Claude ora applica watermark ai suoi output. Ma non è questo che ti fa perdere una pubblicazione.

Un cliente ci ha fatto di recente una domanda che forse stai per rivolgere anche tu al tuo fornitore di contenuti: Anthropic ha iniziato a inserire watermark nei testi generati da Claude — voi monitorate questa cosa? Cambia qualcosa nei contenuti che producete per le nostre pubblicazioni?

È la domanda giusta, e la maggior parte dei fornitori non saprà rispondere. Qui trovi la versione pubblica della nostra risposta, pensata per chiunque stia per porre la stessa domanda al proprio vendor.

La versione breve: il watermark esiste, conta, ma non è quello che ti farà perdere una pubblicazione.

Il dettaglio che quasi tutti trascurano sta in una frase della policy di Anthropic su come Claude marca i contenuti AI¹: da agosto 2026, il trigger per la marcatura è “processato da Claude” — non “generato da Claude”. La domanda che tutti fanno — “questo testo è scritto da AI?” — è già la domanda sbagliata.

Ma trigger e segnale sono due cose diverse, e il secondo è quello che conta davvero. Il watermark non viene applicato come un timbro sul testo; si distribuisce sulle scelte lessicali fatte da Claude, quindi più testo scrive Claude, più watermark c’è da rilevare. È questa la distinzione che quasi tutte le analisi ignorano, ed è qui che stanno le risposte pratiche. Il resto di questo post serve a chiarire quali sono le domande giuste.

Da agosto 2026: cosa è cambiato e a che punto siamo con la detection

Tutto in questa sezione è datato apposta: la policy è nuova e questi fatti cambieranno.

Cosa ha annunciato Anthropic

Da agosto 2026, la pagina di Anthropic descrive due tecniche complementari: un watermark impercettibile inserito nei testi generati, e metadati di provenienza C2PA firmati allegati a file generati come immagini. La stessa pagina specifica che il watermark testuale viene applicato a livello di modello — quindi presente a prescindere da quale prodotto Claude abbia generato il testo — e che la marcatura vale ovunque sia disponibile Claude, in tutto il mondo, non solo nell’UE. Anthropic motiva questa scelta globale come provvisoria: applica il watermark ovunque al lancio “perché non abbiamo ancora un modo stabile per limitarlo per regione”, e dichiara che continuerà a valutare alternative.

Il giorno dopo, Anthropic ha pubblicato un secondo documento, molto più tecnico, che spiega come funziona il watermark², e questo cambia ciò che si può affermare con onestà. Il metodo ha un nome: è una versione di SynthID-Text, la tecnica pubblicata da Google DeepMind su Nature³ nel 2024, parte di una famiglia di approcci che risale a una proposta di Scott Aaronson del 2022. Non viene inserito nulla nel testo, nessun carattere nascosto. Invece, quando la scelta della parola successiva è davvero aperta — l’esempio di Anthropic è “oggi il tempo era freddo e…”, dove “nuvoloso” e “grigio” sono ugualmente validi — il watermark modifica solo la fonte della casualità usata per decidere, derivando la scelta da una chiave segreta e dalle parole precedenti. Analizzando la sequenza con la chiave, si può stimare la probabilità che sia stata prodotta da Claude. Due conseguenze che i clienti chiedono subito: il watermark non contiene informazioni identificative e, secondo Anthropic, non può essere ricondotto a persone, organizzazioni o chat; inoltre non ha costi, perché non genera token aggiuntivi.

Il trigger, sempre da agosto 2026, è il contenuto processato da Claude, non solo quello scritto da lui. La pagina cita come esempi revisione, traduzione, sintesi e conversione di file. Ma il secondo documento chiarisce che questi casi non sono equivalenti, e la differenza conta più del trigger stesso — i caveat a fine post riprendono proprio questo punto, incluso un errore che avevamo fatto inizialmente.

Il contesto normativo spiega la data. In base all’AI Act dell’UE⁴, i provider di sistemi AI generativi devono garantire che gli output siano marcati in formato leggibile dalle macchine e rilevabili come artificiali; Anthropic dichiara di aver firmato il Codice di Condotta dell’Articolo 50(2). La Commissione Europea⁵ conferma che queste regole di trasparenza si applicano dal 2 agosto 2026 — la stessa data scelta da Anthropic per l’avvio della marcatura — e che la recente semplificazione “AI Omnibus” ha spostato le scadenze solo per i casi ad alto rischio, non per questi.

