Claude ahora marca con marcas de agua su contenido. Pero eso no es lo que le costará una publicación.

Un cliente nos hizo recientemente una pregunta que quizá usted también esté a punto de plantear a su proveedor de contenidos: Anthropic ha empezado a marcar las salidas de Claude con una marca de agua — ¿ustedes monitorean esto, y cambia en algo lo que producen para nuestras publicaciones?

Es la pregunta correcta, y la mayoría de los proveedores la responderán mal. Aquí va nuestra respuesta pública, escrita para cualquiera que esté por hacer la misma consulta a su proveedor.

La versión corta: la marca de agua es real, importa, y aun así no es lo que le costará una publicación.

El detalle que la mayoría pasa por alto está en una frase de la política de Anthropic sobre cómo Claude marca el contenido generado por IA¹: a partir de agosto de 2026, el disparador para marcar es “procesado por Claude” — no “generado por Claude”. La pregunta que todos hacen — “¿esto fue escrito por IA?” — ya es la pregunta equivocada.

Pero el disparador y la señal son cosas distintas, y la segunda es la que realmente importa. La marca no se estampa en el texto; se distribuye en las elecciones de palabras que hace Claude, así que cuanto más del texto haya sido escrito por Claude, más señal habrá para detectar. Esa distinción es la que la mayoría de los análisis ignoran, y es donde están las respuestas prácticas. El resto de este artículo trata sobre las preguntas correctas.

Agosto de 2026: qué cambió y dónde estamos con la detección

Todo en esta sección lleva fecha a propósito: la política es nueva, y estos hechos pueden cambiar.

Lo que anunció Anthropic

Desde agosto de 2026, la página de Anthropic describe dos técnicas complementarias: una marca de agua imperceptible incrustada en el texto generado, y metadatos de procedencia firmados con C2PA en archivos generados como imágenes. En la misma página se indica que la marca de agua de texto se aplica a nivel de modelo — está presente sin importar qué producto o interfaz de Claude generó el texto — y que el marcado se aplica en cualquier lugar donde se ofrezca Claude, en todo el mundo, no solo en la UE. Anthropic da una razón para este alcance global que conviene leer como provisional: aplica el marcado en todas partes en el lanzamiento “porque aún no tenemos una forma duradera de delimitarlo por región”, y afirma que seguirá evaluando enfoques.

Un día después, Anthropic publicó un segundo documento, mucho más específico, explicando cómo funciona la marca de agua de texto², y esto cambia lo que se puede afirmar con honestidad. Se nombra el método: es una versión de SynthID-Text, la técnica que Google DeepMind publicó en Nature³ en 2024, dentro de una familia de enfoques que se remonta a una propuesta de Scott Aaronson en 2022. No se inserta nada en el texto ni hay caracteres ocultos. En cambio, cuando la siguiente palabra es una elección realmente abierta — el ejemplo de Anthropic es “el clima hoy estaba frío y…”, donde “nublado” y “gris” son igual de válidos — la marca solo altera la fuente de aleatoriedad usada para decidir, derivando la selección de una clave secreta y las palabras previas. Si se lee la secuencia con la clave, se puede calcular la probabilidad de que Claude la haya producido. Dos consecuencias que los clientes preguntan de inmediato: la marca no lleva información identificativa y, según Anthropic, no puede rastrearse hasta una persona, organización o chat; y no tiene costo, ya que no genera tokens adicionales.

El disparador, a la misma fecha, es contenido procesado por Claude, no solo contenido escrito por él. La página menciona corrección de estilo, traducción, resumen y conversión de archivos como ejemplos. Pero el segundo documento es claro: no son equivalentes, y la diferencia importa más que el disparador — las advertencias al final de este artículo retoman este punto, incluyendo una conclusión que inicialmente interpretamos mal.

