Claude appose désormais un filigrane à ses contenus. Ce n’est pas ça qui vous fera rater une publication.

Un client nous a récemment posé une question que vous êtes peut-être sur le point de poser à votre propre prestataire de contenu : Anthropic a commencé à apposer un filigrane sur les sorties de Claude — surveillez-vous cela, et est-ce que cela change ce que vous produisez pour nos placements ?

C’est la bonne question, et la plupart des prestataires vont la rater. Voici la version publique de notre réponse, rédigée pour toute personne qui s’apprête à poser la même question à son fournisseur.

La version courte : le filigrane existe, il compte, mais ce n’est toujours pas ce qui vous fera perdre un placement.

Le détail que la plupart oublient tient en une phrase de la politique d’Anthropic sur le marquage du contenu généré par Claude¹ : à partir d’août 2026, le déclencheur du marquage est « traité par Claude » — et non « généré par Claude ». La question que tout le monde pose — « est-ce que c’est écrit par une IA ? » — est déjà la mauvaise question.

Mais le déclencheur et le signal sont deux choses différentes, et c’est le second qui compte. Un filigrane n’est pas apposé sur le texte ; il se diffuse dans les choix de mots que fait Claude lui-même, donc plus Claude a écrit de texte, plus il y a de signal à détecter. Cette nuance est souvent ignorée dans la couverture du sujet, alors que c’est là que résident les réponses concrètes. La suite de ce billet porte sur les vraies questions à se poser.

Août 2026 : ce qui a changé, et où en est la détection

Tout ce qui suit est daté volontairement : la politique est récente, et ces faits vont évoluer.

Ce qu’Anthropic a annoncé

Depuis août 2026, la page d’Anthropic décrit deux techniques complémentaires : un filigrane imperceptible intégré au texte généré, et des métadonnées de provenance signées C2PA pour les fichiers générés comme les images. La même page précise que le filigrane textuel est appliqué au niveau du modèle — il est présent quel que soit le produit Claude ou la surface utilisée — et que le marquage s’applique partout où Claude est proposé, dans le monde entier, pas seulement dans l’UE. Anthropic justifie cette portée mondiale comme provisoire : le marquage est appliqué partout au lancement « parce que nous n’avons pas encore de moyen fiable de le limiter par région », et l’entreprise indique qu’elle continuera d’évaluer les options.

Le lendemain, Anthropic a publié un second document, bien plus détaillé, expliquant le fonctionnement du filigrane textuel², ce qui change la façon dont on peut en parler honnêtement. La méthode est nommée : c’est une version de SynthID-Text, la technique publiée par Google DeepMind dans Nature³ en 2024, issue d’une famille de méthodes remontant à une proposition de Scott Aaronson en 2022. Rien n’est inséré dans le texte, aucun caractère caché. À la place, quand le choix du mot suivant est réellement ouvert — l’exemple d’Anthropic : « la météo aujourd’hui était froide et… », où « grise » et « couverte » sont aussi valables — le filigrane ne change que la source de l’aléa utilisée pour trancher, en la dérivant d’une clé secrète et des mots précédents. Relisez la séquence avec la clé, et vous pouvez estimer la probabilité que Claude l’ait produite. Deux conséquences immédiates : le filigrane ne contient aucune information d’identification et, selon Anthropic, il ne peut pas être relié à une personne, une organisation ou une conversation ; et il n’a aucun coût, car il ne génère pas de jetons supplémentaires.

Le déclencheur, à la même date, est le contenu traité par Claude, pas seulement rédigé par lui. La page cite la relecture, la traduction, le résumé et la conversion de fichiers comme exemples. Mais le second document précise que ces cas ne sont pas équivalents, et que la différence compte plus que le déclencheur — les réserves en fin de billet y reviennent, y compris une conclusion que nous avons nous-mêmes corrigée.

Le contexte réglementaire explique la date. En vertu de l’AI Act de l’UE⁴, les fournisseurs de systèmes d’IA générative doivent s’assurer que les sorties sont marquées dans un format lisible par machine et détectables comme artificielles ; Anthropic indique avoir signé le Code de conduite de l’article 50(2). La Commission européenne⁵ confirme que ces règles de transparence s’appliquent à partir du 2 août 2026 — la date de bascule retenue par Anthropic — et que la récente simplification « AI Omnibus » a décalé les échéances à haut risque, mais pas celles-ci.