Un dettaglio importante: i modelli lanciati prima del 2 agosto 2026 non sono esenti. Da agosto 2026, Anthropic dichiara che la legge prevede per quei modelli un periodo di transizione e che sta lavorando per aggiungere la marcatura anche a loro — quindi non ancora marcati, ma non in una zona franca.

A che punto siamo con la detection

Al 17 agosto 2026, esiste la descrizione tecnica ma non lo strumento. Il secondo documento di Anthropic annuncia una API per la detection del watermark — “Presto offriremo una API per la rilevazione del watermark. Stiamo definendo i dettagli dell’implementazione” — che è un impegno, non un prodotto già disponibile, e sarà l’unico modo per verificare la marcatura di Claude.

Anthropic è chiara su cosa può dimostrare una verifica del genere, e il risultato è meno di quanto molti pensano. Usando la chiave, “si può solo rispondere alla domanda ‘Qual è la probabilità che questo testo sia stato scritto in parte da Claude?’” Non può confermare che il testo sia stato scritto da un umano, né dire se sia stato generato da un’altra AI, e “non può distinguere tra ‘Claude ha scritto questo’ e ‘Claude lo ha pesantemente modificato’”. L’assenza di watermark non prova nulla: la detection “non funziona bene su campioni piccoli”, e una riscrittura completa in cui ogni parola viene sostituita elimina del tutto il watermark.

La normativa fissa il minimo di queste limitazioni. Secondo il Codice di Condotta finale, come riassunto da Bird & Bird⁶, il watermark impercettibile è obbligatorio per qualsiasi testo libero più lungo di 200 token — circa 150 parole — con l’unica eccezione per i “testi molto brevi” sotto questa soglia. Il testo libero è anche l’unico caso in cui basta un solo livello di marcatura, perché non può contenere metadati. E l’obbligo di detection qui è più debole che altrove: i provider devono generalmente offrire la detection gratuitamente, ma per i watermark su testo libero — “perché sono intrinsecamente meno affidabili” — possono limitarne l’uso a utenti esperti verificati. L’obbligo di interoperabilità della detection tra provider scatta solo dal 2 febbraio 2027.

Lo strumento pubblico più vicino non aiuta comunque sul testo: alla stessa data, il portale SynthID Detector di Google DeepMind⁷ accetta immagini, video e audio — non testo — ed è ancora in fase di test limitato.

E la domanda che interessa davvero a chi compra pubblicazioni: al 16 agosto 2026, non abbiamo trovato nessuna dichiarazione da parte di motori di ricerca o piattaforme AI — in nessun senso — che segnali di provenienza influenzino ranking, indicizzazione o filtraggio. È un “nessuna trovata” circoscritto e datato, non una promessa per il futuro.

Provenienza e qualità sono due assi diversi

Qui serve un cambio di prospettiva: provenienza — quale strumento ha toccato il testo — e qualità — se il testo merita di esistere — sono due assi distinti. I motori di ricerca hanno sempre dichiarato di agire solo sul secondo.

Google non ha mai descritto la provenienza come segnale di ranking. Non è la stessa cosa che dire che non lo sia; non esiste nessuna dichiarazione pubblica in un senso o nell’altro. Ma gli usi descritti da Google sono solo due. Nel post sul blog relativo all’integrazione C2PA⁸, dal 2024, i metadati di provenienza alimentano l’etichetta “Informazioni su questa immagine” nella Ricerca e, negli annunci, l’obiettivo di Google di “usare i segnali C2PA per rafforzare l’applicazione delle policy chiave”. Etichettatura e enforcement sugli annunci — e l’integrazione nella Ricerca riguarda solo le immagini. Al momento in cui scriviamo, non esiste nessuna funzione di provenienza testuale nella Ricerca.

