Claude vattenmärker nu sitt innehåll. Det är inte det som kostar dig en placering.

En kund ställde nyligen en fråga som du kanske själv funderar på att ställa till din content-leverantör: Anthropic har börjat vattenmärka Claudes output — följer ni detta, och påverkar det vad ni levererar för våra publiceringar?

Det är rätt fråga, och de flesta leverantörer kommer att snubbla på svaret. Här är vår publika version, skriven för alla som tänker ställa samma fråga till sin leverantör.

Den korta versionen: vattenmärket är på riktigt, det spelar roll, men det är fortfarande inte det som riskerar din publicering.

Detaljen de flesta missar finns i en formulering i Anthropics policy om hur Claude markerar AI-genererat innehåll¹: från och med augusti 2026 är triggervillkoret “bearbetat av Claude” — inte “genererat av Claude”. Frågan alla ställer — “är detta AI-skrivet?” — är redan fel fråga.

Men trigger och signal är två olika saker, och det är den andra som avgör allt. Märket stämplas inte på texten; det sprids över de ordval Claude själv gör, så ju mer av texten Claude har skrivit, desto mer finns att hitta. Den distinktionen är vad de flesta artiklar missar, och det är där de praktiska svaren finns. Resten av inlägget handlar om de rätta frågorna.

Från augusti 2026: vad har ändrats, och hur ser det ut med detektering?

Allt i det här avsnittet är tidsstämplat med avsikt: policyn är ny, och fakta kan förändras.

Vad Anthropic har meddelat

Från augusti 2026 beskriver Anthropics sida två kompletterande tekniker: ett omärkbart vattenmärke inbäddat i genererad text, och C2PA-signatur med ursprungsmetadata för genererade filer som bilder. Samma sida anger att textvattenmärket appliceras på modellnivå — det finns oavsett vilken Claude-produkt eller yta som genererat texten — och att märkningen gäller globalt, inte bara inom EU. Anthropic motiverar det globala omfånget som tillfälligt: märkningen införs överallt vid lansering “eftersom vi ännu inte har ett hållbart sätt att begränsa det regionalt”, och man säger att man utvärderar olika tillvägagångssätt.

En dag senare publicerade Anthropic ett andra, betydligt mer detaljerat dokument om hur textvattenmärket fungerar², och det förändrar vad som är ärligt att säga här. Metoden namnges: det är en variant av SynthID-Text, den teknik Google DeepMind publicerade i Nature³ 2024, i en metodfamilj som går tillbaka till ett förslag av Scott Aaronson 2022. Inget läggs in i texten och inga dolda tecken används. Istället, när nästa ord är ett genuint öppet val — Anthropics exempel är “the weather today was cold and…”, där “mulet” och “grått” är lika rimliga — så ändras bara källan till slumpen som avgör valet, genom en hemlig nyckel och de föregående orden. Läser man tillbaka sekvensen med nyckeln kan man beräkna sannolikheten att Claude har producerat texten. Två konsekvenser som kunder direkt frågar om: märket innehåller ingen identifierande information och, enligt Anthropic, kan inte spåras till person, organisation eller chatt; och det kostar inget extra, då inga extra tokens genereras.

Triggervillkoret, från samma datum, är innehåll bearbetat av Claude, inte bara innehåll som Claude själv skrivit. Sidan nämner korrekturläsning, översättning, sammanfattning och filkonvertering som exempel. Men det andra dokumentet är tydlig med att dessa inte är likvärdiga, och skillnaden är viktigare än själva triggervillkoret — de reservationer som tas upp mot slutet av inlägget handlar om just detta, inklusive en slutsats vi själva drog fel första gången.

Den regulatoriska bakgrunden förklarar datumet. Enligt EU:s AI-förordning⁴ måste leverantörer av generativa AI-system säkerställa att utdata märks i maskinläsbart format och kan identifieras som artificiellt genererade; Anthropic uppger att man har undertecknat artikel 50(2) Code of Practice. EU-kommissionen⁵ bekräftar att dessa transparensregler gäller från 2 augusti 2026 — det datum Anthropic anger som start för märkningen — och att den senaste “AI Omnibus”-förenklingen flyttade deadlines för högrisk, men inte för dessa regler.