El trasfondo regulatorio explica la fecha. Según la Ley de IA de la UE⁴, los proveedores de sistemas de IA generativa deben asegurar que las salidas estén marcadas en un formato legible por máquina y sean detectables como generadas artificialmente; Anthropic afirma haber firmado el Código de Conducta del Artículo 50(2). La Comisión Europea⁵ confirma que esas reglas de transparencia aplican desde el 2 de agosto de 2026 — la fecha que usa Anthropic para el inicio del marcado — y que la reciente simplificación “AI Omnibus” movió los plazos de alto riesgo, pero no estos.

Un detalle importante: los modelos lanzados antes del 2 de agosto de 2026 no están exentos. A esa fecha, Anthropic indica que la ley otorga a esos modelos un periodo de transición y que está trabajando para añadir soporte de marcado también a ellos — aún no están marcados, pero no es un refugio seguro.

Estado actual de la detección

Al 17 de agosto de 2026, la descripción técnica existe, pero la herramienta no. El segundo documento de Anthropic dice que una API de detección de marcas de agua está en camino — “Pronto ofreceremos una API de detección de marcas de agua. Estamos trabajando en los detalles de su implementación” — lo que es un compromiso, no un producto ya disponible, y será la única forma de verificar una marca de Claude.

Anthropic es directo sobre lo que tal verificación podría probar, y es menos de lo que la gente asume. Usando la clave, “solo se puede responder a la pregunta ‘¿cuál es la probabilidad de que esto haya sido escrito en parte por Claude?’” No puede confirmar que un texto fue escrito por un humano, ni decir si otra IA lo generó, y “no puede distinguir entre ‘Claude escribió esto’ y ‘Claude editó esto en profundidad’”. La ausencia de marca tampoco prueba nada: la detección “no funciona bien con muestras pequeñas”, y una reescritura completa en la que se reemplazan todas las palabras elimina la marca por completo.

La regulación establece el mínimo sobre el que se asientan estos límites. Según el Código de Conducta final, según el análisis de Bird & Bird⁶, el marcado imperceptible es obligatorio para cualquier texto libre de más de 200 tokens — unos 150 palabras — con la única excepción de “texto muy corto” por debajo de ese umbral. El texto libre es también el único caso donde se permite una sola capa de marcado en vez de dos, porque no puede llevar metadatos. Y la obligación de detección es más laxa aquí: los proveedores deben ofrecer detección sin costo en general, pero para marcas de agua en texto libre — “porque son inherentemente menos fiables” — pueden restringir la detección a usuarios expertos verificados. La interoperabilidad de detección entre proveedores no será obligatoria hasta el 2 de febrero de 2027.

La herramienta pública más cercana tampoco ayuda con texto: a la misma fecha, el portal SynthID Detector de Google DeepMind⁷ acepta imágenes, video y audio — no texto — y sigue en pruebas limitadas.

Y la pregunta que realmente le importa a quien compra publicaciones: al 16 de agosto de 2026, no encontramos ninguna declaración de ningún buscador ni plataforma de IA — en ningún sentido — que indique que las señales de procedencia afectan el ranking, la indexación o el filtrado. Es un “no se encontró”, acotado y con fecha, no una promesa sobre el año siguiente.

Procedencia y calidad: dos ejes distintos

Aquí va el cambio de enfoque que necesita todo este tema: procedencia — qué herramienta tocó el texto — y calidad — si el texto merece existir — son ejes distintos. Los buscadores solo han dicho que actúan sobre el segundo.

Google nunca ha descrito la procedencia como una señal de ranking. Eso no es lo mismo que decir que no lo es; no hay declaración pública en ningún sentido. Pero los usos que Google ha descrito son exactamente dos. En su entrada de blog sobre la integración de C2PA⁸, en 2024, los metadatos de procedencia alimentan la etiqueta “Acerca de esta imagen” en la Búsqueda y, en Ads, el objetivo de Google de “usar señales de C2PA para informar cómo aplicamos políticas clave”. Etiquetado y cumplimiento en anuncios — y la integración en Búsqueda es solo para imágenes. Al momento de escribir esto, no existe ninguna superficie de procedencia de texto en la Búsqueda.