Quello che Google applica riguarda l’asse della qualità, ed è scritto per essere agnostico rispetto allo strumento. Le policy antispam di Google⁹ definiscono abuso di contenuti su larga scala come la generazione di molte pagine “con il principale scopo di manipolare il ranking nei motori di ricerca e non di aiutare gli utenti” — aggiungendo che vale “indipendentemente da come vengono creati”. Il primo esempio elencato è “Utilizzare strumenti di generative AI o simili per generare molte pagine senza aggiungere valore per gli utenti”, e la guida di Google sull’uso dei contenuti generati da AI¹⁰ ripete questa frase come linea guida operativa.

Il Search Central Blog di Google nel 2023¹¹ — “Premiare contenuti di alta qualità, indipendentemente da come vengono prodotti” — già fissava il limite sull’intento (“Utilizzare l’automazione — inclusa l’AI — per generare contenuti con il principale scopo di manipolare il ranking nei risultati di ricerca viola le nostre policy antispam”), e va letta come la posizione del 2023; la guida attuale è più restrittiva. Nell’annuncio dell’update antispam di marzo 2024¹², Google ha eliminato lo strumento dalla policy: l’abuso di contenuti su larga scala si applica “che siano coinvolti automazione, esseri umani o una combinazione”.

La scala della pubblicazione assistita da AI conferma lo stesso punto da un’altra angolazione. Lo studio su larga scala di Graphite¹³ ha rilevato che gli articoli generati da AI hanno superato quelli scritti da umani a novembre 2024 e da allora sono rimasti in parità — e, sempre secondo lo studio, “questi articoli in gran parte non compaiono su Google e ChatGPT”. Circa la metà dei nuovi articoli è generata da AI, e quelli di scarso valore non emergono comunque. È la selezione per qualità che agisce, non la detection della provenienza — e la qualità è l’asse che puoi davvero gestire. Abbiamo descritto come produciamo contenuti nell’era della gen-AI — il lato produzione di questo stesso argomento.

Cosa ti fa davvero perdere una pubblicazione

Se la provenienza non è il rischio operativo, cosa lo è? Due fattori, entrambi precedenti al watermark.

Il rifiuto editoriale è venuto prima

I publisher non hanno aspettato i watermark per controllare i contenuti AI — lo hanno scritto nelle policy editoriali. La policy di WIRED sull’AI generativa¹⁴, aggiornata a maggio 2023, dichiara: “Non pubblichiamo storie con testo generato da AI, tranne quando il fatto che sia generato da AI è il punto centrale della storia” — e considera il testo AI non dichiarato “equiparabile al plagio”. Le linee guida di Clarkesworld Magazine¹⁵ rifiutano i lavori già in fase di invio: “non prenderà in considerazione nessuna submission tradotta, scritta, sviluppata o assistita da questi strumenti”, e avverte che tentare di inviare tali lavori “può comportare il ban dalle future submission”.

Dove i contenuti AI sono comunque passati, le conseguenze sono state editoriali, non algoritmiche. L’inchiesta di Futurism¹⁶ ha scoperto che Sports Illustrated pubblicava recensioni di prodotti sotto falsi autori con foto generate da AI — una fonte interna ha dichiarato “Il contenuto è assolutamente generato da AI” — dopo di che il publisher The Arena Group ha dichiarato di “rimuovere i contenuti mentre prosegue l’indagine interna e di aver terminato la collaborazione” con il contractor coinvolto. La nota dell’editor di CNET sul proprio esperimento AI¹⁷, a inizio 2023, riporta 77 storie scritte da AI, un audit completo dopo l’emersione di errori fattuali, correzioni aggiunte e uno stop — “Abbiamo messo in pausa”, parole del publisher stesso. Rimozione, correzione, pausa, contratto terminato: tutto mosso dal giudizio editoriale, e così resta.

Il giudizio non è nemmeno anti-strumento. Il report State of Journalism 2026 di Muck Rack¹⁸ rileva che l’82% dei giornalisti usa almeno uno strumento AI — mentre l’88% “scarta subito i pitch fuori target”. Chi potrebbe passare il tuo testo in un detector è a sua volta utente AI. Il loro filtro è target, rilevanza e qualità; lo è sempre stato.