En detalj värd att få rätt: modeller lanserade före 2 augusti 2026 är inte undantagna. Från och med augusti 2026 anger Anthropic att lagen ger dessa modeller en övergångsperiod och att man arbetar för att lägga till märkning även där — ännu inte markerade, men inget frikort.

Hur detektering ser ut

Per 17 augusti 2026 finns den tekniska beskrivningen, men inte verktyget. Anthropics andra dokument säger att ett API för vattenmärkesdetektering är på väg — “Vi kommer snart att erbjuda ett API för vattenmärkesdetektering. Vi arbetar just nu med detaljerna för implementationen” — vilket är ett löfte, inte en färdig produkt, och det är det enda som kan kontrollera ett Claude-märke.

Anthropic är tydlig med vad en sådan kontroll faktiskt kan visa, och det är mindre än många tror. Med nyckeln kan man “bara svara på frågan ‘Hur sannolikt är det att detta delvis skrevs av Claude?’” Det går inte att bekräfta att texten är människoskriven, det går inte att avgöra om någon annan AI skrivit den, och det “går inte att skilja ‘Claude skrev detta’ från ‘Claude redigerade detta kraftigt’”. Avsaknad av märke bevisar heller ingenting: detekteringen “fungerar dåligt på små textmängder”, och en total omskrivning där varje ord byts ut tar bort vattenmärket helt.

Regelverket sätter ribban för dessa begränsningar. Enligt slutversionen av Code of Practice, enligt Bird & Birds genomgång⁶, krävs omärkbart vattenmärke för all fri text över 200 tokens — ungefär 150 ord — med enda undantaget “mycket kort text” under den gränsen. Fri text är också det enda fallet där en enda märkningsmetod tillåts, eftersom metadata inte kan bäddas in. Och detektionskravet är svagare här än annars: leverantörer måste i regel erbjuda detektering gratis, men för vattenmärkning av fri text — “eftersom de är mindre tillförlitliga” — får de begränsa detektering till verifierade expertanvändare. Kravet på interoperabel detektering mellan leverantörer gäller först från 2 februari 2027.

Det närmaste jämförbara publika verktyget hjälper inte heller för text: per samma datum accepterar Google DeepMinds SynthID Detector-portal⁷ bilder, video och ljud — inte text — och är fortfarande i begränsad testning.

Och frågan som den som köper placeringar faktiskt bryr sig om: per 16 augusti 2026 har vi inte hittat något uttalande från någon sökmotor eller AI-plattform — varken för eller emot — om att provenienssignaler påverkar ranking, indexering eller filtrering. Det är ett avgränsat “inget hittat”, daterat av en anledning, inte ett löfte om framtiden.

Proveniens och kvalitet är olika axlar

Här är omramningen som hela ämnet behöver: proveniens — vilket verktyg som rört texten — och kvalitet — om texten förtjänar att finnas — är två olika axlar. Sökmotorer har alltid sagt att de agerar på den andra.

Google har aldrig beskrivit proveniens som en rankingsignal. Det är inte samma sak som att Google sagt att det inte är det; inget publikt uttalande finns åt något håll. Men de användningsområden Google beskrivit är exakt två. I Googles blogginlägg om C2PA-integrationen⁸ från 2024 används proveniensmetadata för etiketten “Om den här bilden” i Sök och, i Ads, för att “använda C2PA-signaler för att informera hur vi tillämpar viktiga policyer”. Märkning och policytillämpning — och Sök-integrationen gäller bara bilder. Vid skrivande stund finns ingen yta i Sök där textproveniens visas alls.

Det Google faktiskt tillämpar handlar om kvalitet, och är skrivet för att vara verktygsoberoende. Googles spam-policyer⁹ definierar massproducerat innehåll som många sidor genererade “i första hand för att manipulera sökrankning och inte hjälpa användare” — och tillägger att detta gäller “oavsett hur det skapats”. Första exemplet är “Att använda generativa AI-verktyg eller liknande för att skapa många sidor utan att tillföra värde för användare”, och Googles vägledning om AI-genererat innehåll¹⁰ upprepar den formuleringen som sin centrala linje.