Lo que Google sí aplica está en el eje de calidad, y está redactado para ser independiente de la herramienta. Sus políticas contra el spam⁹ definen el abuso de contenido a escala como muchas páginas generadas “con el propósito principal de manipular el ranking en la búsqueda y no de ayudar a los usuarios” — añadiendo que esto aplica “sin importar cómo se haya creado”. El primer ejemplo es “usar herramientas de IA generativa u otras similares para generar muchas páginas sin aportar valor para los usuarios”, y la guía de Google sobre el uso de contenido generado por IA¹⁰ repite esa frase como la línea operativa.

El blog de Google Search Central en 2023¹¹ — “Recompensar contenido de alta calidad, sin importar cómo se produzca” — ya marcaba la diferencia en la intención (“Usar automatización —incluida la IA— para generar contenido con el propósito principal de manipular el ranking en los resultados de búsqueda es una violación de nuestras políticas de spam”), y debe leerse como la postura de 2023; la guía actual es más restrictiva. Y en el anuncio de la actualización de spam de marzo de 2024¹², la empresa eliminó la herramienta de la política por completo: el abuso de contenido a escala aplica “ya sea que intervenga automatización, humanos o una combinación”.

La escala de la publicación asistida por IA refuerza el mismo punto. El estudio a escala web de Graphite¹³ halló que los artículos generados por IA superaron a los escritos por humanos en noviembre de 2024 y desde entonces se mantienen en paridad — y, según la misma página, “estos artículos en su mayoría no aparecen en Google ni en ChatGPT”. Aproximadamente la mitad de los artículos nuevos son generados por IA, y los de bajo valor siguen sin aparecer. Eso es selección por calidad, no por detección de procedencia — y la calidad es el eje que sí puede gestionar. Hemos documentado cómo producimos contenido en la era de la IA generativa — el lado de producción de este mismo argumento.

Qué realmente le cuesta una publicación

Si la procedencia no es el riesgo operativo, ¿cuál es? Dos cosas, y ambas existen desde antes del marcado.

El rechazo editorial llegó primero

Los editores no esperaron a las marcas de agua para controlar el contenido de IA — lo incluyeron en sus políticas editoriales. La política de WIRED sobre IA generativa¹⁴, actualizada en mayo de 2023, dice: “No publicamos historias con texto generado por IA, salvo cuando el hecho de que sea generado por IA es el tema central de la historia” — y trata el texto de IA no declarado como “equivalente al plagio”. Las directrices de envío de Clarkesworld Magazine¹⁵ rechazan trabajos desde el inicio: “no se considerarán envíos traducidos, escritos, desarrollados o asistidos por estas herramientas”, y advierten que intentar enviar dicho trabajo “puede resultar en la prohibición de enviar obras en el futuro”.

Donde el contenido de IA se filtró de todos modos, las consecuencias fueron editoriales, no algorítmicas. La investigación de Futurism¹⁶ encontró que Sports Illustrated publicaba reseñas de productos bajo autores falsos con fotos de IA — una fuente involucrada dijo “El contenido es absolutamente generado por IA” — tras lo cual el editor The Arena Group anunció que “está retirando el contenido mientras continúa nuestra investigación interna y hemos terminado la relación” con el contratista responsable. La nota editorial de CNET sobre su experimento con IA¹⁷, a inicios de 2023, registra 77 historias redactadas con IA, una auditoría completa tras detectarse errores, correcciones añadidas y una pausa — “Hemos pausado”, en palabras del propio editor. Retiro, corrección, pausa, contrato terminado: ese mecanismo funcionó solo con criterio editorial, y así sigue.

El criterio no es anti-herramienta. El informe de Muck Rack sobre el estado del periodismo en 2026¹⁸ halló que el 82% de los periodistas usa al menos una herramienta de IA — mientras que el 88% “descarta de inmediato propuestas que no encajan con su temática”. Quienes pasarían su texto por un detector son usuarios de IA ellos mismos. Su filtro es temática, relevancia y calidad; siempre lo fue.