Il rischio dei falsi positivi

I detector che si usano davvero oggi non sono strumenti per rilevare watermark. Sono classificatori post-hoc — stime statistiche fatte solo sul testo, senza chiave e senza watermark da trovare — e sbagliano sugli umani. Anthropic fa la stessa distinzione, citando Pangram come esempio: questi servizi individuano i “segnali” tipici delle frasi AI, che è “fondamentalmente diverso dal cercare un watermark”. Qualunque cosa segnali il detector di un cliente, non sta leggendo ciò di cui parla questo post. Uno studio affiliato a Stanford su arXiv¹⁹, del 2023, ha testato sette detector GPT molto usati su saggi di non madrelingua inglese e ha trovato che “hanno classificato erroneamente oltre la metà dei saggi TOEFL come generati da AI (tasso medio di falsi positivi: 61,22%)”, con il 97,80% dei saggi segnalati da almeno un detector.

I vendor lo sanno. OpenAI ha ritirato il proprio classificatore in meno di sei mesi; la nota di chiusura, citata da Ars Technica²⁰, recita: “Dal 20 luglio 2023, il classificatore AI non è più disponibile a causa del basso tasso di accuratezza.” Al lancio, OpenAI aveva dichiarato che rilevava solo il 26% dei testi AI, “etichettando erroneamente come AI il 9% dei testi umani”. Vanderbilt University²¹ ha disabilitato il detector AI di Turnitin nel 2023 e ha fatto i conti pubblicamente: con un tasso di falsi positivi dell’1% dichiarato da Turnitin, i 75.000 elaborati inviati da Vanderbilt nel 2022 avrebbero significato “circa 750 lavori di studenti etichettati erroneamente”.

Lo studio di Graphite, citato sopra, ha validato il proprio detector su articoli pubblicati prima dell’arrivo di ChatGPT — e ha trovato che “classifica il 4,2% di questi articoli come principalmente generati da AI”. Anche il paper SynthID di Google, pubblicato su Nature³ nel 2024, nota che “i sistemi di detection post hoc possono essere costosi da eseguire e il loro uso pratico è limitato dalle prestazioni incoerenti”.

Per le pubblicazioni, il costo dei falsi positivi pesa di più dove la voce di un vero esperto è il prodotto — commenti ghostwritten di esperti, dove un flag del classificatore su parole autentiche di un esperto fa perdere un’opportunità reale. Un fornitore che promette di “superare la detection” promette di soddisfare strumenti che, per documentazione, sbagliano sugli umani.

Perché non esisterà mai un detector AI universale

Le assenze nella sezione datata non sono un vuoto temporaneo in attesa che gli strumenti arrivino. Sono strutturali.

Verificare un watermark statistico richiede la chiave privata del generatore. La documentazione di SynthID di Google²² istruisce gli sviluppatori a conservare ogni configurazione di watermark “in modo sicuro e privato, altrimenti il watermark può essere facilmente replicato da altri”, e offre opzioni di deployment del detector da completamente privato a pubblico. Il limite non è il costo — il paper su Nature è esplicito: la detection “non richiede operazioni computazionalmente costose né accesso al LLM sottostante”. Il limite sono le chiavi. Ogni vendor può rilevare, al massimo, solo i propri watermark. Un detector universale richiederebbe la collaborazione di tutti i generatori, e gli incentivi vanno nella direzione opposta.

Le coperture hanno buchi che nessuna collaborazione può colmare. Un laboratorio di frontiera ha sviluppato un watermark testuale e ha scelto di non rilasciarlo: in una dichiarazione del 2024 citata da Language Log²³, OpenAI afferma di aver “sviluppato un metodo di watermarking testuale che continuiamo a valutare” ma lo giudica “meno robusto contro la manipolazione globale” — traduzione, riscrittura con un altro modello — “rendendo la rimozione banale per chi vuole aggirarlo”. I modelli open-weight sono fuori dalla portata di qualsiasi marcatura vendor; lo stesso paper su Nature nota che watermarkare modelli distribuiti in modo decentralizzato è difficile. E anche un watermark rilasciato degrada: Google documenta che i punteggi di confidenza del detector “possono ridursi drasticamente quando un testo AI viene completamente riscritto o tradotto in un’altra lingua”.

