirchenbauer und Kollegen von der University of Maryland aus dem Jahr 2023. Es funktioniert so:
- Aus den letzten Token vor der aktuellen Position und einem geheimen Schlüssel wird ein Zufallswert berechnet, im Prinzip ein Hash.
- Dieser Wert teilt das Vokabular in zwei Hälften: eine „grüne Liste“ und eine „rote Liste“.
- Das Modell bekommt einen kleinen Bonus auf alle grünen Token und wählt sie dadurch etwas häufiger.
Weil die Einteilung vom Kontext abhängt, ist an jeder Stelle ein anderes Wort grün. Ein Mensch, der den Schlüssel nicht kennt, sieht nur normalen Text. Wer den Schlüssel hat, kann für jedes Wort nachrechnen, ob es grün oder rot war.
Kontext: "Der Server ist" + geheimer Schlüssel
│
▼
Hash → Einteilung des Vokabulars
│
grün: ausgefallen · überlastet · seit · wieder …
rot: erreichbar · neu · gerade · heute …
│
▼
Modell bevorzugt leicht die grünen Kandidaten
→ "Der Server ist überlastet"Bei jedem Token entscheidet ein Hash aus Kontext und Schlüssel, welche Wörter bevorzugt werden.
Die Prüfung ist reine Statistik
Bei menschlichem Text landet ungefähr die Hälfte der Wörter zufällig auf der grünen Liste. Bei markiertem Text sind es deutlich mehr. Die Prüfung zählt die grünen Treffer und fragt, wie wahrscheinlich diese Zahl wäre, wenn kein Wasserzeichen im Spiel wäre. Das ist ein klassischer Hypothesentest:
import math
def wasserzeichen_score(gruene_treffer: int, tokens: int, gamma: float = 0.5) -> float:
"""z-Score: Wie viele Standardabweichungen liegt der Anteil
grüner Token über dem, was man zufällig erwarten würde?"""
erwartet = gamma * tokens
streuung = math.sqrt(tokens * gamma * (1 - gamma))
return (gruene_treffer - erwartet) / streuung
# 200 Token, davon 135 grün statt der zufällig erwarteten 100
print(wasserzeichen_score(135, 200)) # ≈ 4,95 → sehr wahrscheinlich markiert
# 20 Token, davon 13 grün statt 10
print(wasserzeichen_score(13, 20)) # ≈ 1,34 → nicht unterscheidbar von ZufallDas Beispiel zeigt die wichtigste Eigenschaft gleich mit: Die Länge entscheidet. Derselbe Anteil grüner Wörter ist bei 200 Token ein klarer Befund und bei 20 Token Rauschen. Kurze Texte, einzelne Sätze oder eine knappe Commit-Message lassen sich deshalb grundsätzlich nicht zuverlässig prüfen.
Wichtig ist auch, was die Prüfung nicht braucht: das Sprachmodell. Es genügen der Schlüssel, der Tokenizer und die Rechenvorschrift. Die Prüfung ist schnell und billig, aber eben nur für den, der den Schlüssel hat.
SynthID-Text: Turniere statt Bonuspunkte
Das Green-List-Verfahren hat einen Nachteil: Der Bonus verzerrt die Verteilung des Modells messbar, die Textqualität kann leiden. Google DeepMind hat deshalb SynthID-Text entwickelt, das 2024 in Nature erschienen ist und in Gemini im Einsatz ist. Laut dem arXiv-Aufsatz von Nemecek, Chaudhary und Ayday vom September 2026 nutzt Anthropic ebendieses Verfahren.
SynthID-Text ersetzt den Bonus durch ein sogenanntes Tournament Sampling:
- Das Modell zieht nicht ein Token, sondern mehrere Kandidaten ganz normal aus seiner Verteilung.
- Die Kandidaten treten paarweise gegeneinander an, über mehrere Runden wie bei einem Turnier.