El riesgo de los falsos positivos

Los detectores que realmente se usan hoy no son verificadores de marcas de agua. Son clasificadores post-hoc — conjeturas estadísticas hechas solo a partir del texto, sin clave ni marca que buscar — y fallan con textos humanos reales. Anthropic hace la misma distinción, citando a Pangram como ejemplo: estos servicios buscan “rasgos” en la redacción de IA, lo cual es “fundamentalmente distinto a buscar una marca de agua”. Lo que reporte el detector de un cliente no está leyendo lo que se describe aquí. Un estudio afiliado a Stanford en arXiv¹⁹, de 2023, probó siete detectores GPT ampliamente usados en ensayos de hablantes no nativos de inglés y halló que “clasificaron erróneamente más de la mitad de los ensayos TOEFL como generados por IA (tasa media de falsos positivos: 61,22%)”, con el 97,80% de los ensayos marcados por al menos un detector.

Los proveedores lo saben. OpenAI retiró su propio clasificador en menos de seis meses; la nota de cierre, citada por Ars Technica²⁰, decía: “Desde el 20 de julio de 2023, el clasificador de IA ya no está disponible debido a su baja tasa de precisión.” Al lanzarlo, OpenAI ya había revelado que solo detectaba el 26% del texto generado por IA mientras “etiquetaba incorrectamente como generados por IA el 9% de los textos escritos por humanos”. La Universidad de Vanderbilt²¹ desactivó el detector de IA de Turnitin en 2023 y publicó los cálculos: con la tasa de falsos positivos del 1% que alegaba Turnitin, los 75.000 trabajos entregados en 2022 implicarían “alrededor de 750 trabajos estudiantiles etiquetados incorrectamente”.

El estudio de Graphite, citado arriba, validó su detector en artículos publicados antes de la existencia de ChatGPT — y halló que “clasifica el 4,2% de esos artículos como generados principalmente por IA”. Incluso el artículo de SynthID de Google en Nature³ en 2024 señala que “los sistemas de detección post hoc pueden ser costosos computacionalmente y su uso práctico está limitado por su rendimiento inconsistente”.

En las publicaciones, el costo de los falsos positivos golpea más fuerte donde la voz de un verdadero experto es el producto — comentarios de expertos redactados por encargo, donde que un clasificador marque como IA las palabras de un experto real destruye una oportunidad genuina. Un proveedor que promete “pasar la detección” está prometiendo satisfacer herramientas cuyo fallo documentado es acusar a humanos.

Por qué no habrá un detector universal de IA

Las ausencias en la sección con fechas no son un vacío temporal esperando que la tecnología alcance. Son estructurales.

Verificar una marca de agua estadística requiere la clave privada del generador. La documentación de SynthID de Google²² instruye a los desarrolladores que cada configuración de marcado “debe almacenarse de forma segura y privada, de lo contrario su marca de agua podría ser replicada trivialmente por otros”, y ofrece opciones de despliegue del detector desde totalmente privado hasta público. La barrera no es el costo — el artículo en Nature es explícito en que la detección “no requiere operaciones computacionalmente costosas ni acceso al LLM subyacente”. La barrera son las claves. Cada proveedor puede detectar, como mucho, sus propias marcas. Un detector universal requeriría la cooperación de todos los generadores, y los incentivos van en sentido contrario.

La cobertura tiene huecos que ninguna cooperación cerraría. Un laboratorio de frontera construyó una marca de agua de texto y decidió no lanzarla: en una declaración de 2024 citada por Language Log²³, OpenAI dijo que ha “desarrollado un método de marca de agua de texto que seguimos considerando” pero juzga que es “menos robusto frente a manipulaciones globales” — traducción, reescritura con otro modelo — “lo que facilita la evasión por parte de actores maliciosos”. Los modelos open-weight quedan fuera del alcance de marcado de cualquier proveedor; el propio artículo en Nature señala que desplegar marcas de agua en modelos descentralizados es difícil. Y hasta una marca lanzada se degrada: Google documenta que la confianza del detector “puede reducirse mucho cuando un texto generado por IA se reescribe a fondo o se traduce a otro idioma”.