Un point de détail à ne pas rater : les modèles lancés avant le 2 août 2026 ne sont pas exemptés. À cette date, Anthropic précise que la loi leur accorde une période de transition, et qu’elle travaille à ajouter le marquage à ces modèles également — ils ne sont donc pas encore marqués, mais ce n’est pas une zone de non-droit.

Où en est la détection

Au 17 août 2026, la description technique existe, mais pas l’outil. Le second document d’Anthropic annonce une API de détection du filigrane — « Nous proposerons bientôt une API de détection du filigrane. Nous sommes en train de définir les modalités de sa mise en œuvre » — ce qui est un engagement, pas un produit livré, et ce sera le seul moyen de vérifier un filigrane Claude.

Anthropic est clair sur ce qu’une telle vérification permettrait de conclure, et c’est moins que ce que beaucoup imaginent. Avec la clé, « on ne peut répondre qu’à la question ‘Quelle est la probabilité que ce texte ait été partiellement écrit par Claude ?’ » Impossible de confirmer qu’un texte est humain, impossible de savoir si une autre IA l’a écrit, et impossible de distinguer « Claude a rédigé » de « Claude a lourdement édité ». L’absence de filigrane ne prouve rien non plus : la détection « ne fonctionne pas bien sur de petits échantillons », et une réécriture complète où chaque mot est remplacé supprime le filigrane.

La réglementation fixe le seuil de ces limites. Selon la lecture article par article de Bird & Bird du Code de conduite⁶, le filigrane imperceptible est exigé pour tout texte libre de plus de 200 tokens — environ 150 mots — la seule exception étant les « textes très courts » en dessous. Le texte libre est aussi le seul cas autorisé à n’avoir qu’une seule couche de marquage, car il ne peut pas porter de métadonnées. Et l’obligation de détection est plus faible ici qu’ailleurs : les fournisseurs doivent généralement offrir la détection gratuitement, mais pour les filigranes sur texte libre — « parce qu’ils sont intrinsèquement moins fiables » — ils peuvent la limiter aux utilisateurs experts vérifiés. L’obligation de rendre la détection interopérable entre fournisseurs ne s’applique qu’à partir du 2 février 2027.

L’outil public le plus proche n’aide pas non plus pour le texte : à la même date, le portail SynthID Detector de Google DeepMind⁷ accepte images, vidéos et audio — pas le texte — et reste en test limité.

Et la question qui intéresse vraiment un acheteur de placement : au 16 août 2026, nous n’avons trouvé aucune déclaration de moteur de recherche ou de plateforme d’IA — dans un sens ou dans l’autre — indiquant que les signaux de provenance influencent le classement, l’indexation ou le filtrage. C’est un « rien trouvé » daté, pour une raison, pas une promesse pour l’an prochain.

Provenance et qualité : deux axes distincts

Voici le changement de perspective nécessaire : la provenance — quel outil a touché le texte — et la qualité — est-ce que le texte mérite d’exister — sont deux axes différents. Les moteurs de recherche n’ont jamais dit agir que sur le second.

Google n’a jamais décrit la provenance comme un signal de classement. Ce n’est pas la même chose que de dire que ce n’en est pas un ; aucune déclaration publique n’existe dans un sens ou dans l’autre. Mais les usages décrits par Google sont au nombre de deux. Dans son billet sur l’intégration C2PA⁸ en 2024, les métadonnées de provenance alimentent le label « À propos de cette image » dans la Recherche et, dans Ads, l’objectif de Google d’« utiliser les signaux C2PA pour renforcer l’application de nos politiques clés ». Étiquetage et application des politiques publicitaires — et l’intégration dans la Recherche ne concerne que l’image. À ce jour, il n’existe aucune surface de provenance textuelle dans la Recherche.