Anche Anthropic ora dice la stessa cosa sui propri limiti, e conferma la forma di ciò che sta arrivando. Le sue risposte valgono solo per Claude: un watermark “non può dire se il testo è stato scritto da un’altra AI (anche se quell’altra AI usa watermarking, avrebbe una chiave diversa; potrebbe anche usare un metodo di watermarking del tutto diverso)”. E non è un progetto solo di Anthropic. Circa 190 firmatari hanno sottoscritto il Codice di Condotta UE sulla Trasparenza dei Contenuti Generati da AI a luglio 2026, e Anthropic dichiara apertamente che altri grandi sviluppatori di modelli “implementeranno i propri watermark”. Tante chiavi, tanti metodi, ognuno nel proprio silo.

C’è una forza che va nella direzione opposta e merita di essere citata: il Codice impone ai firmatari di mettere in piedi una soluzione di interoperabilità per la detection dei watermark entro il 2 febbraio 2027 — un punto di accesso pubblico che instrada le richieste, un segnale incorporato, un consorzio condiviso o equivalente. È una scadenza, non un sistema già funzionante, e si tratta di uno strato di routing, non di una chiave condivisa. È il motivo più solido per aspettarsi miglioramenti, ma non produrrà comunque un detector che legge tutto, perché i modelli open-weight restano fuori dal regime.

Quindi lo scenario realistico almeno fino al 2027 è una provenienza silo-vendor: ogni laboratorio di frontiera può controllare solo il proprio output, nessuno può controllare tutto, e un risultato pulito da un singolo detector significa poco.

Lo strumento di rimozione che si smentisce da solo

Se la provenienza non può essere verificata, almeno può essere rimossa? Esiste un progetto open-source pensato proprio per questo — watermarks-remover²⁴, nato come tool specifico per “remove-claude-marks” — e la cosa più istruttiva è il suo stesso README.

Si apre con una premessa: “Finché i vendor non rilasciano detector e chiavi pubbliche, nessuno strumento può certificare onestamente ‘questo fallisce il controllo ufficiale’.” E ancora: “Non può certificare che i detector dei vendor falliranno.” Il layer deterministico elimina caratteri Unicode invisibili — che, contro un watermark testuale di Claude, ora sappiamo essere un bersaglio inesistente. “Nulla viene aggiunto al testo e non ci sono caratteri nascosti”, spiega Anthropic. Resta solo il layer statistico, dichiaratamente “best-effort” — riscrivere il testo con un altro modello, perché un watermark statistico è distribuito sulle scelte di token e “rimuoverlo significa riscrivere, non ristrutturare”. Anthropic conferma la stessa logica: “Una leggera revisione probabilmente non rimuove del tutto il watermark; una riscrittura completa in cui ogni parola viene sostituita sì.” Il README poi valuta il tentativo: la riscrittura “appiattisce tono, voce e precisione”; su lavori SEO, marketing e clienti “il degrado è reale e spesso visibile”; l’output “non può superare il livello del modello di riscrittura”. E chiude con la domanda che chiude il cerchio: se comunque riscrivi tutto con un modello più economico, generare direttamente con quel modello è “più semplice, economico, e produce lo stesso — o un risultato migliore”. I metadati C2PA dei file, invece, vengono rimossi facilmente — fragili per design dei formati, coerenti con la lista di perdita di metadati di Anthropic nella sezione datata.

C’è anche un aspetto di compliance, e va conosciuto prima che qualcuno proponga la rimozione come servizio. Secondo lo stesso Codice di Condotta, i firmatari devono fare il possibile per preservare le marcature, devono vietare la manipolazione nei termini e condizioni, e devono “né offrire né pubblicizzare strumenti di elusione”. Gli strumenti esistono e continueranno a esistere; ciò che non esiste è una versione che un vendor serio possa proporre.

Questa è la tesi del post in sintesi. Cercare di gestire l’asse della provenienza ti costa l’asse della qualità — quello che decide se un editor tiene il tuo pezzo.

Cosa chiedere a qualsiasi fornitore (noi compresi)

Quindi, come dovrebbe suonare una buona risposta alla domanda del cliente? Non una promessa di detection — un processo. Queste sono le sei domande che faremmo a qualsiasi fornitore di contenuti, noi compresi; descrivono i nostri servizi di outreach link building e listicle, dove approvi tu la pubblicazione target, l’URL, l’anchor e la bozza prima che vada online.

