TLDR: Wenn wir den Begriff “Wasserzeichen” hören, haben wir eine relativ klare Vorstellung davon. Eine Markierung wird in ein Dokument, ein Bild oder eine Datei eingebettet und soll später Herkunft oder Echtheit nachvollziehbar machen. Idealerweise lässt sich diese Markierung eindeutig feststellen und ist gleichzeitig schwer zu entfernen. Bei Texten funktioniert dieses Prinzip allerdings wesentlich komplizierter.
Anthropic verändert bei unterstützten Claude-Modellen offenbar die statistische Verteilung bestimmter Token beziehungsweise sprachlicher Auswahlmöglichkeiten. Vereinfacht gesagt bedeutet das: Claude bevorzugt beim Generieren eines Textes bestimmte mögliche Formulierungen etwas häufiger, als dies ohne diese zusätzliche Steuerung geschehen würde. Ein speziell entwickelter Detektor sucht später nach diesem Muster und berechnet daraus, ob der Text mit hoher Wahrscheinlichkeit durch ein entsprechendes Claude-Modell verarbeitet wurde.
Technisch ist das interessant. Neu ist die Grundidee allerdings nicht. Die Forschung beschäftigt sich bereits seit mehreren Jahren mit statistischen Wasserzeichen für Large Language Models. Auch andere Anbieter und Forschungsgruppen entwickeln entsprechende Verfahren. Der Begriff “Wasserzeichen” ist deshalb nicht völlig falsch, er erzeugt beim Publikum aber eine Erwartung, die deutlich robuster klingt als das tatsächliche Verfahren.
Der Detektor erkennt Claude-Verarbeitung, nicht Autorschaft
Der wichtigste Punkt wird in vielen Schlagzeilen zu schnell übersprungen. Ein positiver Treffer bedeutet nicht automatisch: “Dieser Text wurde von Claude geschrieben.” Ein korrekterer Satz wäre: “Dieser Text enthält ein statistisches Muster, das mit einer Verarbeitung durch ein unterstütztes Claude-Modell vereinbar ist.”
Dieser Unterschied ist erheblich. Anthropic weist selbst darauf hin, dass ein entsprechendes Signal auch entstehen kann, wenn Claude einen bereits bestehenden menschlichen Text lediglich übersetzt, kürzt, sprachlich verändert oder lektoriert. Damit ist allein aus dem Signal noch lange nicht ersichtlich, welche Rolle das Modell im eigentlichen Entstehungsprozess gespielt hat.
Stellen wir uns eine Studentin vor, die ihre Arbeit vollständig selbst recherchiert und schreibt. Am Ende lässt sie Claude lediglich Rechtschreibung und Grammatik überprüfen. Wenn die bearbeitete Fassung danach ein entsprechendes statistisches Muster enthält, sagt der Detektor zwar etwas über die technische Verarbeitung aus. Er sagt aber nichts darüber, wer die Gedanken entwickelt, die Quellen gelesen, die Argumentation aufgebaut oder die Schlussfolgerungen gezogen hat.
Genau deshalb beantwortet dieses Verfahren die organisatorisch relevanten Fragen nicht. Wer hatte die Idee? Wer hat recherchiert? Wer hat die Aussagen überprüft? Wie stark wurde der ursprüngliche Text verändert? Wurde KI entgegen einer bestehenden Regel verwendet? Wer übernimmt die fachliche Verantwortung? Keine dieser Fragen lässt sich mit einem positiven Wasserzeichen zuverlässig beantworten.
Ein negativer Treffer beweist leider gar nichts
Noch interessanter wird die Sache, wenn der Detektor kein entsprechendes Muster findet. Die intuitive Schlussfolgerung wäre dann: “Der Text wurde also von einem Menschen geschrieben.” Auch das wäre methodisch falsch.
Statistische Muster können durch starke Überarbeitung verändert werden. Übersetzungen können sie abschwächen. Inhalte können mit anderen Texten kombiniert werden. Bei kurzen Passagen fehlt möglicherweise schlicht genügend statistisches Material für eine belastbare Erkennung. Hinzu kommt, dass nicht jedes Modell und nicht jede ältere Modellversion zwingend Teil des Systems ist.