Ce que Google sanctionne relève de l’axe qualité, et la formulation est agnostique sur l’outil. Les règles anti-spam de Google⁹ définissent l’abus de contenu à grande échelle comme la génération de nombreuses pages « dans le but principal de manipuler le classement et non d’aider les utilisateurs » — précisant que cela s’applique « quelle que soit la méthode de création ». Premier exemple cité : « Utiliser des outils d’IA générative ou similaires pour générer de nombreuses pages sans valeur ajoutée pour l’utilisateur », et les recommandations de Google sur le contenu généré par IA¹⁰ reprennent cette phrase comme ligne directrice.

Le billet du Google Search Central Blog de 2023¹¹ — « Récompenser le contenu de qualité, quelle que soit sa provenance » — posait déjà la limite sur l’intention (« Utiliser l’automatisation — y compris l’IA — pour générer du contenu dans le but principal de manipuler le classement viole nos règles anti-spam »), et il faut le lire comme la position de 2023 ; la recommandation actuelle est plus étroite. Et dans l’annonce de la mise à jour anti-spam de mars 2024¹², Google a retiré l’outil de la politique : l’abus de contenu à grande échelle s’applique « que ce soit par automatisation, humains ou une combinaison des deux ».

L’ampleur de la publication assistée par IA va dans le même sens. L’étude à l’échelle du web de Graphite¹³ a montré que les articles générés par IA ont dépassé les articles humains en novembre 2024 et sont restés à parité depuis — et, selon la même page, « ces articles n’apparaissent en grande majorité ni sur Google ni sur ChatGPT ». Environ la moitié des nouveaux articles sont générés par IA, et ceux de faible valeur restent invisibles. C’est la sélection par la qualité, pas la détection de provenance — et la qualité est le seul axe que vous pouvez réellement maîtriser. Nous avons détaillé notre méthode de production de contenu à l’ère de l’IA générative — le versant production de ce même raisonnement.

Ce qui vous fait vraiment perdre un placement

Si la provenance n’est pas le vrai risque, alors quoi ? Deux choses, toutes deux antérieures au filigrane.

Le rejet éditorial d’abord

Les éditeurs n’ont pas attendu les filigranes pour encadrer le contenu IA — ils l’ont inscrit dans leur politique éditoriale. La politique IA de WIRED¹⁴, mise à jour en mai 2023, indique : « Nous ne publions pas d’articles dont le texte est généré par IA, sauf si le fait qu’il soit généré par IA est le sujet même de l’article » — et considère tout texte IA non signalé comme « assimilable à du plagiat ». Les consignes de soumission de Clarkesworld Magazine¹⁵ refusent les œuvres dès l’entrée : « nous n’examinerons aucune soumission traduite, écrite, développée ou assistée par ces outils », et préviennent que tenter de soumettre ce type de texte « peut entraîner une interdiction de soumission à l’avenir ».

Quand du contenu IA est tout de même passé, les conséquences ont été éditoriales, pas algorithmiques. L’enquête de Futurism¹⁶ a révélé que Sports Illustrated publiait des avis produits sous de faux auteurs avec des photos générées par IA — une source impliquée a déclaré : « Le contenu est entièrement généré par IA » — après quoi l’éditeur The Arena Group a annoncé « retirer le contenu pendant l’enquête interne et mettre fin au partenariat » avec le prestataire concerné. La note éditoriale de CNET sur son expérimentation IA¹⁷, début 2023, relate 77 articles rédigés par IA, un audit complet après des erreurs factuelles, des corrections ajoutées, et un arrêt — « Nous avons mis en pause », selon l’éditeur. Retrait, correction, pause, contrat rompu : tout cela relève du jugement éditorial, et c’est toujours le cas.

Ce jugement n’est pas anti-outil pour autant. Le rapport 2026 de Muck Rack sur l’état du journalisme¹⁸ montre que 82 % des journalistes utilisent au moins un outil IA — tandis que 88 % « écartent immédiatement les pitchs hors de leur thématique ». Ceux qui pourraient passer votre texte au détecteur sont eux-mêmes utilisateurs d’IA. Leurs filtres : sujet, pertinence, qualité ; cela n’a jamais changé.