1. Ricerca, stesura e fact-checking sono fasi separate, gestite da agenti diversi? Risposta giusta: sì, e possono mostrarti la separazione invece di descriverla. Nel nostro processo, ricerca, outline, stesura, estrazione dei claim, verifica dei fatti, correzione e controllo finale di coerenza sono ciascuno un modulo agente con il proprio prompt di sistema. L’agente di stesura non ha accesso a nessuno strumento — una lista strumenti vuota, non limitata — quindi non può cercare, fare scraping o fetch, e lavora solo sul file dei fatti verificati dalla ricerca. Anche il fact-checking non è un solo agente: un navigatore fa le ricerche e un giudice separato, su un modello di un altro vendor, dà il verdetto, così chi verifica i claim non è chi ha cercato le fonti.

2. Dove sono i gate umani, e la macchina può pubblicare senza uno di questi? Risposta giusta: il sistema impone i gate — un documento che li descrive non basta. Nel nostro processo, tre sono nel codice: una persona sceglie l’idea, approva l’outline e approva il contenuto — e una pubblicazione non può avanzare senza l’approvazione finale di un umano. La pipeline non può pubblicare un articolo da sola.

3. I fatti vengono verificati sulle pagine di origine aperte, o sui risultati dei motori di ricerca? Risposta giusta: sulle pagine. Nel nostro processo, l’agente di ricerca apre e legge ogni pagina di origine prima che un fatto entri nel dossier, e la fase di fact-check richiede la citazione o estratto esatto dalla fonte come evidenza per ogni claim.

4. Quale modello vendor scrive il corpo del testo — e possono nominarlo? Questa è la domanda che determina davvero l’esposizione alla marcatura, ed è quella a cui i vendor spesso rispondono con una categoria invece che con un nome. Poiché il watermark si attacca alle parole scelte dal modello, un fornitore il cui modello di stesura è quello che marca può dare una risposta reale sulla maggior parte del testo; un fornitore che usa quel modello solo per rifinire il paragrafo di qualcun altro no. La nostra risposta, al livello di dettaglio che possiamo garantire: le diverse fasi della pipeline girano su modelli di vendor diversi, e il modello che stende il corpo dell’articolo non è quello marcato qui. Diffida di “usiamo l’AI in modo responsabile” — non è una risposta a questa domanda.

5. Cosa promettono esattamente sulla detection? Un fornitore che garantisce che i contenuti “passano la detection AI” sta promettendo un controllo che oggi nessuno può fare — come spiegato sopra, la detection API di Anthropic è annunciata ma non disponibile — e anche quando arriverà solo Anthropic potrà usarla, solo sui propri watermark, e forse solo per utenti esperti verificati. Quello che un fornitore del genere sta davvero testando sono i classificatori post-hoc qui sotto, documentati per sbagliare sugli umani. La promessa giusta è editoriale: il testo è ben scritto, accurato, e approvato da un umano.

6. Cosa succede se una pubblicazione viene rifiutata o rimossa? Il rischio documentato è il rifiuto editoriale — quindi è quello che il contratto deve coprire, con termini scritti di sostituzione o rimborso. Abbiamo spiegato perché offriamo una garanzia soddisfatti o rimborsati come risposta lunga proprio a questa domanda.

Se un fornitore sa rispondere in modo specifico a tutte e sei, la notizia del watermarking non cambia nulla per te. Se non sa farlo, il watermark non è mai stato il tuo problema principale.

Due caveat onesti

Il trigger è ampio; il segnale no

Quando abbiamo pubblicato la prima versione di questo post, abbiamo tratto la conclusione pratica sbagliata da un’osservazione giusta. Il trigger è davvero “processato da” — Anthropic cita revisione e sintesi tra gli esempi, e “l’ha scritto un umano” non è la rassicurazione che molti pensano. Ma abbiamo poi lasciato intendere che un passaggio di revisione grammaticale AI lasci quindi un watermark rilevabile sul documento, e la spiegazione tecnica di Anthropic, pubblicata il giorno dopo, dice il contrario in modo chiaro:

Quando Claude revisiona un testo scritto da una persona, quello che restituisce è generalmente solo leggermente modificato; dato che quasi tutte le parole sono della persona, c’è molto poco (se non nulla) su cui il watermark possa attaccarsi.