Damit entsteht ein asymmetrisches Problem. Ein positiver Treffer beweist keine vollständige KI-Autorschaft. Ein negativer Treffer beweist keine menschliche Autorschaft. Wir erhalten also ein zusätzliches Signal, aber keine binäre Wahrheit.
Das erinnert stark an die Diskussion rund um klassische AI-Text-Detektoren. Auch dort wurden Wahrscheinlichkeiten viel zu schnell in scheinbar eindeutige Aussagen übersetzt. Wenn ein System behauptet, ein Text sei zu “83 Prozent AI generated”, klingt das zunächst präzise. Was diese Zahl praktisch bedeutet, welche Fehlerquote dahinterliegt und wie stark unterschiedliche Schreibstile das Resultat beeinflussen, bleibt häufig deutlich weniger klar.
Trotzdem ist Anthropics Ansatz nicht ganz nutzlos
Es wäre allerdings genauso falsch, die Technologie deshalb vollständig abzuschreiben. Modellseitig erzeugte Provenienzsignale halte ich grundsätzlich für sinnvoller als Systeme, die nachträglich versuchen zu erraten, ob ein Text “nach KI klingt”. “Nach KI klingen” ist keine belastbare technische Kategorie.
Bei einem modellseitigen Signal existiert wenigstens eine definierte Ursache. Der Anbieter verändert bewusst bestimmte statistische Eigenschaften während der Generierung. Der Detektor weiss deshalb, nach welcher Struktur er suchen muss. Das ist methodisch deutlich sauberer als die Behauptung, ein bestimmter Schreibstil sei typisch für künstliche Intelligenz.
In diesem Sinne ist Anthropics Ansatz durchaus ein Fortschritt. Er verschiebt einen Teil der Diskussion von der Stilinterpretation hin zu technischen Provenienzsignalen. Genau dort können solche Technologien einen echten Nutzen entwickeln, insbesondere wenn unterschiedliche Anbieter langfristig interoperable Standards verwenden.
Das Grundproblem bleibt allerdings bestehen. Ein Claude-Wasserzeichen erkennt im besten Fall Claude-Verarbeitung. Es erkennt damit nicht automatisch Inhalte aus ChatGPT, Gemini, Llama, Mistral, lokalen Modellen oder zukünftigen Systemen. Wir erhalten also keinen universellen Nachweis künstlicher Intelligenz. Wir erhalten anbieterspezifische Spuren.
Gefährlich wird es bei Governance und Compliance
Technologien werden häufig nicht allein durch ihre technische Funktionsweise problematisch. Entscheidend ist, welche organisatorischen Konsequenzen daraus entstehen. Genau deshalb sehe ich die grösste Herausforderung bei Anthropics Watermark weniger in Claude selbst als in den Systemen, die darauf aufgebaut werden könnten.
Man kann sich leicht vorstellen, wie das weitergeht. Eine Hochschule integriert einen Claude-Detektor in eine Prüfungsplattform. Ein Unternehmen überprüft Bewerbungsunterlagen automatisiert. Eine Redaktion markiert Texte, bei denen ein statistisches Signal gefunden wurde. Eine Compliance-Abteilung definiert einen Schwellenwert und verbindet ihn mit internen Regeln.
Irgendwann wird aus der technisch korrekten Aussage “Dieser Text wurde möglicherweise durch Claude verarbeitet” organisatorisch die Aussage “Dieser Text ist KI-generiert”. Im nächsten Schritt kann daraus sogar “unerlaubter KI-Einsatz” oder “Täuschung” werden. Genau diese Verkürzung wäre problematisch.
Anthropics Markierung kann ein zusätzlicher Hinweis innerhalb eines grösseren Prüfprozesses sein. Sie eignet sich aber nicht als alleinige Grundlage für Sanktionen, Benotungen, Personalentscheidungen oder Verantwortungszuweisungen. Seriöse Governance muss Prozessdokumentation, Quellen, Versionshistorien, verwendete Werkzeuge und menschliche Freigaben berücksichtigen. Ein technisches Signal kann diese Informationen ergänzen. Es kann sie nicht ersetzen.
Die wichtigere Frage lautet nicht mehr “Ist das KI?”