Anthropic ahora dice lo mismo sobre su propio alcance, y confirma el panorama de lo que viene. Sus respuestas clave solo aplican a Claude: una marca de agua “no puede decir si el texto fue escrito por otra IA (incluso si esa otra IA usa marcas de agua, tendría una clave diferente; también podría usar un método de marcado distinto)”. Y esto no es un proyecto de Anthropic. Unos 190 firmantes adhirieron al Código de Conducta de la UE sobre Transparencia de Contenido Generado por IA en julio de 2026, y Anthropic afirma claramente que otros grandes desarrolladores de modelos “implementarán sus propias marcas de agua”. Muchas claves, muchos métodos, un silo cada uno.

Hay una fuerza en sentido contrario, y merece ser mencionada: el Código exige a los firmantes poner en marcha una solución de interoperabilidad de detección de marcas de agua para el 2 de febrero de 2027 — un punto de acceso público que enrute consultas, una señal incrustada, un consorcio compartido, o equivalente. Es un plazo, no un sistema operativo, y es una capa de enrutamiento, no una clave compartida. Es la razón más sólida para esperar mejoras, y aun así no producirá un detector que lea todo, porque los modelos open-weight quedan fuera de todo el régimen.

Así que el escenario realista al menos hasta 2027 es procedencia aislada por proveedor: cada laboratorio puede verificar su propia salida, nadie puede verificar todo, y un resultado limpio de cualquier detector individual significa poco.

La herramienta de eliminación que se contradice

Si la procedencia no puede verificarse, ¿al menos puede eliminarse? Existe un proyecto open-source hecho para eso — watermarks-remover²⁴, que nació como “remove-claude-marks” — y lo más instructivo es su propio README.

Abre con la concesión: “Hasta que los proveedores publiquen detectores y claves, ninguna herramienta puede certificar honestamente ‘esto falla la verificación oficial’.” Y de nuevo: “No puede certificar que los detectores de los proveedores fallarán.” Su capa determinista elimina caracteres Unicode invisibles — lo que, frente a una marca de texto de Claude, ahora se sabe que apunta a nada. “No se añade nada al texto ni hay caracteres ocultos”, dice el explicador técnico de Anthropic. Solo queda la capa estadística, explícitamente “a mejor esfuerzo” — reescribir el texto con otro modelo, porque una marca estadística se distribuye en las elecciones de tokens y “eliminarla significa reescribir, no reestructurar”. Anthropic concede lo mismo: “Una edición ligera probablemente no eliminará la marca por completo; una reescritura total donde se reemplacen todas las palabras sí lo hará.” El README luego valora el intento: la reescritura “aplana el tono, la voz y la precisión”; en SEO, marketing y trabajos para clientes “esa degradación es real y a menudo visible”; la salida “no puede superar el techo del modelo de reescritura”. Termina con la pregunta que cierra el círculo: si de todos modos va a reescribir todo con un modelo más barato, generar directamente con ese modelo es “más simple, más barato y produce el mismo — o mejor — resultado final”. Los metadatos C2PA de archivos, por su parte, los elimina trivialmente — frágiles por diseño de los formatos de archivo, consistente con la propia lista de pérdida de metadatos de Anthropic en la sección con fechas.

Esto también tiene un matiz de cumplimiento normativo, y conviene saberlo antes de que alguien proponga la eliminación como servicio. Según el mismo Código de Conducta, los firmantes deben hacer esfuerzos razonables para preservar los marcados, prohibir la manipulación en sus términos y condiciones, y “no colocar ni publicitar herramientas de evasión”. La herramienta existe y seguirá existiendo; lo que no existe es una versión que un proveedor serio pueda incluir en una propuesta.

Ese es el resumen de este artículo. Intentar gestionar el eje de procedencia le cuesta el eje de calidad — el que decide si un editor mantiene su pieza.

Qué preguntar a cualquier proveedor (incluyéndonos)

Entonces, ¿cómo es una buena respuesta a la pregunta del cliente? No es una promesa de detección — es un proceso. Estas son las seis preguntas que haríamos a cualquier proveedor de contenido, nosotros incluidos; describen nuestros propios servicios de link building por outreach y listicle, donde usted aprueba la publicación objetivo, la URL, el anchor y el borrador antes de que nada salga publicado.