E, su un passaggio solo di grammatica e punteggiatura: “il watermark può vivere solo nelle poche correzioni, che potrebbero essere troppo poche per essere rilevate.” La stessa logica riduce il watermark dove le parole sono obbligate piuttosto che scelte — Anthropic nota che passaggi fattuali e codice portano meno watermark rispetto alla prosa libera, perché non c’è scelta libera su cui il segnale possa viaggiare.

Quindi la versione onesta è un gradiente, non uno switch. Il segnale vive dove Claude ha scritto gran parte del testo. Dove Claude ha solo toccato, no, e la normativa mette il suo limite: nulla sotto circa 150 parole deve essere marcato. Il rischio che abbiamo descritto — il fornitore che giura di essere “AI-free” ma fa passaggi di revisione AI — resta una distorsione del proprio processo, e va conosciuto di un vendor. Non sembra, da queste evidenze, un problema di detection.

Nessuno può verificare la provenienza in nessun senso

Il gap di verifica vale in entrambe le direzioni. Non possiamo provare che i nostri contenuti siano privi di watermark più di quanto un critico possa provare che una pagina sia marcata — la stessa Anthropic, come spiegato sopra, parla di watermark come segnale e non come prova, e l’assenza non dimostra nulla. Quindi questo post non fa affermazioni eccessive in nessun senso, e dovresti diffidare di chi lo fa: un vendor che garantisce “nessun watermark” vende la stessa certezza non verificabile di un critico che sostiene di averli rilevati.

Questo vale oggi, e ha una data di scadenza. Quando la detection API di Anthropic sarà disponibile, una sola parte — Anthropic — potrà rispondere a una sola domanda, sui propri watermark, con una probabilità e non un verdetto. È una riduzione del gap, non la sua chiusura, e vale la pena tornare su questo post quando accadrà.

Gatto e topo: la lettura del founder

Qui passo da “noi” a “io”, perché questa parte è giudizio, non citazione. In vent’anni di lavoro in questo settore, ho visto lo stesso ciclo ripetersi: Google annuncia una linea dura, il settore prevede la fine di una pratica, poi l’enforcement arriva tardi, colpisce gli operatori più superficiali e si ferma prima di completare il giro.

L’esempio più recente è quello già citato. Nell’annuncio di marzo 2024, citato sopra, Google ha nominato “contenuti di terze parti di valore molto basso prodotti principalmente per scopi di ranking e senza supervisione diretta del proprietario del sito” — parasite SEO, nel gergo del settore — “pubblicando questa policy due mesi prima dell’enforcement, il 5 maggio”. Il Search Liaison di Google, citato da Ranktracker²⁵, ha dichiarato che l’enforcement è partito il 6 maggio, il giorno dopo l’entrata in vigore della policy. A novembre 2024, secondo la policy aggiornata citata da Website Builder Expert²⁶, Google ha chiuso la scappatoia della supervisione first-party, con Glenn Gabe che riporta le sezioni coinvolte di Forbes Advisor, CNN Underscored e WSJ Buyside di fatto deindicizzate.

Questo è il gatto che prende un topo — alcuni topi. Quello che ancora vedo sul campo, anni dopo il primo “faremo enforcement”, è la stessa pratica, viva e vegeta. Non è una critica a Google; è il ritmo osservabile dell’enforcement su un problema di scala web — e qui la detection è facile: il contenuto è pubblico e il pattern è ovvio. Ora immagina la stessa aspettativa sulla provenienza, dove, come spiegato sopra, nessuno può nemmeno fare il controllo.

Due decenni di crackdown annunciati avrebbero dovuto chiudere questo settore più volte, e invece è ancora qui — perché quello che sopravvive a ogni ciclo è sempre lo stesso: lavoro che regge allo scrutinio che avrebbe comunque ricevuto. Il watermark non è il problema. Non lo è mai stato.

Ora sai come suona una buona risposta alla domanda del nostro cliente. Porta le sei domande qui sopra a chi ti produce i contenuti, e ascolta se le risposte sono specifiche. Se sono vaghe, la vaghezza è già la risposta.