- In jeder Runde gewinnt das Token mit dem höheren Wert einer geheimen Zufallsfunktion, der sogenannten g-Funktion. Sie hängt wieder vom Kontext und vom Schlüssel ab.
- Der Turniersieger wird ausgegeben.
Der Clou: Weil alle Kandidaten aus der echten Verteilung des Modells stammen, bleibt die Wahl im Mittel so, wie das Modell sie ohnehin getroffen hätte. Google beschreibt eine „nicht verzerrende“ Konfiguration, die die Textqualität erhält, und eine verzerrende, die das Signal auf Kosten der Qualität verstärkt. Bei der Prüfung berechnet man für jedes Token die g-Werte und schaut, ob sie im Schnitt höher liegen als bei Zufall.
Verteilung des Modells
│
▼ ziehe 4 Kandidaten
[überlastet] [ausgefallen] [erreichbar] [überlastet]
│ │ │ │
└──── Runde 1 ┘ └── Runde 1 ─┘
g-Wert entscheidet g-Wert entscheidet
│ │
└────────── Finale ─────────┘
│
"ausgefallen"Tournament Sampling: Mehrere echte Kandidaten treten gegeneinander an, eine geheime Funktion bestimmt den Sieger.
Ein Detail dazu macht Anthropics Hilfeseite indirekt sichtbar: Für Sonnet 4.6 und Opus 4.6 heißt es, dass Ausgaben mit abweichenden Sampling-Einstellungen möglicherweise kein erkennbares Zeichen tragen. Das passt zum Verfahren. Das Wasserzeichen lebt im Sampling-Schritt, und wer dort Temperatur oder andere Parameter verändert, verändert auch, wie sauber das Muster entsteht.
Warum Code kaum ein Wasserzeichen tragen kann
Ein Wasserzeichen braucht Wahlfreiheit. Wo das Modell sich fast sicher ist, welches Token als Nächstes kommt, gibt es nichts zu verschieben. Quellcode besteht zu großen Teilen aus solchen Stellen.
Nach for (let i = 0; i < ist das nächste Token so gut wie festgelegt. Eine schließende Klammer, ein Semikolon, der Name einer Variablen, die drei Zeilen vorher eingeführt wurde: Hier hat das Modell eine Verteilung, bei der ein einziges Token fast die ganze Wahrscheinlichkeit trägt. In der Fachsprache ist das ein Text mit niedriger Entropie. Alle Kandidaten im Turnier sind dann dasselbe Token, und die g-Funktion hat nichts zu entscheiden.
Für Claude Code hat das zwei Folgen:
- Der erzeugte Code selbst ist schlecht prüfbar. Das Signal entsteht fast nur in Kommentaren, Bezeichnern und an Stellen, an denen es mehrere gleichwertige Formulierungen gibt.
- Die Prosa drumherum ist gut prüfbar. Commit-Messages mit mehreren Sätzen, Dokumentation, Erklärungen im Chat und natürlich Artikel haben genug Wahlfreiheit.
Die Sorge vieler Entwickler, das Wasserzeichen verschlechtere den Code, haben Nemecek und Kollegen mit der offenen SynthID-Implementierung an zwei offenen Modellen nachgemessen. Bei Prosa blieb der Effekt unter dem, was ein anderer Zufalls-Seed ausmacht. Bei Code sank die Korrektheit bei einem Modell um drei Prozentpunkte, beim anderen lag der Effekt unter der Messgrenze. Das ist kein Freispruch, aber auch kein Beleg für den befürchteten Qualitätsverlust. Für Anthropics tatsächlich eingesetzte Konfiguration gilt das Ergebnis nur eingeschränkt, denn die kennt außerhalb von Anthropic niemand.
Wer prüfen kann und wer nicht
Das Textwasserzeichen ist ein Geheimnis zwischen Anthropic und dem Text. Ohne den Schlüssel kann kein Dritter es zuverlässig nachweisen, und das ist Absicht.