Google Search Central Blogs inramning 2023¹¹ — “Belönar högkvalitativt innehåll, oavsett hur det produceras” — drog redan gränsen vid avsikt (“Att använda automatisering — inklusive AI — för att generera innehåll i första hand för att manipulera ranking i sökresultat är ett brott mot våra spam-policyer”), och det ska läsas som 2023 års position; nuvarande vägledning är snävare. Och i Googles spam-uppdatering i mars 2024¹² togs verktyget bort ur policyn helt: massproducerat innehåll gäller “oavsett om automatisering, människor eller en kombination är inblandade”.

Omfattningen av AI-assisterad publicering visar samma sak från andra hållet. Graphites webbstudie¹³ fann att AI-genererade artiklar gick om människoskrivna i november 2024 och har legat runt jämvikt sedan dess — och, enligt samma sida, “dessa artiklar syns i stort sett inte i Google och ChatGPT”. Ungefär hälften av nya artiklar är AI-genererade, och de lågkvalitativa syns fortfarande inte. Det är kvalitetssortering, inte proveniensdetektering — och kvalitet är axeln du faktiskt kan påverka. Vi har skrivit om hur vi producerar innehåll i gen-AI-eran — produktionssidan av just detta argument.

Vad som faktiskt riskerar din placering

Om proveniens inte är den operativa risken, vad är det då? Två saker, och båda fanns före vattenmärkning.

Redaktionell avvisning kom först

Publicister väntade inte på vattenmärkning för att reglera AI-innehåll — de skrev in det i sin redaktionella policy. WIREDs policy för generativ AI¹⁴, uppdaterad i maj 2023, säger: “Vi publicerar inte artiklar med text genererad av AI, utom när det faktum att det är AI-genererat är hela poängen med artikeln” — och behandlar dold AI-text som “likvärdigt med plagiat”. Clarkesworld Magazines aktuella riktlinjer för inskick¹⁵ avvisar arbeten direkt: de “beaktar inte några inskick som översatts, skrivits, utvecklats eller assisterats av dessa verktyg”, och varnar för att försök kan leda till framtida avstängning.

Där AI-innehåll ändå slank igenom var konsekvenserna redaktionella, inte algoritmiska. Futurisms granskning¹⁶ fann att Sports Illustrated publicerade produktrecensioner under falska författare med AI-genererade profilbilder — en källa sade “Innehållet är definitivt AI-genererat” — varefter utgivaren The Arena Group meddelade att man “tar bort innehållet under tiden vi utreder internt och har avslutat samarbetet” med den aktuella leverantören. CNET:s egen redaktörskommentar om AI-experimentet¹⁷ i början av 2023 dokumenterar 77 AI-utkastade artiklar, en fullständig granskning efter faktamissar, tillagda rättelser och ett stopp — “Vi har pausat”, med utgivarens egna ord. Borttagning, rättelse, paus, avslutat avtal: det är redaktionellt maskineri, och det gäller fortfarande.

Bedömningen är inte anti-verktyg heller. Muck Racks rapport State of Journalism 2026¹⁸ fann att 82% av journalister använder minst ett AI-verktyg — samtidigt som 88% “omedelbart bortser från pitchar som inte passar deras bevakningsområde”. De som skulle köra din text genom en detektor är AI-användare själva. Deras filter är ämne, relevans och kvalitet; det har alltid varit så.

