Numerama l’a bien résumé : depuis le filigrane de Claude, un texte est traçable “même dans un mail”. Du coup, en commentaires, la même question revient en boucle — si c’est traçable partout, ça veut dire que Turnitin peut me choper direct ? Bah non, justement. Et c’est tout l’objet de cet article.
Depuis le 2 août 2026, les nouveaux modèles de Claude tissent un filigrane statistique invisible dans le texte qu’ils génèrent. Mais Turnitin, GPTZero et compagnie ne peuvent absolument pas lire ce filigrane — ils n’ont tout simplement pas la clé, et ne l’ont jamais eue. Ce qu’ils font à la place, c’est un tout autre truc, bien plus ancien : des suppositions statistiques maison, qui existaient bien avant le moindre filigrane.
Ce qui a vraiment changé le 2 août
Chaque fois qu’un modèle génère du texte, il choisit entre plusieurs mots plausibles à chaque étape — “le chat s’est assis sur le ___” pourrait finir par “tapis”, “canapé”, “sol”, et ainsi de suite. Un filigrane statistique fonctionne en biaisant discrètement, mais de façon cohérente, lequel de ces choix équivalents le modèle a tendance à prendre. C’est l’approche SynthID-Text de Google DeepMind, et c’est cette même famille de technique qu’Anthropic a adaptée pour Claude.
Pas de caractères cachés, pas de métadonnées à supprimer. Le motif est tissé dans le choix des mots lui-même. Tu copies-colles le texte dans Word, un mail, où tu veux — le motif suit, parce qu’il fait partie des mots.
Pourquoi maintenant ? Le déclencheur, c’est le Code de bonnes pratiques sur la transparence des contenus générés par IA — plus de 190 organisations l’ont signé (OpenAI, Meta, Microsoft y compris), dans le cadre de l’AI Act européen qui exige ce marquage depuis début août. Et Anthropic a fait un choix clair : appliquer ça au monde entier, pas juste à l’Europe. En France, on a donc la même règle que tout le monde, sans version allégée.
Un détail que la presse française mentionne peu : ça ne concerne que les modèles Claude lancés depuis le 2 août 2026. Si t’utilisais un modèle antérieur, ton texte n’a aucun filigrane — pas parce que t’as fait quelque chose de différent, juste parce que la fonction n’existait pas encore techniquement.
Filigrane vs détecteur : deux machines complètement différentes
Voilà le cœur du sujet, et c’est exactement ce qui sème la confusion partout en ce moment : ce n’est pas la même chose qu’un détecteur d’IA ?
Non. Et la différence est fondamentale.
Le filigrane de Claude, c’est un signal que Claude intègre volontairement. Anthropic le contrôle, et — au 23 août 2026 — seule Anthropic peut le lire, parce qu’il faut la clé cryptographique spécifique.
Turnitin, GPTZero et Pangram, ce sont des devineurs. Ils n’ont pas cette clé. Ils ne l’ont jamais eue. Ce qu’ils font en réalité, c’est faire passer ton texte dans leur propre classificateur, qui analyse des statistiques de surface — la perplexité (à quel point le choix des mots est “prévisible”), le burstiness (à quel point le rythme et la longueur des phrases varient) et des tournures typiques de l’IA. Résultat : une probabilité. Une supposition déguisée en pourcentage.
Confondre ces deux trucs, c’est exactement l’erreur qui traîne un peu partout en ce moment — même le résumé automatique de Google pour “is Claude AI detectable” mélange les deux systèmes dans sa réponse. Si même la réponse générée par IA sur “est-ce que c’est de l’IA” n’arrive pas à les distinguer, autant clarifier ça une bonne fois pour toutes.