Wäre der Schlüssel öffentlich, könnte jeder sein Prüfprogramm auch als Optimierer benutzen: so lange Wörter austauschen, bis der Score unter die Schwelle fällt. Oder umgekehrt menschlichen Text so umschreiben, dass er wie Claude-Text aussieht, und damit jemanden belasten. Deshalb läuft die Prüfung über Anthropic.
Stand November 2026 ist die Watermark Detection in einer geschlossenen Vorschau. Zugang bekommen laut Anthropic:
- Aufsichtsbehörden und Strafverfolgung
- Medien und Faktenchecker
- Forschungseinrichtungen
- Bildungseinrichtungen
- zivilgesellschaftliche Organisationen in der EU
- Unternehmen, die ihre eigenen Claude-Ausgaben prüfen wollen, etwa für eigene Pflichten aus Artikel 50
Interessenten tragen sich über ein Formular ein. Eine öffentliche Prüfung für jedermann gibt es nicht, und Anthropic hat keinen Termin genannt. Für Dateien sieht das anders aus: Den Content Checker für C2PA-Daten kann jeder benutzen.
Das hat eine praktische Konsequenz, die man kennen sollte: Kein frei verfügbarer KI-Detektor liest das Claude-Wasserzeichen. Wenn ein Online-Werkzeug behauptet, einen Text als „von Claude geschrieben“ zu erkennen, arbeitet es mit Mustererkennung, mit all den Schwächen, die ich im Artikel über KI-Detektoren beschrieben habe. Das gilt auch für Werkzeuge, die mit „Claude Watermark“ werben.
Wie robust ist das Wasserzeichen?
Leichte Bearbeitung übersteht das Zeichen, gründliches Umschreiben nicht. Anthropic sagt das selbst. Unabhängige Messungen an SynthID zeigen, dass ein Paraphrasier-Modell das Signal in den meisten Fällen entfernt.
Anthropic formuliert vorsichtig: Das Wasserzeichen bleibt beim Kopieren erhalten und „kann einige Bearbeitungen überstehen“. Das ist realistisch. Weil die Prüfung über viele Token mittelt, schadet es wenig, wenn jemand ein paar Wörter austauscht oder Sätze umstellt. Das restliche Signal reicht oft noch.
Anders sieht es aus, wenn der Text systematisch umgeschrieben wird. Das SRI Lab der ETH Zürich hat SynthID-Text Ende 2024 untersucht. Mit einem Paraphrasier-Modell gelang es in deren Versuchsaufbau in über 90 Prozent der Fälle, das Wasserzeichen zu entfernen, ohne die Textqualität zu ruinieren. Umgekehrt war das Fälschen, also menschlichen Text mit einem Wasserzeichen zu versehen, deutlich schwerer: Selbst mit 90.000 Abfragen gelang es nur in etwa 15 Prozent der Fälle, und gefälschte Texte hinterließen erkennbare Spuren.
Zusammengefasst nennt Anthropic selbst diese Gründe, warum ein Claude-Text kein erkennbares Zeichen tragen kann:
| Ursache | Warum |
|---|---|
| älteres Modell | noch nicht nachgerüstet |
| starke Bearbeitung | Paraphrase, Übersetzung, Umschreiben zerstören das Muster |
| Mischung | Claude-Absätze zwischen menschlichem Text verdünnen das Signal |
| kurzer Text | zu wenige Token für eine statistische Aussage |
| entfernte Metadaten | betrifft C2PA bei Dateien |
| nicht unterstützte Plattform oder Dateiform | keine Markierung erzeugt |
| abweichende Sampling-Einstellungen | bei Sonnet 4.6 und Opus 4.6 |
Wann ein Claude-Text ohne nachweisbares Wasserzeichen bleibt, nach Anthropics Hilfeseite.