Fällan med falska positiva

De detektorer som faktiskt används idag är inte vattenmärkes-kontroller. Det är efterhandsklassificerare — statistiska gissningar utifrån texten, utan nyckel och utan märke att hitta — och de slår fel på riktiga människor. Anthropic gör samma distinktion, och nämner Pangram som exempel: sådana tjänster letar efter “tecken” i AI-formulering, vilket är “fundamentalt annorlunda än att kontrollera ett vattenmärke”. Vad en kunds detektor än rapporterar så läser den inte det denna text handlar om. En Stanford-anknuten studie på arXiv¹⁹ från 2023 testade sju vanliga GPT-detektorer på uppsatser av personer med engelska som andraspråk och fann att de “felklassificerade över hälften av TOEFL-uppsatserna som AI-genererade (genomsnittlig falsk-positiv-frekvens: 61,22%)”, med 97,80% av uppsatserna flaggade av minst en detektor.

Leverantörerna vet. OpenAI drog tillbaka sin egen klassificerare inom sex månader; meddelandet om nedstängning, citerat av Ars Technica²⁰, löd: “Från och med 20 juli 2023 är AI-klassificeraren inte längre tillgänglig på grund av låg träffsäkerhet.” Vid lansering hade OpenAI uppgett att den bara fångade 26% av AI-skriven text och “felaktigt märkte människoskriven text 9 procent av gångerna”. Vanderbilt University²¹ stängde av Turnitins AI-detektor 2023 och räknade öppet: vid den 1% falsk-positiv-frekvens Turnitin uppgav skulle de 75 000 uppsatser Vanderbilt skickade in 2022 innebära “att runt 750 studentuppsatser kunde ha blivit felaktigt flaggade”.

Graphites studie, ovan, validerade sin valda detektor på artiklar publicerade innan ChatGPT fanns — och fann att den “klassificerar 4,2% av dessa artiklar som huvudsakligen AI-genererade”. Även Googles SynthID-artikel i Nature³ 2024 noterar att “efterhandsdetekteringssystem kan vara beräkningsmässigt dyra att köra, och deras praktiska användning begränsas av inkonsekvent prestanda.”

För placeringar slår kostnaden för falska positiva hårdast där en riktig expert är produkten — ghostwritad expertkommentar, där en klassificerare som flaggar en äkta experts egna ord förstör en verklig möjlighet. En leverantör som lovar att “klara detektering” lovar att tillfredsställa verktyg vars dokumenterade felbeteende är att anklaga människor.

Varför det aldrig kommer finnas en universell AI-detektor

Avsaknaderna i det daterade avsnittet är inte ett tillfälligt glapp som väntar på bättre verktyg. De är strukturella.

Att verifiera ett statistiskt vattenmärke kräver generatorns privata nyckel. Googles SynthID-dokumentation²² instruerar utvecklare att varje vattenmärkeskonfiguration “ska lagras säkert och privat, annars kan ditt vattenmärke enkelt kopieras av andra”, och erbjuder detektor-distribution från helt privat till publik. Hindret är inte kostnad — Nature-artikeln är tydlig med att detektering “inte kräver tunga beräkningar eller ens tillgång till underliggande LLM”. Hindret är nycklar. Varje leverantör kan upptäcka, högst, sina egna märken. En universell detektor skulle kräva samarbete från alla generatorer, och incitamenten pekar åt andra hållet.

Täckningen har hål som inget samarbete kan täppa till. Ett ledande labb byggde ett textvattenmärke och valde att inte lansera det: i ett uttalande 2024, citerat av Language Log²³, sade OpenAI att man “utvecklat en metod för textvattenmärkning som vi fortfarande överväger” men bedömer att den är “mindre robust mot global omformulering” — översättning, omskrivning med annan modell — “vilket gör det trivialt att kringgå för illvilliga aktörer”. Öppna modeller ligger helt utanför leverantörernas räckvidd; Nature-artikeln noterar att vattenmärkning av modeller som distribueras decentraliserat är svårt. Och även ett lanserat vattenmärke försvagas: Google dokumenterar att detektorernas tillförlitlighet “kan minska kraftigt när AI-genererad text skrivs om grundligt eller översätts till ett annat språk”.