Le piège des faux positifs

Les détecteurs utilisés aujourd’hui ne sont pas des vérifications de filigrane. Ce sont des classifieurs post hoc — des suppositions statistiques à partir du texte seul, sans clé ni marque à trouver — et ils se trompent sur de vrais humains. Anthropic fait la distinction, citant Pangram : ces services repèrent les « indices » dans la formulation IA, ce qui « n’a rien à voir avec la vérification d’un filigrane ». Quel que soit le verdict du détecteur d’un client, il ne lit pas ce dont il est question ici. Une étude affiliée à Stanford sur arXiv¹⁹, en 2023, a testé sept détecteurs GPT sur des essais d’apprenants non natifs et a trouvé qu’ils « classaient à tort plus de la moitié des essais TOEFL comme générés par IA (taux de faux positifs moyen : 61,22 %) », avec 97,80 % des essais signalés par au moins un détecteur.

Les fournisseurs le savent. OpenAI a retiré son propre classifieur en moins de six mois ; la note de fermeture, citée par Ars Technica²⁰, disait : « Depuis le 20 juillet 2023, le classifieur IA n’est plus disponible en raison de son faible taux de précision. » Au lancement, OpenAI avait reconnu qu’il ne détectait que 26 % des textes IA, tout en « étiquetant à tort 9 % des textes humains ». L’Université Vanderbilt²¹ a désactivé le détecteur IA de Turnitin en 2023 et fait le calcul publiquement : au taux de faux positifs de 1 % revendiqué par Turnitin, les 75 000 devoirs soumis en 2022 auraient signifié « environ 750 copies d’étudiants étiquetées à tort ».

L’étude de Graphite, citée plus haut, a validé son détecteur sur des articles publiés avant ChatGPT — et a trouvé qu’il « classe 4,2 % de ces articles comme principalement générés par IA ». Même l’article SynthID de Google dans Nature³ note que « les systèmes de détection post hoc peuvent être coûteux à exécuter, et leur usage réel est limité par leur performance inégale ».

Pour les placements, le coût des faux positifs frappe surtout là où la voix d’un expert est le produit — tribunes d’experts rédigées en ghostwriting, où un classifieur qui signale à tort les propos d’un vrai expert fait perdre une opportunité réelle. Un prestataire qui promet de « passer les détecteurs » promet de satisfaire des outils dont le mode d’échec documenté est d’accuser des humains.

Pourquoi il n’y aura pas de détecteur IA universel

Les absences relevées plus haut ne sont pas un simple retard d’outillage. Elles sont structurelles.

Vérifier un filigrane statistique nécessite la clé privée du générateur. La documentation SynthID de Google²² indique aux développeurs que chaque configuration de filigrane « doit être stockée de façon sécurisée et privée, sinon votre filigrane peut être facilement répliqué », et propose des options de déploiement du détecteur allant du privé au public. Le frein n’est pas le coût — l’article de Nature précise que la détection « ne nécessite pas d’opérations coûteuses ni d’accès au LLM sous-jacent ». Le frein, ce sont les clés. Chaque fournisseur ne peut détecter que ses propres marques. Un détecteur universel exigerait la coopération de tous les générateurs, et les incitations vont dans l’autre sens.

La couverture présente des angles morts qu’aucune coopération ne comblera. Un laboratoire de pointe a développé un filigrane texte et choisi de ne pas le déployer : dans une déclaration de 2024 citée par Language Log²³, OpenAI indique avoir « développé une méthode de filigrane texte que nous continuons d’étudier » mais la juge « peu robuste face à la réécriture globale » — traduction, reformulation par un autre modèle — « ce qui la rend triviale à contourner pour des acteurs malveillants ». Les modèles open-weight échappent totalement au marquage des fournisseurs ; l’article de Nature note que le marquage de modèles décentralisés est difficile. Et même un filigrane déployé s’use : Google précise que la confiance du détecteur « peut être fortement réduite si un texte généré par IA est entièrement réécrit ou traduit ».

