Anthropic acaba de publicar un cambio sobre Claude que, para mí, merece bastante más atención de la que probablemente reciba fuera del mundo técnico: los nuevos modelos compatibles van a incorporar una marca de agua invisible dentro del texto que generan. La decisión está relacionada con las nuevas obligaciones de transparencia de la Unión Europea, aunque Anthropic eligió llevarla mucho más lejos; las marcas se aplicarán en los modelos soportados donde Claude esté disponible, también cuando se utilice mediante la API, Claude Code, Claude Cowork o proveedores cloud compatibles.
En la práctica, esto significa que podremos pedirle un texto a Claude, copiarlo, pegarlo en otro documento y llevarnos una señal que no vemos junto con las palabras. Anthropic explica que esa marca estará integrada en el propio texto, por lo que podrá sobrevivir al copiado y pegado e incluso a determinadas modificaciones; más adelante, la empresa publicará la documentación técnica necesaria para que terceros puedan detectar esas señales.
Cuando leí el anuncio, me llamó la atención por una razón que tiene poco que ver con Claude: llevamos siglos intentando hacer algo parecido. Cambiaron los soportes y mejoraron muchísimo las herramientas, pero la idea de introducir información que una persona prácticamente no percibe y que puede ser descubierta mediante el procedimiento adecuado aparece una y otra vez en nuestra historia.
Primero fue la química, después llegaron la microfotografía y los patrones ocultos en impresoras; ahora estamos empezando a esconder señales dentro de la propia probabilidad con la que una inteligencia artificial construye una oración.
Qué pasó realmente el 2 de agosto con el AI Act
Antes de seguir con la historia, hay que aclarar una fecha porque es fácil contarla mal. El AI Act europeo entró en vigor el 1 de agosto de 2024; el 2 de agosto de 2026 comenzó a aplicarse buena parte de su régimen y, en particular para este tema, entraron en aplicación las obligaciones de transparencia del artículo 50.
Ese artículo introduce varias obligaciones según quién provea o utilice el sistema. Para los proveedores de determinados sistemas generativos, uno de los puntos relevantes es la incorporación de marcas legibles por máquinas que permitan detectar contenido generado o manipulado mediante IA; para quienes despliegan estos sistemas, aparecen además obligaciones de información en situaciones específicas como deepfakes o publicaciones de texto sobre asuntos de interés público cuando falta revisión humana o control editorial.
Esto merece precisión porque decir simplemente que “Europa obliga a declarar todo contenido hecho con IA” termina deformando bastante la norma. Una persona que utiliza un modelo para mejorar la redacción de un correo no queda automáticamente en la misma situación que quien publica un deepfake o genera una noticia de interés público sin supervisión editorial; el artículo distingue actores, contextos y tipos de contenido.
Lo interesante para esta historia aparece del lado de la infraestructura: Europa está empujando a que el contenido sintético incorpore señales que puedan ser reconocidas técnicamente. Anthropic firmó el Código de Prácticas vinculado al artículo 50(2) y decidió que los modelos Claude lanzados en la Unión Europea desde el 2 de agosto incorporen marcado desde su salida; al mismo tiempo, trabaja para añadir soporte a modelos anteriores.
Hasta acá, podríamos pensar que estamos frente a una respuesta bastante moderna para un problema nacido con la inteligencia artificial. La historia demuestra algo distinto: hace muchísimo tiempo que intentamos separar lo que puede leer una persona de lo que puede descubrir quien tiene la herramienta correcta.
La tinta invisible ya resolvía el mismo problema con química
Durante la Revolución Americana, la red de espionaje Culper utilizó una tinta invisible desarrollada por James Jay. El mensaje podía viajar sobre una hoja sin resultar evidente para quien la interceptara; mediante el reactivo correspondiente, el destinatario podía revelar la escritura escondida. La Biblioteca del Congreso conserva documentación sobre este sistema y sobre las instrucciones que George Washington enviaba para utilizar aquella “white ink”.
Lo fascinante del mecanismo aparece cuando dejamos de mirarlo como una curiosidad histórica. Una misma hoja contenía dos niveles de información: cualquiera podía leer el contenido visible, mientras que una persona que conociera el procedimiento encontraba una segunda capa que había estado allí todo el tiempo.
Con las marcas de agua de IA ocurre algo conceptualmente muy parecido. Podemos leer un texto de principio a fin sin encontrar nada extraño; un detector preparado para buscar una señal concreta puede analizar exactamente las mismas palabras y obtener información adicional sobre su procedencia.