Anthropic säger nu samma sak om sin egen räckvidd, och bekräftar vad som är på väg. Deras svar gäller bara Claude: ett vattenmärke “kan inte avgöra om texten skrevs av en annan AI (även om den andra AI:n använder vattenmärkning har den en annan nyckel; den kan också använda en annan metod)”. Och detta är inte ett Anthropic-projekt. Cirka 190 aktörer skrev under EU:s Code of Practice on Transparency of AI-Generated Content i juli 2026, och Anthropic säger rakt ut att andra stora modellutvecklare “kommer att implementera egna vattenmärken”. Många nycklar, många metoder, varsin silo.

En kraft pekar åt andra hållet, och den förtjänar att nämnas: koden kräver att undertecknare inför en lösning för interoperabel vattenmärkesdetektering senast 2 februari 2027 — en publik åtkomstpunkt som vidarebefordrar förfrågningar, en inbäddad vägvisare, ett gemensamt konsortium eller motsvarande. Det är en deadline, inte ett fungerande system, och det är en router snarare än en delad nyckel. Det är den starkaste anledningen att tro att bilden kan förbättras, men det ger fortfarande inte en detektor som läser allt, eftersom öppna modeller står utanför hela systemet.

Så det realistiska slutläget åtminstone till 2027 är leverantörsspecifik proveniens: varje ledande labb kan kontrollera sitt eget, ingen kan kontrollera allt, och ett rent resultat från en enskild detektor betyder lite.

Borttagningsverktyget som motbevisar sig självt

Om proveniens inte kan verifieras, kan den åtminstone tvättas bort? Det finns ett open source-projekt byggt för just det — watermarks-remover²⁴, som började som ett Claude-specifikt “remove-claude-marks”-verktyg — och det mest lärorika är dess egen README.

Det öppnar med erkännandet: “Tills leverantörer släpper publika detektorer och nycklar kan inget verktyg ärligt certifiera ‘detta misslyckas på den officiella kontrollen’.” Och igen: “Det kan inte garantera att leverantörens detektorer misslyckas.” Det deterministiska lagret tar bort osynliga Unicode-tecken — vilket, mot ett Claude-textmärke, nu är bekräftat att det inte träffar något. “Inget läggs till i texten och inga dolda tecken finns”, säger Anthropics tekniska förklaring. Kvar är bara det statistiska lagret, uttryckligen “best effort” — omskrivning med en annan modell, eftersom ett statistiskt vattenmärke sprids över tokenval och “borttagning innebär omskrivning, inte omstrukturering”. Anthropic medger samma sak: “Lätt redigering tar troligen inte bort vattenmärket helt; en total omskrivning där varje ord byts ut gör det.” README sätter sedan priset: omskrivningen “plattar ut ton, röst och precision”; för SEO, marknadsföring och kundarbete “är den försämringen verklig och ofta synlig”; resultatet “kan inte överträffa omskrivningsmodellens tak”. Det avslutas med frågan som sluter cirkeln: om du ändå skriver om allt med en billigare modell är det “enklare, billigare och ger samma — eller bättre — slutresultat”. C2PA-filmetadata tas däremot bort direkt — känsliga för filformaten, i linje med Anthropics egen lista över metadataförlust i det daterade avsnittet.

Det finns även en compliance-aspekt här, och den är viktig att känna till innan någon föreslår “scrubbing” som tjänst. Enligt samma Code of Practice måste undertecknare göra sitt bästa för att bevara märkningar, måste förbjuda manipulation i sina villkor, och får “varken tillhandahålla eller marknadsföra kringgångsverktyg”. Verktygen finns och kommer att fortsätta finnas; vad som inte finns är en version som en seriös leverantör kan ta med i ett förslag.

Det är detta inläggs kärna i miniatyr. Att försöka hantera proveniensaxeln kostar dig kvalitetsaxeln — den som avgör om en redaktör behåller din text.

Vad du ska fråga varje leverantör (inklusive oss)

Så hur låter ett bra svar på kundens fråga? Inte ett detektionslöfte — en process. Här är de sex frågor vi skulle ställa till vilken content-leverantör som helst, inklusive oss själva; de beskriver våra egna outreach link building- och listicle-uppdrag, där du godkänner målpublikation, URL, anchor och utkast innan något publiceras.