Übersetzen ist dabei der einfachste Weg: Ein Text, den Claude auf Englisch geschrieben hat und den ein anderes Werkzeug ins Deutsche überträgt, besteht aus völlig anderen Token. Vom Muster bleibt nichts.
Was ein Treffer beweist und was nicht
Ein gefundenes Wasserzeichen heißt: Claude war beteiligt. Es heißt nicht: Claude hat den Text geschrieben. Ein fehlendes Wasserzeichen heißt gar nichts.
Dieser Punkt ist der wichtigste im ganzen Artikel, und Anthropic betont ihn selbst. Ein Treffer zeigt nur, dass ein Text durch Claude gelaufen ist. Das kann bedeuten:
- Claude hat den Text vollständig geschrieben.
- Claude hat einen menschlichen Text Korrektur gelesen.
- Claude hat einen menschlichen Text übersetzt oder zusammengefasst.
- Claude hat einen Text umformatiert, und jemand hat ihn danach stark überarbeitet.
Ein Wasserzeichen kann diese Fälle nicht unterscheiden. Wer einen eigenen Text von Claude glätten lässt, bekommt unter Umständen genau dasselbe Signal wie jemand, der den Text komplett hat schreiben lassen. Für eine Prüfungsarbeit, eine Bewerbung oder einen journalistischen Text ist das ein gewaltiger Unterschied.
Umgekehrt beweist ein fehlendes Zeichen keine menschliche Urheberschaft. Ein anderes KI-Modell ohne Wasserzeichen, ein lokales Open-Weight-Modell, ein älteres Claude-Modell oder eine Übersetzungsrunde genügen. Wer täuschen will, hat es leicht.
Das macht das Wasserzeichen nicht wertlos. Es ist ein Werkzeug für Fälle, in denen niemand aktiv täuscht: Plattformen, die Massen an KI-Inhalten markieren wollen, Faktenchecker, die prüfen, ob ein virales Statement maschinell entstanden ist, Unternehmen, die nachvollziehen wollen, wo ihre eigenen KI-Ausgaben gelandet sind. Als Beweismittel gegen eine einzelne Person taugt es allein nicht.
Die Kritik: kein Abschalten, keine Überprüfbarkeit
Anthropic bietet kein Opt-out. Das hat Widerspruch ausgelöst, vor allem aus drei Richtungen: Das Wasserzeichen verschlechtere die Qualität, gerade bei Code. Es kodiere heimlich identifizierende Informationen über den Nutzer. Und es sei leicht zu entfernen und trotzdem nicht zu vermeiden. Anthropic hält dagegen, die Qualität sei unverändert, es würden keine identifizierenden Daten eingebettet, und das Zeichen sei robust gegen leichte Bearbeitung.
Der arXiv-Aufsatz von Nemecek und Kollegen trägt den treffenden Titel „Watermarks Without Verification“. Seine These: Weder die Vorwürfe noch Anthropics Zusicherungen lassen sich derzeit überprüfen, weil niemand außerhalb Zugang zur eingesetzten Konfiguration und zu einem Prüfwerkzeug hat. Nicht das Wasserzeichen selbst sei das Problem, sondern dass man ihm glauben muss. Die Autoren fordern veröffentlichte Vergleichsausgaben, offengelegte Konfigurationen, akkreditierte Audits und eine herstellerübergreifende Prüfung.
Dem schließe ich mich an. Ein Verfahren, das über Prüfungsarbeiten und Arbeitsverträge mitentscheiden könnte, sollte nicht ausschließlich vom Hersteller selbst ausgewertet werden.
Was das für die Praxis bedeutet
Für Entwickler ändert sich im Alltag wenig. Wer Texte veröffentlicht oder prüft, sollte die Grenzen kennen.
Wenn du mit Claude Code entwickelst
- Code ist praktisch unbetroffen. Das Signal ist dort schwach, und die gemessenen Qualitätseffekte sind gering.