| Filigrane de Claude | Turnitin / GPTZero / Pangram | |
|---|---|---|
| C’est quoi | Motif statistique intégré volontairement dans le choix des mots | Classificateur qui devine via perplexité/burstiness/tournures |
| Qui peut le lire | Seule Anthropic, via une API pas encore publique | N’importe qui utilisant cet outil |
| Ce que “détecté” veut dire | Claude a participé à ce texte | Le classificateur pense que ça ressemble à de l’IA |
| Survit à une édition légère ? | Généralement oui, selon Anthropic | Ça dépend — le classificateur peut se planter dans les deux sens |
| Prouve l’auteur ? | Non — juste que Claude a participé, pas à quel point | Non — c’est une estimation de probabilité |
| Détecteur public aujourd’hui ? | Pas encore (au 23 août 2026) | Oui, c’est littéralement le produit |
Ce qui survit vraiment à une édition
La formulation d’Anthropic est volontairement qualitative plutôt qu’un pourcentage précis : une édition légère “ne le retire probablement pas”, une réécriture complète, si. Frustrant si tu veux anticiper — voici donc le chiffre plus tranchant que la recherche indépendante a trouvé sur les filigranes type SynthID : le paraphrasage supprime le signal dans environ 98,3 % des cas testés. Traduction : si tu prends le brouillon de Claude et que tu le réécris vraiment avec tes propres mots — pas juste changer deux synonymes, mais restructurer pour de vrai — le filigrane est fonctionnellement absent dans presque tous les cas testés.
Et le coup du “outil pour l’enlever” trouvé par Xataka (l’équivalent espagnol de nos médias tech) à peine 24 heures après l’annonce ? Il marche par substitution de synonymes, en repassant ton texte dans une autre IA. Le créateur de l’outil lui-même reconnaît que ça ne trompe pas forcément tous les détecteurs, et que repasser le texte dans une deuxième IA peut introduire des erreurs ou dégrader la qualité. Franchement, arrête-toi deux secondes là-dessus : si contourner la détection compte plus pour toi qu’avoir un bon texte, ça en dit plus long sur ta situation que sur l’outil.
Qui détecte vraiment Claude — et à quelle fréquence
Puisque les détecteurs ne peuvent pas lire le filigrane, la vraie question, c’est : leur classificateur maison, il est bon à quel point pour deviner que c’est du Claude ? La réponse varie plus qu’on pourrait le penser, et c’est pire pour Claude que pour certains concurrents.
GPTZero repère du texte Claude avec un taux de 71 à 83 %, nettement plus faible que ses 87 à 93 % sur du texte ChatGPT. Des tests indépendants sur Claude Sonnet et Haiku montrent systématiquement que les modèles d’Anthropic sont moins “détectables” par ces outils basés sur des classificateurs que GPT-4o, et nettement moins que DeepSeek R1.
Concrètement, ça veut dire un truc : deux étudiants qui ont utilisé de l’IA, l’un avec ChatGPT, l’autre avec Claude, ont des chances très différentes de se faire repérer par exactement le même détecteur — pas parce qu’ils ont fait quelque chose de différent, mais parce qu’un modèle produit un texte statistiquement plus “détectable” pour cet outil-là en particulier.
Les faux positifs, c’est ça la vraie histoire
Et c’est là que la critique “c’est une supposition déguisée en preuve” cesse d’être abstraite pour devenir un vrai problème avec de vraies conséquences.
L’étude de Stanford menée par Liang et al. a trouvé un taux de faux positifs de 61,3 % sur des essais rédigés par des personnes qui n’ont pas l’anglais comme langue maternelle — autrement dit, plus de la moitié du temps, du texte authentiquement humain de non-natifs a été signalé comme généré par IA. La raison colle avec le fonctionnement de ces classificateurs : l’anglais écrit par un non-natif a souvent une “perplexité” plus faible — un choix de mots plus prévisible, moins de variation idiomatique. Et c’est exactement ce que ces outils lisent statistiquement comme une signature IA. L’outil ne détecte pas l’IA. Il détecte un style d’écriture — et pénalise les gens de ne pas écrire comme un natif avec un vocabulaire large.