Ich halte die Frage “Ist dieser Text von einer KI?” ohnehin zunehmend für falsch gestellt. Unsere Arbeitsprozesse werden immer hybrider. Menschen recherchieren mit einem Modell, strukturieren mit einem zweiten, schreiben einzelne Teile selbst, lassen andere Passagen überarbeiten und kontrollieren anschliessend Quellen und Aussagen.
Nehmen wir eine Mitarbeiterin, die mit Claude recherchiert, mit ChatGPT eine mögliche Struktur diskutiert, den eigentlichen Text selbst schreibt, Zahlen überprüft und den Inhalt anschliessend fachlich freigibt. Die Information “Claude war beteiligt” beschreibt zwar einen Teil des Prozesses, sagt aber kaum etwas über die Qualität oder Verantwortung des Ergebnisses aus.
Umgekehrt kann ein vollständig menschlich geschriebener Text sachlich falsch, schlecht recherchiert oder bewusst manipulativ sein. Menschliche Herkunft ist kein Qualitätssiegel. KI-Beteiligung ist ebenso wenig automatisch ein Qualitätsmangel.
Deshalb müssen wir drei Dinge konsequent auseinanderhalten. Provenienz ist nicht Qualität. Provenienz ist nicht Wahrheit. Und Provenienz ist schon gar nicht Verantwortung. Diese Kategorien werden in vielen Diskussionen über AI Detection vermischt, obwohl sie völlig unterschiedliche Fragen beantworten.
Unternehmen sollten nicht versuchen, Menschen beim KI-Einsatz zu erwischen
Für Unternehmen halte ich eine Kontrolllogik nach dem Prinzip “Wir finden heraus, wer KI verwendet hat” für den falschen Ansatz. Künstliche Intelligenz wird Bestandteil zahlreicher Wissensprozesse werden. Die entscheidende Managementaufgabe besteht deshalb nicht darin, diese Nutzung möglichst vollständig aufzuspüren, sondern vernünftige Regeln für sie zu definieren.
Organisationen müssen klären, wo KI eingesetzt werden darf und wo nicht. Sie müssen definieren, welche Daten in externe Systeme eingegeben werden dürfen, wann eine Nutzung offengelegt werden muss, welche Quellen geprüft werden müssen und bei welchen Entscheidungen zwingend menschliche Kontrolle erforderlich ist. Vor allem muss klar sein, wer am Ende fachlich für ein Ergebnis verantwortlich bleibt.
Das ist Governance. Ein Detektor ist keine Governance. Ein Wasserzeichen ist ebenfalls keine Governance. Und auch eine Richtlinie mit zwanzig Verboten ist noch lange keine funktionierende Governance.
Gute Governance schafft nachvollziehbare Prozesse und klare Verantwortlichkeiten. Sie ermöglicht den produktiven Einsatz von Technologie und begrenzt gleichzeitig Risiken. Genau deshalb sollten Provenienzsysteme nicht als digitale Polizei verstanden werden, sondern als mögliche zusätzliche Informationsquelle innerhalb eines verantwortungsvoll gestalteten Prozesses.
Das eigentliche Problem ist die Erwartung hinter dem Begriff “Wasserzeichen”
Anthropics AI Watermark ist also nicht nutzlos. Technische Provenienzsignale können langfristig einen wichtigen Beitrag dazu leisten, die Entstehung digitaler Inhalte besser nachvollziehbar zu machen. Gerade in Kombination mit Standards für Bilder, Audio, Video und Text könnte daraus eine wichtige Infrastruktur entstehen.
Problematisch ist aber die Erwartung, die der Begriff “Wasserzeichen” erzeugt. Wir reden bei Text nicht über einen eindeutigen digitalen Herkunftsstempel. Wir reden über ein statistisches Signal, das darauf hinweisen kann, dass ein bestimmtes Modell an der Verarbeitung eines Textes beteiligt war.
Das ist für Transparenz interessant. Für Provenienz kann es ebenfalls hilfreich sein. Auch für forensische Analysen kann ein solches Signal zusätzlichen Kontext liefern. Es wird aber problematisch, sobald daraus ein vermeintlicher Lügendetektor für KI-Nutzung wird.
Denn dann stellen wir einer Technologie eine Frage, die sie technisch gar nicht beantworten kann. Nicht die Technologie ist in diesem Moment falsch. Unsere Interpretation ist es.