1. Är research, utkast och faktagranskning separata steg, utförda av olika agenter? Bra svar: ja, och de kan visa separationen, inte bara beskriva den. Hos oss är varje steg — research, disposition, utkast, påståendesamling, faktaverifiering, korrigering och slutlig konsistenskontroll — en egen agentmodul med egen systemprompt. Utkastsagenten har inga verktyg alls — en tom verktygslista, inte en begränsad — så den kan inte söka, scrapa eller hämta, utan arbetar bara från faktadokumentet som research-steget verifierat. Faktagranskning är medvetet inte en agent: en navigatör gör uppslagen och en separat domare på en annan leverantörs modell avgör, så den som kontrollerar ett påstående är inte den som letade efter stöd för det.

2. Var finns de mänskliga stoppen, och kan maskinen gå vidare utan dem? Bra svar: systemet upprätthåller stoppen — ett dokument som beskriver dem räcker inte. Hos oss är tre stopp kodade: en person väljer idén, godkänner dispositionen och godkänner innehållet — och en placering kan inte gå vidare förrän en människa satt slutgiltigt godkännande. Pipen kan inte publicera en artikel på egen hand.

3. Verifieras fakta på öppnade källsidor eller på söksnuttar? Bra svar: sidor. I vår pipeline öppnar research-agenten och läser varje källsida innan ett faktum hamnar i dossiern, och faktagranskningen kräver exakt citat eller utdrag från källsidan som bevis för varje påstående.

4. Vilken leverantörs modell skriver brödtexten — och kan de namnge den? Det är frågan som faktiskt avgör märkningsexponering, och den som leverantörer oftast svarar med en kategori istället för ett namn. Eftersom vattenmärket fäster vid ord modellen valt har en leverantör vars utkastmodell är den som märker ett riktigt svar om större delen av texten; en leverantör som bara använder modellen för att putsa någon annans stycke har inte det. Vårt eget svar, på den detaljnivå vi kan stå för: olika steg i vår pipeline körs på olika leverantörers modeller, och modellen som skriver artikelns brödtext är inte den som vattenmärks här. Var misstänksam mot “vi använder AI ansvarsfullt” — det är inte ett svar på denna fråga.

5. Vad lovar de exakt om detektering? En leverantör som garanterar att innehållet “klarar AI-detektering” lovar en kontroll som idag ingen kan köra — enligt det daterade avsnittet är Anthropics detektions-API utannonserat men inte lanserat — och även när det väl lanseras kan bara Anthropic köra det, bara mot sina egna märken, och kanske bara för verifierade expertanvändare. Vad en sådan leverantör egentligen testar mot är efterhandsklassificerare nedan, dokumenterat opålitliga på människor. Rätt löfte är redaktionellt: det är välskrivet, korrekt och godkänt av en människa.

6. Vad händer om en placering avvisas eller tas ner? Den dokumenterade risken är redaktionell avvisning — så det är den risken ett avtal ska täcka, med ersättnings- eller återbetalningsvillkor skriftligt. Vi har skrivit om varför vi erbjuder nöjdhetsgaranti som det långa svaret på just denna fråga.

Om en leverantör kan svara specifikt på alla sex förändras inget för dig av vattenmärkningsnyheten. Om de inte kan det, var vattenmärkning aldrig ditt största problem.

Två ärliga förbehåll

Triggern är bred; signalen är inte

När vi först publicerade detta inlägg drog vi fel praktisk slutsats av rätt observation. Triggern är verkligen “bearbetat av” — Anthropic nämner korrekturläsning och sammanfattning som exempel, och “en människa skrev det” är inte den trygga försäkran många tror. Men vi antydde sedan att en AI-korrekturpass därmed lämnar ett detekterbart märke på ditt dokument, och Anthropics tekniska förklaring, publicerad dagen efter, säger motsatsen i klarspråk:

När Claude korrekturläser text skriven av en människa har den oftast bara gjort små ändringar; eftersom nästan alla ord är personens egna finns det väldigt lite (om något) för vattenmärket att fästa vid.