- Prosa trägt das Zeichen. Dokumentation, Commit-Messages und generierte Texte sind grundsätzlich prüfbar, wenn sie lang genug sind.
- Die sichtbare Attribution ist deine Entscheidung. Mit
attributionin dersettings.jsonsteuerst du den Co-Authored-By-Trailer. Ich lasse ihn an, weil er im Team ehrlich zeigt, wo KI mitgearbeitet hat.
Wenn du Texte mit Claude veröffentlichst
Artikel 50 trifft nicht nur Anbieter wie Anthropic, sondern unter Umständen auch dich als Betreiber, etwa wenn du KI-generierte Texte zu Themen von öffentlichem Interesse veröffentlichst. Das Wasserzeichen nimmt dir diese Pflicht nicht ab. Prüfe deine eigenen Kennzeichnungspflichten, einen Überblick gibt mein Artikel zu KI, Datenschutz und Recht. Anthropic rät Entwicklern ausdrücklich, ihre Pflichten aus Artikel 50 selbst einzuschätzen.
Wenn du Texte prüfen musst
- Kein öffentliches Werkzeug liest das Claude-Wasserzeichen. Online-Detektoren raten, sie prüfen nicht.
- Zugang zur echten Prüfung gibt es für Bildungseinrichtungen, Medien und Forschung über Anthropics Formular.
- Ein Treffer ist ein Hinweis, kein Urteil. Er sagt nichts darüber, wie viel Anteil Claude am Text hatte.
- Das Gespräch bleibt das bessere Prüfverfahren. Wer einen Text selbst geschrieben hat, kann ihn erklären.
Häufige Fragen
Kann ich das Wasserzeichen in Claude Code abschalten?
Nein. Das Textwasserzeichen sitzt im Modell und gilt für alle Produkte. Abschalten kannst du nur die sichtbare Attribution in Commits und Pull Requests, über die Einstellung attribution in der settings.json.
Sehe ich das Wasserzeichen im Text?
Nein. Es besteht weder aus Sonderzeichen noch aus unsichtbaren Unicode-Zeichen, sondern aus einer leicht verschobenen Wortwahl. Ein einzelnes Wort oder ein einzelner Satz verrät nichts, erst die Statistik über viele Token zeigt das Muster.
Steckt in dem Wasserzeichen meine Identität?
Laut Anthropic nicht. Das Zeichen sagt nur aus, dass ein Text durch Claude erzeugt oder bearbeitet wurde, nicht von wem. Überprüfen lässt sich diese Aussage von außen allerdings nicht.
Kann ein Online-Detektor einen Claude-Text sicher erkennen?
Nein. Der Schlüssel liegt bei Anthropic, freie Detektoren arbeiten mit statistischer Mustererkennung und liefern nur Wahrscheinlichkeiten. Die echte Wasserzeichenprüfung ist eine geschlossene Vorschau für ausgewählte Organisationen.
Betrifft das auch ältere Claude-Modelle?
Modelle, die ab dem 2. August 2026 erschienen sind, markieren von Anfang an. Ältere Modelle rüstet Anthropic schrittweise nach, die Hilfeseite nennt Sonnet 4.6 und Opus 4.6 bereits als unterstützt, allerdings nur bei Standard-Sampling-Einstellungen.
Ist das Verfahren dasselbe wie Googles SynthID?
Anthropic hat das Verfahren offiziell nicht benannt. Ein arXiv-Aufsatz vom September 2026 und mehrere Fachberichte gehen von SynthID-Text aus, das Google seit 2024 in Gemini einsetzt und als Open Source veröffentlicht hat.
Zusammenfassung und praktische Tipps
- Seit August 2026 markiert: Claude-Modelle ab dem 2. August 2026 setzen Wasserzeichen, ältere werden nachgerüstet.
- Auch Claude Code: Die Markierung sitzt im Modell und gilt für alle Produkte inklusive API und Cloud-Partnern.