1. ¿Investigación, redacción y verificación de hechos son etapas separadas, gestionadas por agentes distintos? Buena respuesta: sí, y pueden mostrarle la separación en vez de solo describirla. En nuestro caso, cada etapa — investigación, estructuración, redacción, extracción de afirmaciones, verificación de hechos, corrección y la revisión final de consistencia — es un módulo de agente con su propio prompt de sistema. El agente de redacción no tiene herramientas — una lista vacía, no restringida — así que no puede buscar, raspar ni consultar, y solo puede trabajar con el archivo de hechos que verificó la etapa de investigación. La verificación de hechos tampoco es un solo agente: un navegador realiza las búsquedas y un juez, en el modelo de otro proveedor, dicta el veredicto, así que quien verifica una afirmación no es quien buscó soporte para ella.

2. ¿Dónde están los filtros humanos, y puede la máquina avanzar sin uno? Buena respuesta: el sistema impone los filtros — un documento que los describa no basta. En nuestro caso, tres están en el código: una persona selecciona la idea, aprueba la estructura y aprueba el contenido — y una publicación no puede avanzar hasta que un humano dé esa aprobación final. El pipeline no puede publicar un artículo sin intervención humana.

3. ¿Los hechos se verifican en páginas fuente abiertas, o en fragmentos de búsqueda? Buena respuesta: en páginas. En nuestro pipeline, el agente de investigación abre y lee cada página fuente antes de que un hecho entre en el dossier, y la etapa de verificación exige la cita o extracto exacto de la página fuente como evidencia de cada afirmación.

4. ¿Qué modelo de proveedor redacta el cuerpo — y pueden nombrarlo? Esta es la pregunta que realmente determina la exposición al marcado, y es la que los proveedores suelen responder con una categoría en vez de un nombre. Porque la marca se adhiere a las palabras que el modelo eligió, un proveedor cuyo modelo de redacción es el que marca tiene una respuesta real sobre la mayor parte del texto; un proveedor que usa ese modelo solo para pulir un párrafo ajeno, no. Nuestra respuesta, al nivel de detalle que podemos respaldar: distintas etapas de nuestro pipeline corren en modelos de distintos proveedores, y el modelo que redacta el cuerpo del artículo no es el que está siendo marcado aquí. Desconfíe de “usamos IA de forma responsable” — no responde a esta pregunta.

5. ¿Qué prometen exactamente sobre la detección? Un proveedor que garantiza que el contenido “pasa la detección de IA” promete una verificación que hoy nadie puede hacer — según la sección con fechas, la API de detección de Anthropic está anunciada pero no lanzada — y que, incluso cuando exista, solo Anthropic podrá usar, solo para sus propias marcas y quizá solo para usuarios expertos verificados. Lo que realmente están probando son los clasificadores post-hoc de abajo, documentados por fallar con humanos. La promesa correcta es editorial: se lee bien, es preciso y lo aprobó una persona.

6. ¿Qué pasa si una publicación es rechazada o retirada? El riesgo documentado es el rechazo editorial — así que ese es el riesgo que debe cubrir el contrato, con términos de reemplazo o reembolso por escrito. Hemos detallado por qué ofrecemos una garantía de satisfacción como respuesta larga a esta pregunta.

Si un proveedor puede responder las seis con detalle, la noticia del marcado no cambia nada para usted. Si no puede, el marcado nunca fue su mayor problema.

Dos advertencias honestas

El disparador es amplio; la señal no

Cuando publicamos este artículo por primera vez, sacamos la conclusión práctica equivocada de la observación correcta. El disparador realmente es “procesado por” — Anthropic menciona corrección de estilo y resumen como ejemplos, y “lo escribió un humano” no es la garantía que la gente cree. Pero luego insinuamos que un repaso gramatical de IA deja una marca detectable en su documento, y el explicador técnico de Anthropic, publicado al día siguiente, dice lo contrario en términos claros:

Cuando Claude corrige texto escrito por una persona, lo que devuelve suele estar apenas editado; como casi todas las palabras son de la persona, hay muy poco (si es que hay algo) a lo que la marca pueda adherirse.