Anthropic tient désormais le même discours sur sa propre portée, et confirme la forme de ce qui arrive. Sa clé ne répond que pour Claude : un filigrane « ne peut pas dire si le texte a été écrit par une autre IA (même si cette autre IA utilise un filigrane, ce serait une autre clé ; elle pourrait aussi utiliser une autre méthode) ». Et ce n’est pas un projet Anthropic. En juillet 2026, environ 190 signataires ont rejoint le Code de conduite européen sur la transparence du contenu généré par IA, et Anthropic indique clairement que les autres grands développeurs de modèles « mettront en œuvre leurs propres filigranes ». Plusieurs clés, plusieurs méthodes, chacun dans sa bulle.

Un élément va dans l’autre sens, et il mérite d’être cité : le Code exige des signataires qu’ils mettent en place une solution d’interopérabilité de la détection des filigranes d’ici le 2 février 2027 — un point d’accès public qui route les requêtes, un signpost intégré, un consortium partagé, ou équivalent. C’est une échéance, pas un système fonctionnel, et c’est une couche de routage, pas une clé partagée. C’est la meilleure raison d’espérer une amélioration, mais cela ne produira pas un détecteur lisant tout, car les modèles open-weight restent hors du régime.

La perspective réaliste jusqu’en 2027 au moins est donc une provenance cloisonnée par fournisseur : chaque laboratoire de pointe peut vérifier sa propre sortie, personne ne peut tout vérifier, et un résultat « propre » d’un détecteur unique ne signifie pas grand-chose.

L’outil de suppression qui se contredit

Si la provenance ne peut pas être vérifiée, peut-elle au moins être effacée ? Il existe un projet open source conçu pour cela — watermarks-remover²⁴, initialement « remove-claude-marks » — et le plus instructif est sa propre documentation.

Elle commence par la concession : « Tant que les fournisseurs n’auront pas publié de détecteurs et de clés, aucun outil ne peut honnêtement certifier ‘ceci échoue au test officiel’. » Et encore : « Il ne peut pas garantir que les détecteurs des fournisseurs échoueront. » Sa couche déterministe retire les caractères Unicode invisibles — ce qui, face à un filigrane Claude, vise désormais dans le vide. « Rien n’est ajouté au texte et il n’y a pas de caractères cachés », confirme l’explication technique d’Anthropic. Reste la couche statistique, explicitement « au mieux » — réécriture du texte par un autre modèle, car un filigrane statistique se diffuse dans les choix de tokens et « l’effacer revient à reformuler, pas à restructurer ». Anthropic fait le même constat : « Une légère édition ne suffira probablement pas à retirer complètement le filigrane ; une réécriture complète où chaque mot est remplacé, si. » La documentation chiffre la tentative : la réécriture « aplatit le ton, la voix et la précision » ; pour le SEO, le marketing et le travail client « cette dégradation est réelle et souvent visible » ; le résultat « ne peut dépasser le plafond du modèle de réécriture ». Elle conclut sur la question qui boucle la boucle : si vous réécrivez tout avec un modèle moins cher, générer directement avec ce modèle est « plus simple, moins cher, et donne le même — voire un meilleur — résultat ». Les métadonnées C2PA, quant à elles, sont effacées trivialement — fragiles par nature des formats de fichiers, ce qui correspond à la liste de pertes de métadonnées d’Anthropic citée plus haut.

Il y a aussi un enjeu de conformité à connaître avant de proposer l’effacement comme service. Selon le même Code de conduite, les signataires doivent faire leur possible pour préserver les marquages, interdire la manipulation dans leurs conditions générales, et « ne pas proposer ni promouvoir d’outils de contournement ». Les outils existent et existeront toujours ; ce qui n’existe pas, c’est une version que pourrait proposer un prestataire sérieux.

C’est la thèse de ce billet en résumé. Tenter de gérer l’axe provenance vous fait perdre l’axe qualité — celui qui décide si un éditeur garde votre article.

Les questions à poser à tout prestataire (nous compris)

À quoi ressemble une bonne réponse à la question du client ? Pas une promesse de détection — un processus. Voici les six questions à poser à tout prestataire de contenu, nous compris ; elles décrivent nos propres prestations outreach link building et listicle, où vous validez la publication cible, l’URL, l’ancre et le brouillon avant toute mise en ligne.