La química desapareció del proceso, pero la lógica sobrevivió.
En la Segunda Guerra Mundial, un punto podía esconder una fotografía
Cuando la cantidad de información que debía transportarse aumentó, esconder algunas líneas mediante tinta invisible empezó a quedarse corto. La microfotografía permitió reducir documentos y fotografías hasta escalas diminutas; durante la Segunda Guerra Mundial, agentes alemanes utilizaron microdots suficientemente pequeños como para pasar prácticamente inadvertidos ante los controles.
El FBI conserva uno de esos casos en su colección histórica: un agente alemán utilizó una muñeca para transportar fotografías secretas reducidas hasta un tamaño comparable con el punto situado al final de una oración. Para un censor común, aquello podía ser una imperfección insignificante; bajo ampliación, aparecía la información escondida.
Ese ejemplo introduce una idea que me parece clave para entender lo que estamos discutiendo en 2026: llegó un momento en el que nuestros sentidos dejaron de ser suficientes para saber qué información contenía realmente un objeto. Necesitábamos una herramienta adicional para leer una capa que estaba físicamente presente pero quedaba fuera de nuestra percepción normal.
Las marcas de agua de inteligencia artificial llevan esa lógica al terreno digital. El texto puede conservar completamente su significado y su apariencia mientras otra capa, diseñada para una máquina, intenta dejar constancia de cómo fue generado.
Después, las impresoras empezaron a firmar nuestras hojas
El antecedente que más se parece al escenario actual llegó mucho después y estuvo durante años arriba de nuestros escritorios. Determinadas impresoras láser color comenzaron a incorporar pequeños puntos amarillos prácticamente imperceptibles sobre los documentos que producían; esos patrones podían utilizarse para identificar información sobre el dispositivo y, en algunos sistemas conocidos, datos como el número de serie o el momento de impresión.
La Electronic Frontier Foundation investigó estos mecanismos durante años e incluso consiguió decodificar patrones utilizados por determinados modelos Xerox DocuColor. Lo interesante es que la hoja transportaba al mismo tiempo el documento que queríamos imprimir y una capa forense que el usuario común difícilmente podía observar.
Si sacamos el papel de la ecuación, la similitud con el watermarking actual resulta evidente: una máquina genera algo para nosotros mientras incorpora, dentro de ese mismo resultado, una señal pensada para otra máquina.
Con una impresora, esa señal podía estar formada por pequeños puntos amarillos. Con un modelo de lenguaje, podemos trabajar sobre algo mucho menos visible: las decisiones estadísticas que ocurren mientras se genera cada token.
Google hace rato que trabaja con esta idea
Anthropic es el disparador de esta discusión porque acaba de explicar cómo llevará las marcas de agua a Claude, aunque Google viene recorriendo este camino desde bastante antes. DeepMind presentó SynthID en 2023 para marcar imágenes generadas por IA y, en mayo de 2024, extendió la tecnología al texto generado en Gemini y al video de Veo.
En texto, SynthID permite entender muy bien cómo una marca puede estar presente sin que aparezca ningún símbolo extraño. Los modelos de lenguaje construyen una respuesta token por token y asignan diferentes probabilidades a las posibles continuaciones; SynthID modifica de forma sutil esas probabilidades durante la generación para producir un patrón que luego puede compararse con los patrones esperados en texto marcado y no marcado.
Pensemos en una frase sencilla: “La inteligencia artificial va a transformar profundamente…”. A partir de ahí, un modelo puede continuar hablando del trabajo, la educación, la industria, la medicina o cualquier otra posibilidad coherente; como existen varias opciones razonables, un sistema de watermarking puede utilizar parte de ese margen de decisión para favorecer determinadas elecciones sin arruinar la respuesta.
Para quien lee, sigue siendo lenguaje natural. Para el detector, la sucesión de elecciones puede contener una señal estadística.
Por eso me gusta pensar en estas tecnologías como una evolución de la tinta invisible: antes alterábamos la química del soporte y ahora podemos intervenir sobre distribuciones de probabilidad. El principio general se mantiene, aunque el nivel de sofisticación sea incomparable.
También hay que separar SynthID de lo que está haciendo Anthropic. Claude tendrá una marca embebida en texto, pero Anthropic todavía no publicó suficiente documentación técnica como para afirmar que utiliza exactamente el mismo mecanismo estadístico de Google; la propia compañía anticipa que dará más detalles sobre su implementación y detección.