Och om det bara gäller grammatik och interpunktion: “vattenmärket kan bara finnas i de få korrigeringarna, vilket kan vara för lite för att registreras.” Samma logik försvagar märket där orden är givna snarare än valda — Anthropic noterar att faktatexter och kod bär mindre vattenmärkning än fri prosa, eftersom det inte finns något fritt val för signalen att fästa på.

Så den ärliga versionen är en gradskillnad, inte en av/på-knapp. Text Claude i huvudsak skrivit är där signalen finns. Text Claude bara rört är det inte, och regelverket sätter sin egen gräns: inget under cirka 150 ord behöver märkas alls. Den felbild vi beskrev — byrån som svär att den är “AI-fri” men kör AI-korrektur — har fortfarande fel om sin egen process, och det är värt att veta om en leverantör. Det är dock, enligt detta, knappast ett detektionsproblem.

Ingen kan verifiera proveniens åt något håll

Verifikationsgapet gäller åt båda håll. Vi kan inte bevisa att vårt innehåll är omärkt mer än en kritiker kan bevisa att en viss sida är märkt — Anthropics egen inramning, enligt det daterade avsnittet, är att ett märke är en signal snarare än ett bevis, och att avsaknad inte bevisar något. Så detta inlägg överdriver inte åt något håll, och du bör misstro alla som gör det: en leverantör som garanterar “inga vattenmärken” säljer samma obevisbara säkerhet som en kritiker som hävdar att de hittat dem.

Detta gäller idag, och har ett utgångsdatum. När Anthropics detektions-API lanseras kommer en part — Anthropic — kunna svara på en fråga, om sina egna märken, med en sannolikhet snarare än ett besked. Det är en minskning av gapet, inte en stängning, och det är värt att återkomma till detta inlägg när det sker.

Katt och råtta: grundarens perspektiv

Här byter jag från “vi” till “jag”, för detta är bedömning, inte källhänvisning. På tjugo år i branschen har jag sett samma cykel gång på gång: Google aviserar en hård linje, branschen förutspår slutet för någon praxis, och sedan kommer tillsynen sent, träffar de slarvigaste aktörerna, och stannar innan jobbet är klart.

Det färskaste exemplet är det som redan nämnts. I sitt meddelande i mars 2024, ovan, pekade Google ut “mycket lågkvalitativt, tredjepartsinnehåll producerat främst för rankingändamål och utan nära tillsyn av webbplatsägare” — parasite SEO, med branschens ord — “och publicerade denna policy två månader före tillämpning den 5 maj”. Googles Search Liaison, citerad av Ranktracker²⁵, sade att tillsynen började 6 maj, dagen efter att policyn trädde i kraft. I november 2024, enligt den uppdaterade policyn citerad av Website Builder Expert²⁶, stängde Google kryphålet för förstapartsgranskning, med Glenn Gabe som rapporterade att de aktuella sektionerna av Forbes Advisor, CNN Underscored och WSJ Buyside i praktiken avindexerades.

Det är katten som fångar en mus — några möss. Vad jag fortfarande ser ute i verkligheten, år efter första “vi kommer att tillämpa”-uttalandet, är samma praxis, levande och välmående. Det är ingen kritik mot Google; det är den observerbara takten på tillsyn mot ett webbstort problem — och detta är en policy där detektering är enkel: innehållet är publikt och mönstret uppenbart. Skala nu upp den förväntan till proveniens, där, enligt det daterade avsnittet, ingen ens kan köra kontrollen.

Två decennier av förutspådda tillslag skulle ha tagit kål på denna bransch flera gånger om, och den finns kvar — för det som överlever varje cykel är samma sak: arbete som håller för den granskning det alltid skulle få. Vattenmärket är inte problemet. Det har det aldrig varit.

Nu vet du hur ett bra svar på vår kunds fråga låter. Ta de sex frågorna ovan till den som bygger ditt innehåll, och lyssna efter konkreta svar. Om svaren är vaga, är det vagheten som är svaret.