Y, sobre un repaso solo de gramática y puntuación: “la marca solo puede estar en ese puñado de correcciones, que quizá sean demasiado pocas para registrar.” La misma lógica diluye la marca donde las palabras están forzadas más que elegidas — Anthropic señala que los pasajes fácticos y el código llevan menos marca que la prosa abierta, porque no hay elección libre para que viaje la señal.

Así que la versión honesta es un gradiente, no un interruptor. El texto que Claude escribió sustancialmente es donde vive la señal. El texto que Claude solo tocó, no, y la regulación pone su propio umbral: nada por debajo de unas 150 palabras debe marcarse. El error que describimos — la agencia que jura ser “libre de IA” mientras usa IA para corrección gramatical — sigue siendo un error sobre su propio proceso, y conviene saberlo sobre un proveedor. No parece, según esta evidencia, que vaya a ser un problema de detección.

Nadie puede verificar la procedencia en ningún sentido

La brecha de verificación afecta en ambos sentidos. No podemos probar que nuestro contenido no está marcado, igual que un crítico no puede probar que una página sí lo está — la propia Anthropic, según la sección con fechas, dice que la marca es una señal, no una prueba, y que la ausencia no prueba nada. Así que este artículo no exagera en ningún sentido, y debe desconfiar de quien sí lo haga: un proveedor que garantiza “sin marcas de agua” vende la misma certeza imposible de verificar que un crítico que afirma haberlas detectado.

Esto es una afirmación sobre hoy, y tiene fecha de caducidad. Cuando Anthropic lance su API de detección, una parte — Anthropic — podrá responder una pregunta, sobre sus propias marcas, con una probabilidad, no un veredicto. Es un acotamiento de la brecha, no su cierre, y merece la pena revisar este artículo cuando ocurra.

Gato y ratón: la visión del fundador

Aquí cambio de “nosotros” a “yo”, porque esto es juicio, no cita. En veinte años haciendo esto, he visto el mismo ciclo repetirse una y otra vez: Google anuncia una línea dura, la industria predice el fin de alguna práctica, y luego la aplicación llega tarde, golpea a los operadores más descuidados y se detiene antes de acabar el trabajo.

El ejemplo más reciente ya lo mencionamos. En su anuncio de marzo de 2024, citado arriba, Google nombró “contenido de muy bajo valor, de terceros, producido principalmente para fines de ranking y sin supervisión cercana del propietario del sitio” — parasite SEO, en el vocabulario del sector — “publicando esta política dos meses antes de aplicarla el 5 de mayo”. El Search Liaison de Google, citado por Ranktracker²⁵, dijo que la aplicación comenzó el 6 de mayo, un día después de la entrada en vigor. En noviembre de 2024, según el lenguaje actualizado citado por Website Builder Expert²⁶, Google cerró la laguna de la supervisión de primera parte, con Glenn Gabe reportando que las secciones afectadas de Forbes Advisor, CNN Underscored y WSJ Buyside quedaron prácticamente desindexadas.

Eso es el gato atrapando a un ratón — algunos ratones. Lo que sigo viendo en la práctica, años después de la primera declaración de “vamos a aplicar”, es la misma práctica, viva y funcionando. No es una crítica a Google; es el ritmo observable de la aplicación frente a un problema a escala web — y esto es una política donde la detección es fácil: el contenido es público y el patrón, obvio. Ahora traslade esa expectativa a la procedencia, donde, según la sección con fechas, nadie puede ni siquiera hacer la verificación.

Dos décadas de supuestas ofensivas regulatorias debieron acabar con esta industria varias veces, y aquí sigue — porque lo que sobrevive a cada ciclo es lo mismo: trabajo que resiste el escrutinio que siempre iba a recibir. La marca de agua no es el problema. Nunca lo fue.

Ahora ya sabe cómo suena una buena respuesta a la pregunta de nuestro cliente. Lleve las seis preguntas anteriores a quien le genere contenido, y escuche si las respuestas son concretas. Si son vagas, la vaguedad es el hallazgo.