- Drei Ebenen: sichtbarer Commit-Trailer, unsichtbares Textwasserzeichen, signierte C2PA-Daten für Dateien.
- Prinzip: Ein geheimer Schlüssel verschiebt die Wortwahl, eine Statistik über viele Token weist das Muster nach.
- Code bleibt schwach markiert: Wo das nächste Token feststeht, gibt es keinen Platz für ein Signal.
- Prüfen kann nur Anthropic: Die Textprüfung ist eine geschlossene Vorschau, öffentliche Detektoren lesen das Zeichen nicht.
- Leicht zu umgehen: Paraphrase, Übersetzung, Mischung und kurze Texte lassen das Signal verschwinden.
- Treffer heißt beteiligt, nicht verfasst: Korrekturlesen erzeugt dasselbe Signal wie Komplettschreiben.
- Fehlendes Zeichen beweist nichts: Andere Modelle und einfache Umwege hinterlassen keine Spur.
Mein Fazit: Das Wasserzeichen ist technisch sauber gelöst und für den Massenfall sinnvoll, also für Plattformen und Faktenchecker, die nach maschinell erzeugtem Inhalt suchen, ohne dass jemand aktiv täuscht. Als Lügendetektor für einzelne Texte taugt es nicht, und das sagt Anthropic auch selbst. Wer Texte bewerten muss, sollte sich weiterhin auf das verlassen, was schon vor der KI funktioniert hat: nachfragen und sich den Text erklären lassen.
Ressourcen
- How Claude marks AI-generated content (Anthropic) – die offizielle Hilfeseite zu Wasserzeichen, Content Credentials, Prüfung und Grenzen, abgerufen am 9. November 2026.
- Anthropic says it will watermark text generated by its AI models (TechCrunch) – Ivan Mehta, 11. August 2026, zur Ankündigung und zum EU-Hintergrund.
- Anthropic plans to add an invisible mark to AI text (Fortune) – Einordnung in die Branchenlage, 11. August 2026.
- Watermarks Without Verification (arXiv:2609.09604) – Nemecek, Chaudhary, Ayday, September 2026: Kritik und Messungen mit der offenen SynthID-Implementierung.
- Scalable watermarking for identifying large language model outputs (Nature) – Google DeepMinds Originalarbeit zu SynthID-Text und Tournament Sampling, 2024.
- A Watermark for Large Language Models (arXiv:2301.10226) – Kirchenbauer et al., 2023: das Green-List-Verfahren.
- Probing Google DeepMind's SynthID-Text Watermark (ETH Zürich) – Messungen zu Entfernen und Fälschen des Wasserzeichens.
- C2PA – Coalition for Content Provenance and Authenticity – der offene Standard für signierte Herkunftsdaten.
- Claude Code: Settings-Referenz, Abschnitt attribution – wie sich die sichtbare Kennzeichnung in Commits und Pull Requests steuern lässt.
- KI-Inhalte erkennen: was Detektoren können und was nicht – die Grundlagen der KI-Erkennung und der c't-Test von Pangram.
- KI, Datenschutz und Recht – Artikel 50 des AI Act und deine Kennzeichnungspflichten.
- KI-Coding-Assistenten: welches Werkzeug wofür – Claude Code im Vergleich mit anderen Werkzeugen.
- Transformer-Architektur: wie moderne Sprachmodelle aufgebaut sind
- Transformer-Architektur verstehen: Theorie und Konzepte (Teil 1 von 3)
- Transformer-Architektur trainieren: Praktischer Leitfaden mit PyTorch (Teil 2 von 3)
- Transformer-Architektur implementieren: Code-Erklärung Zeile für Zeile (Teil 3 von 3)
- Reasoning-Modelle erklärt: Wie „denkende" KI funktioniert und wann sie sich lohnt
- Die führenden LLM-Anbieter 2026 im großen Vergleich: Modelle, Features, Abos und API-Kosten