OpenAI ya empezó a recorrer ese camino
OpenAI todavía no anunció una marca equivalente para todo el texto generado por ChatGPT. Afirmar hoy que ChatGPT ya marca sus respuestas de esa manera sería adelantarse a los hechos; lo interesante es mirar todo lo que ocurrió alrededor.
Desde 2024, OpenAI viene trabajando con Content Credentials y C2PA para aportar información de procedencia a determinados contenidos. En mayo de 2026 dio otro paso y comenzó a incorporar SynthID de Google DeepMind en imágenes generadas mediante ChatGPT, Codex y la API; el 31 de julio amplió ese trabajo a audio compatible generado con sus herramientas.
Viendo esa secuencia, me cuesta imaginar que la discusión sobre el marcado de texto vaya a quedar exclusivamente entre Google y Anthropic. Sería una proyección, porque OpenAI no anunció hasta ahora esa implementación para ChatGPT, pero los incentivos son bastante claros: regulación, procedencia, interoperabilidad y presión para identificar contenido sintético están empujando a toda la industria en una dirección parecida.
Incluso la estrategia elegida por OpenAI ayuda a entender hacia dónde puede ir el mercado. La empresa habla de un enfoque multicapa en el que combina C2PA, watermarking mediante SynthID y herramientas de verificación; parte de una premisa importante, reconocida en su propia documentación: ningún método de detección es infalible.
Esa última frase debería acompañar cualquier conversación seria sobre marcas de agua.
La marca puede servir mucho sin convertirse en una verdad absoluta
Supongamos que escribo este artículo completamente por mi cuenta y, antes de publicarlo, se lo paso a Claude para que corrija errores ortográficos. El texto final podría terminar llevando una señal asociada con Claude aunque el análisis, los ejemplos y buena parte de las palabras hayan nacido antes de que el modelo participara.
Anthropic reconoce exactamente este problema: detectar una marca indica que el contenido puede haber sido procesado por Claude, pero no permite reconstruir por sí sola toda su procedencia. El modelo pudo haber corregido, traducido o resumido material que originalmente pertenecía a otra persona; además, el contenido puede haber sido modificado después.
La situación inversa complica todavía más cualquier intento de convertir el detector en juez. Un texto generado originalmente con Claude podría ser reescrito, traducido, parafraseado o mezclado con otros fragmentos hasta perder una señal detectable; Anthropic también advierte que los pasajes muy cortos pueden contener demasiado poca información para obtener una detección confiable.
Google encuentra límites parecidos con SynthID. DeepMind explica que la técnica funciona mejor con respuestas largas y con suficiente libertad de generación, mientras que la confianza puede caer considerablemente cuando el texto se reescribe en profundidad o se traduce; también resulta menos efectiva en respuestas muy factuales, donde existen menos alternativas válidas para modificar la distribución de tokens sin afectar la precisión.
En una universidad, esta diferencia puede ser enorme. Encontrar una marca en una tesis podría justificar una revisión del proceso de elaboración, pero sería muy pobre utilizar esa señal aislada para concluir quién desarrolló las ideas o cuánto aportó realmente una IA; del mismo modo, la ausencia de una marca tampoco demostraría que todo el trabajo fue humano.
Con empleados, periodistas, investigadores o medios de comunicación ocurre algo parecido. Una tecnología diseñada para aportar trazabilidad puede resultar muy útil cuando forma parte de un conjunto de evidencias; el riesgo aparece cuando una probabilidad técnica termina utilizándose como una sentencia sobre autoría.
El problema más difícil va a aparecer cuando el modelo esté en nuestra computadora
Todo este sistema funciona mejor cuando la generación ocurre dentro de plataformas centralizadas. Anthropic controla Claude, Google controla Gemini y OpenAI controla los modelos que ofrece mediante ChatGPT; en ese escenario existe un proveedor identificable al que una regulación puede exigir determinados mecanismos de transparencia.
La inteligencia artificial, sin embargo, también avanza en una dirección que vuelve bastante más difícil esa idea de control. Los modelos abiertos son cada vez más accesibles y las técnicas de cuantización permiten ejecutar sistemas relevantes utilizando cantidades de memoria que hace pocos años hubieran parecido difíciles de imaginar; Google, por ejemplo, ya documentaba en 2025 una versión cuantizada de Gemma 3 de 12.000 millones de parámetros capaz de ejecutarse sobre una GPU de notebook con 8 GB de VRAM. En 2026, sus propias herramientas contemplan directamente inferencia local de Gemma en notebooks y computadoras de escritorio.