1. Recherche, rédaction et vérification des faits sont-elles des étapes distinctes, confiées à des agents différents ? Bonne réponse : oui, et ils peuvent vous montrer la séparation, pas seulement la décrire. Chez nous, chaque étape — recherche, plan, rédaction, extraction des affirmations, vérification, correction, relecture finale — est gérée par un module agent dédié avec son propre prompt système. L’agent de rédaction n’a accès à aucun outil — liste d’outils vide, pas restreinte — il ne peut ni chercher, ni scraper, ni récupérer d’infos, et ne travaille qu’à partir du dossier de faits validé en amont. La vérification n’est pas confiée à un seul agent non plus : un navigateur effectue les recherches, un juge sur un autre modèle rend le verdict, donc celui qui vérifie une affirmation n’est pas celui qui a cherché la source.

2. Où sont les validations humaines, et la machine peut-elle publier sans ? Bonne réponse : le système impose ces validations — un document ne suffit pas. Chez nous, trois sont codées : une personne choisit l’idée, valide le plan, valide le contenu — et un placement ne peut avancer sans validation humaine finale. La pipeline ne peut pas publier seule un article de placement.

3. Les faits sont-ils vérifiés sur les pages sources ouvertes, ou sur des extraits de recherche ? Bonne réponse : sur les pages. Dans notre pipeline, l’agent de recherche ouvre et lit chaque page source avant qu’un fait n’entre dans le dossier, et la vérification exige la citation exacte ou l’extrait de la page comme preuve pour chaque affirmation.

4. Quel modèle fournisseur rédige le corps — et peuvent-ils le nommer ? C’est la question qui détermine réellement l’exposition au marquage, et c’est celle à laquelle les prestataires répondent le plus souvent par une catégorie, pas un nom. Parce que le filigrane s’attache aux mots choisis par le modèle, un prestataire dont le modèle de rédaction est celui qui marque a une vraie réponse à donner sur la majorité du texte ; un prestataire qui ne l’utilise que pour retoucher un paragraphe rédigé ailleurs, non. Notre réponse, au niveau de détail que nous assumons : différentes étapes de notre pipeline tournent sur différents modèles fournisseurs, et le modèle qui rédige le corps de l’article n’est pas celui concerné par ce filigrane. Méfiez-vous du « nous utilisons l’IA de façon responsable » — ce n’est pas une réponse à cette question.

5. Que promettent-ils exactement sur la détection ? Un prestataire qui garantit que le contenu « passe la détection IA » promet un test que personne ne peut effectuer aujourd’hui — selon la section datée, l’API de détection d’Anthropic est annoncée mais pas encore disponible — et qui, même une fois en ligne, ne sera utilisable que par Anthropic, uniquement sur ses propres filigranes, et peut-être seulement pour des experts vérifiés. Ce qu’un tel prestataire teste réellement, ce sont les classifieurs post hoc ci-dessous, documentés pour accuser à tort des humains. La bonne promesse est éditoriale : c’est lisible, c’est exact, et un humain l’a validé.

6. Que se passe-t-il si un placement est refusé ou retiré ? Le risque documenté est le rejet éditorial — c’est donc ce que le contrat doit couvrir, avec des conditions de remplacement ou de remboursement écrites. Nous avons détaillé pourquoi nous proposons une garantie de satisfaction comme réponse longue à cette question.

Si un prestataire peut répondre précisément aux six questions, le marquage ne change rien pour vous. Sinon, le marquage n’a jamais été votre principal problème.

Deux réserves honnêtes

Le déclencheur est large ; le signal ne l’est pas

À la première publication de ce billet, nous avions tiré la mauvaise conclusion pratique d’une bonne observation. Le déclencheur est bien « traité par » — Anthropic cite la relecture et le résumé, et « un humain l’a écrit » n’est pas la garantie que l’on croit. Mais nous avons laissé entendre qu’un simple passage de correction grammaticale IA laissait donc un filigrane détectable, et l’explication technique d’Anthropic, publiée le lendemain, dit l’inverse noir sur blanc :

Quand Claude relit un texte rédigé par une personne, ce qu’il rend n’est généralement que légèrement modifié ; comme presque tous les mots sont ceux de la personne, il y a très peu (voire rien) pour que le filigrane s’y accroche.