L’Academic Compliance Unit a recensé, selon les rapports, environ 6 000 cas de ce que les chercheurs appellent un excès de zèle des détecteurs — des cas où un signalement est devenu la base d’une accusation sans vérification indépendante suffisante. Un cas à l’University of Michigan concernait spécifiquement une plainte pour discrimination liée au handicap : le style d’écriture d’une étudiante, façonné par son handicap documenté, a généré des faux positifs qui sont devenus la base d’une sanction académique.
Aucun de ces cas n’a de lien avec le filigrane de Claude. Tout ça, c’est le côté “classificateur qui devine” — celui qui existe depuis des années avant le moindre filigrane, et qui reste aujourd’hui ce que quasiment toutes les écoles, tous les employeurs et toutes les plateformes utilisent réellement.
OpenAI n’a même pas de filigrane
Un fait qui recadre tout le débat : à août 2026, OpenAI n’a déployé aucun filigrane de texte pour ChatGPT. Selon les rapports, OpenAI en a développé un en interne — soi-disant efficace à 99,9 % lors des tests internes — puis l’a mis de côté, citant des inquiétudes sur les faux positifs et l’impact potentiel sur l’adoption si les utilisateurs se savaient marqués.
Bref, l’état honnête de l’industrie en ce moment : Anthropic est l’entreprise qui a fait le pas de transparence que pousse l’AI Act européen, et se retrouve avec l’essentiel de l’angoisse “est-ce qu’on va me griller pour avoir utilisé l’IA” — pendant que le plus gros outil d’écriture IA de la planète n’a rien de comparable en place. Si ta crainte, c’est “quel outil IA marque discrètement mon texte”, Claude est, techniquement, le plus transparent des deux. Il est juste aussi celui qui fait les gros titres pour ça.
Ce que la doc d’Anthropic dit explicitement de NE PAS faire avec ça
Anthropic a été claire : le filigrane n’est pas un détecteur de triche, et un signal positif prouve une participation, pas une paternité. Pour résumer leur propre positionnement : le filigrane ne distingue pas Claude rédigeant un essai de zéro, Claude peaufinant un brouillon humain, ou Claude résumant un rapport humain bien plus long. Les trois situations produisent le même motif détectable.
C’est essentiel pour comment n’importe quel employeur, école ou plateforme devrait utiliser ce signal, si jamais une API publique de détection voit le jour : comme un élément parmi d’autres, vérifié par un humain, jamais comme une preuve automatique de mauvaise conduite. La propre guidance de Turnitin dit déjà ça sur son classificateur existant — que son score ne doit pas être la seule preuve. Et un employeur français qui licencie quelqu’un sur la seule base d’un score de détection s’expose à un risque juridique bien réel — le risque grandit, pas l’inverse, une fois qu’on comprend à quel point ce score est peu fiable pour certains profils.
Ce que ça change pour toi
Si ton CV t’inquiète : Personne en dehors d’Anthropic ne peut vérifier le filigrane aujourd’hui, et rien n’indique que les ATS ou les recruteurs aient un moyen de le faire. Ton vrai risque, ce sont les détecteurs génériques basés sur des classificateurs, avec des problèmes documentés de faux positifs — surtout si l’anglais n’est pas ta langue maternelle. La solution, c’est pas la panique, c’est un brouillon final qui te ressemble, pas un premier jet d’IA envoyé tel quel.
Si t’es étudiant, surtout en anglais : Tu fais statistiquement partie du groupe le plus exposé aux faux positifs des outils basés sur des classificateurs, filigrane ou pas. Si ton établissement utilise Turnitin : un score élevé de “probabilité IA” ne prouve rien du tout. Renseigne-toi sur la procédure de recours avant d’en avoir besoin.
Si tu utilises Claude au boulot : La démarche responsable que suggère Anthropic elle-même, c’est pas d’éviter l’IA — c’est de la déclarer et de retravailler dessus. Utilise Claude pour le premier jet, puis ajoute tes propres données, exemples et jugement — exactement comme tu relirais le brouillon d’un collègue avant de mettre ton nom dessus.
Si tu conçois une politique IA en RH : Ne construis pas une politique qui traite un score de détection — filigrane ou classificateur — comme une preuve automatique. Prévois une revue humaine et un droit de réponse avant qu’un signalement ne devienne un entretien disciplinaire.