La tendencia importa más que un modelo puntual. A medida que mejore el hardware y aparezcan arquitecturas más eficientes, tendremos sistemas cada vez más capaces funcionando completamente en local; algunos serán modelos abiertos tal como fueron publicados y otros estarán ajustados, cuantizados o modificados por sus propios usuarios.
En ese escenario, la pregunta cambia bastante: ¿quién obliga a mi modelo local a poner una marca de agua?
Si controlo los pesos, el software de inferencia y la forma en la que se seleccionan los tokens, también puedo controlar buena parte del proceso que eventualmente insertaría esa señal. Los modelos abiertos permiten precisamente ese nivel de intervención; Google, por ejemplo, publica Gemma con pesos abiertos y documentación para modificarlos mediante fine-tuning.
La comparación con las impresoras vuelve a ser útil. Resulta posible exigirles determinadas características a un grupo de grandes fabricantes; la tarea sería completamente distinta si cada persona pudiera fabricar su propia impresora, modificar el firmware y decidir qué información deja escondida sobre la hoja.
Con los modelos locales, nos acercamos poco a poco a esa segunda situación.
Entonces, ¿sirven las marcas de agua?
Sí, y probablemente se vuelvan una pieza importante de la infraestructura de confianza alrededor de la IA. Pueden ayudar a rastrear procedencia, mejorar procesos forenses, aportar señales a sistemas de moderación y facilitar determinadas obligaciones regulatorias; combinadas con estándares como C2PA, además, permiten construir una historia mucho más rica sobre cómo fue generado o modificado un archivo.
Su valor aparece justamente cuando aceptamos sus límites. Anthropic advierte que detectar una marca no reconstruye toda la autoría y que no encontrarla tampoco demuestra ausencia de IA; Google describe SynthID como una pieza para mejorar la identificación y reconoce que pierde fuerza frente a determinadas transformaciones. OpenAI, por su parte, utiliza explícitamente varias capas de procedencia porque considera insuficiente confiar en una única técnica.
Probablemente terminemos trabajando de esa manera: marcas de agua, metadatos firmados, registros de procedencia, contexto, análisis forense y revisión humana cuando la decisión tenga consecuencias importantes. Cuantas más señales independientes podamos reunir, mejor podremos entender qué pasó con determinado contenido; aun así, la certeza absoluta seguirá siendo un objetivo muy difícil de sostener.
Al final, seguimos jugando el mismo juego
Hay algo que me resulta fascinante cuando miro todo este recorrido. Hace siglos, James Jay utilizaba química para que un mensaje viajara sin ser visto; durante la Segunda Guerra Mundial, una fotografía podía reducirse hasta esconderse en algo parecido al punto de una oración y décadas después algunas impresoras comenzaron a llenar nuestras hojas de diminutas señales amarillas que permitían rastrear su origen.
En 2026, el problema reaparece dentro de los modelos generativos. Google lleva años experimentando con SynthID, Anthropic acaba de confirmar que los modelos compatibles de Claude marcarán sus textos en todo el mundo y OpenAI ya adoptó esa misma lógica de procedencia mediante C2PA y SynthID para otros formatos.
El 2 de agosto representa un punto importante dentro de esa evolución porque las obligaciones de transparencia del AI Act dejaron de ser solamente una fecha futura y comenzaron a aplicarse. A partir de ahora, una parte de la competencia entre los grandes proveedores también pasará por construir sistemas capaces de demostrar mejor de dónde salió un contenido y qué ocurrió con él durante su recorrido.
Al mismo tiempo, la tecnología avanza hacia modelos más accesibles y modificables que pueden vivir completamente fuera de esas plataformas. Esa tensión va a acompañarnos durante bastante tiempo: seremos mejores colocando marcas y también tendremos cada vez más posibilidades técnicas para generar contenido sin ellas.
Por eso, el desafío importante no pasa por encontrar un detector mágico que decida si algo es humano o artificial. Vamos a necesitar mecanismos de procedencia cada vez mejores y procesos capaces de interpretar esas señales con criterio, sabiendo que una marca puede sobrevivir, degradarse o directamente no haber existido nunca.
La humanidad lleva siglos intentando esconder información y otros tantos intentando descubrirla; cada nueva técnica de detección termina generando una respuesta para sortearla. Con la inteligencia artificial, esa vieja carrera acaba de empezar otra vez, solo que ahora ocurre a una escala que nunca habíamos tenido que enfrentar.