Et, pour une simple correction orthographique et grammaticale : « le filigrane ne peut subsister que dans la poignée de corrections, souvent trop peu nombreuses pour être détectées. » Même logique pour les passages factuels ou le code, où le choix des mots est contraint — moins de liberté, moins de signal.

La version honnête est donc un gradient, pas un interrupteur. Le signal vit là où Claude a substantiellement rédigé. Là où il n’a fait que toucher le texte, non, et la réglementation pose sa propre limite : rien en dessous d’environ 150 mots n’a à être marqué. Le cas d’école que nous décrivions — l’agence qui jure être « sans IA » tout en passant ses textes à la correction IA — se trompe toujours sur son propre process, et c’est bon à savoir sur un prestataire. Mais ce n’est pas, à la lumière de ces éléments, un problème de détection.

Personne ne peut vérifier la provenance dans un sens ou dans l’autre

Le défaut de vérification joue dans les deux sens. Nous ne pouvons pas prouver que notre contenu n’est pas marqué, pas plus qu’un critique ne peut prouver qu’une page l’est — la propre formulation d’Anthropic, selon la section datée, est qu’un filigrane est un signal, pas une preuve, et que l’absence ne prouve rien. Ce billet ne sur-promet donc ni dans un sens ni dans l’autre, et vous devriez vous méfier de quiconque le fait : un prestataire garantissant « aucun filigrane » vend la même certitude invérifiable qu’un critique affirmant les avoir détectés.

C’est une déclaration valable aujourd’hui, avec une date de péremption. Quand l’API de détection d’Anthropic sera disponible, une partie — Anthropic — pourra répondre à une question, sur ses propres filigranes, avec une probabilité, pas un verdict. C’est une réduction de l’écart, pas sa fermeture, et il sera utile de revenir à ce billet le moment venu.

Chat et souris : la lecture du fondateur

Ici, je passe de « nous » à « je », car il s’agit d’un avis, pas d’une citation. En vingt ans de métier, j’ai vu le même cycle se répéter : Google annonce une ligne dure, le secteur prédit la fin d’une pratique, puis la sanction arrive en retard, frappe les opérateurs les plus négligents, et s’arrête avant d’aller au bout.

L’exemple le plus récent est déjà cité plus haut. Dans son annonce de mars 2024, Google a pointé « du contenu tiers de très faible valeur, produit principalement pour le référencement et sans supervision étroite du propriétaire du site » — parasite SEO, dans le jargon — « en publiant cette politique deux mois avant son application le 5 mai ». Le Search Liaison de Google, cité par Ranktracker²⁵, a indiqué que l’application avait commencé le 6 mai, au lendemain de l’entrée en vigueur. En novembre 2024, selon la mise à jour de la politique citée par Website Builder Expert²⁶, Google a fermé la faille de la supervision propriétaire, Glenn Gabe rapportant que les sections concernées de Forbes Advisor, CNN Underscored et WSJ Buyside ont été quasi désindexées.

C’est le chat qui attrape une souris — quelques souris. Ce que je vois encore sur le terrain, des années après les premières annonces « on va sanctionner », c’est la même pratique, toujours vivante. Ce n’est pas une critique de Google ; c’est le rythme observable de l’application face à un problème à l’échelle du web — et ici, la détection est facile : le contenu est public, le schéma évident. Maintenant, transposez cette attente à la provenance, où, comme vu plus haut, personne ne peut même lancer le test.

Vingt ans de menaces de répression étaient censés tuer ce secteur à plusieurs reprises, et il est toujours là — parce que ce qui survit à chaque cycle, c’est la même chose : du travail qui tient la route face à l’examen qu’il allait de toute façon subir. Le filigrane n’est pas le problème. Il ne l’a jamais été.

Vous savez maintenant à quoi ressemble une bonne réponse à la question de notre client. Posez les six questions ci-dessus à celui qui produit votre contenu, et écoutez la précision des réponses. Si elles sont vagues, la vraie information est là.