Si un “supprimeur de filigrane” te tente : Comprends ce que t’achètes vraiment. La plupart passent ton texte dans une autre IA pour échanger des synonymes — une méthode que même leurs créateurs ne présentent pas comme une garantie contre tous les détecteurs, et qui peut dégrader ton texte de façon mesurable. Si éviter la détection compte vraiment à ce point, réécrire pour de vrai avec tes propres mots est plus fiable et moins risqué qu’un service de synonymes payant.
FAQ
Turnitin peut-il détecter Claude ? Turnitin ne peut pas lire le filigrane de Claude — aucun outil en dehors d’Anthropic ne le peut, il n’existe pas encore d’API publique de détection. Turnitin peut signaler du texte Claude via son propre classificateur séparé, avec des taux de détection et de faux positifs documentés qui n’ont rien à voir avec le filigrane.
Existe-t-il un détecteur qui lit vraiment le filigrane de Claude ? Pas publiquement, au 23 août 2026. Anthropic n’a pas encore publié d’outil ou d’API de détection pour des tiers.
Qu’est-ce qui déclenche le filigrane ? L’utilisation d’un modèle Claude lancé depuis le 2 août 2026. C’est automatique, sans possibilité d’activer ou de désactiver.
Éditer le texte enlève-t-il le filigrane ? Une édition légère, probablement pas, selon Anthropic. Un vrai paraphrasage le supprime dans environ 98,3 % des cas testés, selon la recherche indépendante.
Un “supprimeur de filigrane Claude” est-il fiable ? Sois sceptique. La plupart fonctionnent par substitution de synonymes via une deuxième IA — une méthode que même leurs créateurs ne présentent pas comme une garantie contre tous les détecteurs, et qui peut dégrader ton texte de façon mesurable.
Pourquoi Anthropic a fait ça maintenant ? Le déclencheur cité, c’est l’obligation de transparence de l’AI Act européen. Anthropic a choisi une application mondiale plutôt qu’une version limitée à l’Europe.
ChatGPT a-t-il un équivalent ? Non, pas à août 2026. Selon les rapports, OpenAI a développé un filigrane de texte en interne mais ne l’a pas déployé, par crainte des faux positifs et de l’impact sur l’adoption.
Mon employeur peut-il vérifier mon travail pour de l’usage IA ? Pas via le filigrane de Claude spécifiquement — il n’existe pas encore d’outil public pour ça. Il pourrait utiliser un détecteur basé sur un classificateur comme ceux évoqués ici, avec les limites de précision et de faux positifs qu’une politique responsable devrait prendre en compte.
Pour résumer
Le filigrane de Claude et les détecteurs qui inquiètent la plupart des gens sont deux systèmes séparés qui ne communiquent pas entre eux — et l’un des deux, aujourd’hui, n’est même pas vérifiable publiquement. Le vrai risque, ce n’est pas une empreinte IA secrète qui te trahit. C’est un outil classificateur plus ancien qui devine une probabilité, se trompant plus souvent avec les non-natifs et certains styles d’écriture, et quelqu’un qui prend cette supposition pour une preuve. Comprends la différence, utilise l’IA comme Anthropic elle-même le recommande — brouillon, puis retravail personnel — et tu es déjà un cran devant la confusion qui circule en ce moment.
Si tu veux mieux comprendre comment ces outils d’écriture IA fonctionnent vraiment — pas juste Claude, mais l’usage de l’IA au boulot en général —, notre cours de fondamentaux de l’IA est un bon point de départ.
Sources
- Anthropic — How Claude’s text watermarking works
- Numerama — couverture du filigrane de Claude et de la traçabilité post copier-coller
- Xataka — Anthropic explica cómo funciona la nueva marca de agua de Claude (référence technique, en espagnol)
- FindSkill.ai — Is Claude AI Detectable? The Honest Answer for 2026 (version anglaise, données Stanford/Michigan sourcées)