Wir brauchen bessere Kategorien für Mensch-KI-Zusammenarbeit
Die einfache Trennung zwischen “menschlich geschrieben” und “KI-generiert” wird unserer tatsächlichen Arbeitsweise immer weniger gerecht. Die Realität moderner Wissensarbeit sieht längst eher so aus: Mensch, KI, Mensch, weitere KI, menschliche Prüfung und anschliessend Veröffentlichung.
Wir recherchieren mit Systemen, stellen Rückfragen, strukturieren Argumente, verwerfen Vorschläge, formulieren neu, überprüfen Quellen und treffen Entscheidungen. Die interessante Frage lautet deshalb nicht, ob irgendwo im Prozess künstliche Intelligenz vorkam. Die interessante Frage lautet, welche Rolle sie gespielt hat.
Langfristig wären differenziertere Provenienzangaben deshalb sinnvoller. “Human authored”, “AI assisted”, “AI edited”, “AI generated” und “Human reviewed” würden wesentlich besser beschreiben, wie Inhalte heute tatsächlich entstehen. Ein simples Label wie “AI generated” reduziert dagegen einen komplexen Entstehungsprozess auf eine binäre Kategorie.
Gerade Unternehmen, Hochschulen und Behörden sollten sich deshalb nicht von der vermeintlichen Einfachheit technischer Detektoren verführen lassen. Ein gutes Kontrollsystem muss Realität abbilden. Es darf sie nicht künstlich vereinfachen, nur weil sich die vereinfachte Version leichter in eine Software einbauen lässt.
KI Wasserzeichen oder nicht ist die falsche Frage
Anthropic hat mit seinem AI Watermark kein nutzloses System entwickelt. Das Verfahren kann ein sinnvoller Baustein für technische Provenienz sein und ist methodisch interessanter als klassische AI-Text-Detektoren, die lediglich aus Stilmerkmalen auf eine mögliche KI-Nutzung schliessen.
Der Begriff “Wasserzeichen” verspricht allerdings mehr Eindeutigkeit, als das Verfahren bei Text tatsächlich liefern kann. Ein statistisches Claude-Signal kann darauf hinweisen, dass Claude an der Verarbeitung eines Textes beteiligt war. Es beweist keine Autorschaft, keine Täuschung, keine Qualität und keine Wahrheit.
Die eigentliche Herausforderung bleibt deshalb dieselbe wie vorher. Wir brauchen keine perfekte Maschine, die uns verrät, ob irgendwo künstliche Intelligenz verwendet wurde. Wir brauchen Organisationen, die wissen, wie sie künstliche Intelligenz verantwortungsvoll einsetzen wollen und wer am Ende für die Ergebnisse geradesteht.
Denn am Ende ist nicht entscheidend, ob Claude einen Satz formuliert hat. Entscheidend ist, wer diesen Satz überprüft, wer ihn veröffentlicht und wer bereit ist, dafür Verantwortung zu übernehmen. Und genau deshalb bin ich weiterhin überzeugt: Die Zukunft gehört nicht einfach dem Tippen und Klicken. Sie gehört dem gemAInsamen Arbeiten mit intelligenten Systemen, hoffentlich zunehmend auch mit europäischen.
Wenn Du darüber sprechen oder mit mir zusammenarbeiten willst, melde dich gerne
Disclaimer
Dieser Artikel wurde auf Basis meines eigenen Wissens sowie einer vertieften Recherche öffentlich zugänglicher Quellen erstellt. Aussagen und technische Einordnungen wurden soweit möglich anhand offizieller Informationen überprüft. Der Text wird vor Veröffentlichung zusätzlich von zwei Personen meiner Wahl gelesen und kritisch hinterfragt.
Das Artikelbild stammt aus KI-generierter Bildgebung mit Ideogram beziehungsweise Adobe Firefly. Dieser Beitrag dient der Einordnung und Weiterbildung und erhebt keinen Anspruch auf Vollständigkeit. Falls Du eine Ungenauigkeit findest, melde Dich gerne bei mir. Danke.
Quellen und weitere Informationen
Anthropic. (2026). How Claude marks AI-generated content. Anthropic Support. https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content
TechCrunch. (2026, 11. August). Anthropic says it will watermark text generated by its AI models. TechCrunch. https://techcrunch.com/2026/08/11/anthropic-says-it-will-watermark-text-generated-by-its-ai-models/