Anthropic marca con agua cada texto de Claude y cuesta 4 centavos borrarla

Desde el 2 de agosto de 2026, cada texto que genera Claude lleva una marca de agua invisible. Anthropic activó el sistema a nivel global para cumplir con el Código de Transparencia de la EU AI Act, que exige que los contenidos generados por inteligencia artificial sean identificables por sistemas informáticos. La medida, técnicamente impecable, ha destapado una incomodidad que muchos preferían no nombrar: ¿cuánta gente estaba usando Claude como si fuera un empleado fantasma?

En Reddit, el descontento estalló con la intensidad de quien se sabe descubierto. Un usuario con el pseudónimo visionode publicó un post que, pese a la hipérbole, captura el nervio de la discusión: "¿Quién será atrapado? Tú. El estudiante que usó Claude para reorganizar un párrafo. El periodista que le pidió al asistente que resumiera una transcripción de doscientas páginas. El escritor que tenía bloqueo creativo y pidió sinónimos. Todos ellos salen del proceso con un tatuaje digital en la frente". La reacción de la comunidad fue mixta: algunos se burlaron abiertamente, otros defendieron la marca de agua como una herramienta necesaria contra el engaño.

La indignación no es ingenua. Detrás del reclamo late una pregunta legítima: ¿qué ocurre cuando la herramienta que usas para ser más productivo te convierte en sospechoso automático? Un usuario más matizado señaló la ironía de que un modelo entrenado con el trabajo de millones de personas ahora reclame autoría mediante una marca invisible. "Tener una IA que marca tu trabajo como propio es aterradoramente irónico considerando cómo consiguieron sus datos de entrenamiento", escribió.

El mecanismo que Anthropic ha desplegado opera en la etapa de muestreo del modelo, no dentro de la red neuronal misma, lo que significa que ni siquiera Claude sabe que está siendo marcado. En cada paso de generación, una función pseudoaleatoria divide el vocabulario en dos conjuntos: tokens "verdes" y "rojos". Los tokens verdes reciben un sesgo estadístico positivo, lo que hace que aparezcan con más frecuencia en el texto final sin alterar el sentido. Para detectar la marca basta con aplicar una prueba estadística sobre la proporción de tokens verdes en el texto sospechoso. El método pertenece a la familia KGW, bautizada por sus creadores Kirchenbauer, Geiping y Wen en un artículo de ICML 2023.

Pero el talón de Aquiles del sistema no es su precisión técnica, sino su propia arquitectura de cumplimiento. La EU AI Act exige que los proveedores pongan a disposición de terceros una API de detección pública. Anthropic ha confirmado que esa API está en desarrollo: un endpoint al que cualquiera podrá enviar texto arbitrario y recibir un veredicto sobre si fue generado por Claude. Y ahí está el problema. Una API pública de detección es, al mismo tiempo, un oráculo de evasión perfecto: cualquier adversario puede iterar paráfrasis contra la API hasta que la marca desaparezca. A los precios actuales de los modelos frontier, una paráfrasis de mil palabras cuesta aproximadamente cuatro centavos de dólar.

No es teoría. Un estudio forense publicado en julio de 2026 en arXiv probó tres métodos de marcado líderes (KGW, Unigram y SynthID-Text de Google DeepMind) contra paráfrasis que preservaban el significado. En 846 ejecuciones, cada texto marcado con KGW o Unigram perdió la marca tras una sola pasada de paráfrasis. La tasa de eliminación para SynthID fue del 98,3%. Anthropic no ha publicado las tasas de resistencia a paráfrasis de su propio método.

El mismo estudio evaluó si las pruebas de watermarking superan el estándar Daubert que los tribunales estadounidenses exigen para la admisión de evidencia científica. Ninguno de los tres métodos cumplió más de dos de los cinco factores Daubert. La tasa de falsos positivos de SynthID sobre textos humanos parafraseados fue del 5,4%, y presentó una tasa de paradoja del 18,6%: en el 80% de su propio output marcado, el sistema no podía determinar si el texto estaba o no marcado.

Para América Latina, el timing de esta medida es particularmente incómodo. La región no cuenta con una regulación equiparable a la EU AI Act. Países como Brasil avanzan con proyectos de ley, Argentina discute borradores, y México y Chile aún no tienen marcos específicos. Esto significa que las empresas latinoamericanas que usan Claude para generar informes, código o contenido de marketing se encuentran en una zona gris: la marca de agua está allí por decisión unilateral de una empresa estadounidense que atiende a un regulador europeo, sin que exista un correlato legal local que defina cómo debe usarse esa información.

Un empleado que use Claude para redactar un informe y lo presente como propio podría ser detectado si la empresa decide auditar, pero sin un marco regulatorio que delimite derechos y obligaciones, la detección abre más preguntas que respuestas.

El costo potencial para las empresas latinoamericanas no es menor. Si un corrector automático de estilo o un asistente de redacción interno se basa en Claude, y el output queda marcado sin que el usuario lo sepa, cualquier proceso de revisión o certificación de originalidad podría encontrar señales de watermarking que no necesariamente implican un uso indebido. Y si un competidor o un regulador local decidiera usar la API de detección para auditar a una empresa, el margen de error del 5,4% de falsos positivos sobre textos humanos se traduce en acusaciones potencialmente erróneas.

La paradoja final es que la transparencia exigida por la UE termina creando un mercado de evasión de cuatro centavos por paráfrasis. Los usuarios que genuinamente quieren ocultar su uso de IA lo harán con facilidad; los que no saben que la marca existe seguirán siendo detectables. La medida no castiga al tramposo sofisticado, sino al usuario que simplemente no está al tanto. En un ecosistema donde los modelos abiertos no tienen watermarking, y donde los cerrados como Claude sí lo tienen, el resultado previsible es una carrera armamentista de elusión que beneficia a quienes tienen más recursos para iterar contra las APIs de detección. ¿Hasta qué punto una regulación diseñada para proteger termina profundizando la asimetría de información entre quienes pueden y quienes no pueden ocultar su huella digital?