Anthropic 14. srpna 2026 oznámil, že budoucí modely Claude začnou do generovaného textu vkládat statistický vodoznak. Firma tím reaguje na požadavky evropského AI Actu, který od poskytovatelů generativních systémů požaduje strojově čitelné značení syntetických výstupů. Značení se má při spuštění používat globálně, protože Anthropic zatím neumí trvale rozlišovat uživatele podle regionu.
Vodoznak nebude vidět. Do odpovědi se nepřidá značka, skrytý znak ani identifikátor člověka, který zadal prompt. Stopa bude vznikat přímo při generování a později ji má rozpoznat detektor, který plánuje Anthropic poskytnuot. Komu, to se zatím neví.
Takový systém má ve své podstatě rozumný účel. Platformám a výzkumníkům dá další údaj při sledování hromadně generovaných dezinformací. Ve školách nebo firmách poslouží k ověření přiznaného použití modelu. Nebezpečí vznikne ve chvíli, kdy se pravděpodobný technický původ zamění za autorství. Detektor totiž neurčí, kdo vymyslel původní myšlenku, kdo navrhl argument, provedl rešerši nebo napsal originální verzi. Přesto se jeho výsledek snadno zkrátí na „podpis Clauda“ = „AI text“ a tak často dostane stigma, kterou si nezaslouží.
Tento problém se totiž netýká jen článků a textů vytvořených na jeden prompt. Do stejné kategorie se dostane překlad vlastního rukopisu, rozsáhlejší jazyková úprava nebo kód, do kterého Claude doplnil komentáře. A proto než se vodoznak stane běžným nástrojem škol, redakcí a firem, potřebujeme znát přesnost detektoru, pravidla přístupu k němu, výsledky pro češtinu a postup, kterým se člověk proti chybnému závěru brání. Právě tomu se tento článek bude věnovat.
Jak má textový vodoznak fungovat
Nejprve si zopakujme, jak textový výstup ve velkých jazykových modelech vzniká. Model skládá odpověď po tokenech. Token je přibližně jedno anglické slovo. U češtiny je to problematičtější, protože v tréninkových datech nebylo tolik českých textů, aby si česká slova model osvojil jako jeden token, takže se často skládají z více tokenů. Pokud to někoho zajímá, jak se slovo tokenizuje, na stránce OpenAI si můžete vyzkoušet online tokenizer.
Vraťme se ale samotnému generování věty, Model neví dopředu, jak bude text vypadat, má však u každého dalšího kroku k dispozici několik kandidátů s různou pravděpodobností. Anthropic naznačuje, jak bude značkování textu vypadat. A to drobnou změnou textu.
Dáme si několik příkladů:
Bez vodoznaku:
Kočka sedí u okna a sleduje, jak slunce zapadá.
S ilustračním vodoznakem:
Kočka odpočívá na parapetu a pozoruje, jak slunce mizí za obzorem.
Další označené varianty:
Z parapetu kočka pozoruje slunce, které pomalu klesá za obzor.
Kočka tiše vyhlíží z okna a sleduje, jak se slunce ztrácí za obzorem.
U okna odpočívá kočka a pozoruje poslední okamžiky zapadajícího slunce.
Tučně vyznačené výrazy představují volby, které v tomto zjednodušeném příkladu preferuje tajný parametr vodoznaku. Jak vidíte, pro běžného čtenáře se toho v textu mnoho nemění, příběh zůstává, význam v podstatě také. Asi ani jeden z výstupů by čtenáře neurazil. Pokud bude v textu takových pozměněných sekvencí více, detektor je najde a opakující se statistický vzor v delším textu prohlásí text za generovaný AI.
Anthropic tak popisuje vlastní variantu metody SynthID-Text, kterou Google DeepMind popsal v časopise Nature již v roce 2024. Metoda odvozuje z několika předchozích tokenů a tajného parametru pseudonáhodné hodnoty. Těmi ovlivní výběr mezi přijatelnými pokračováními. Detektor pak v hotovém textu hledá statistickou souvislost, která by při běžném generování vznikala méně často.
V publikované metodě SynthID-Text lze sílu této souvislosti vyjádřit skórem:
Token xt se hodnotí pomocí pseudonáhodných funkcí gℓ, jejichž výsledek závisí na tajném parametru a předchozích tokenech. Detektor příspěvky zprůměruje přes celý text. Výsledné skóre pak porovná s nastaveným prahem. Čím více tokenů má k dispozici, tím lépe dokáže rozlišit náhodnou shodu od soustavného vzoru.
Co od textových generátorů očekáváme?
Položme si tuto otázku. Co od jazykovým modelů očekáváme? Nejpravděpodobnější = nejlepší výstup. A v předchozí ukázce jste viděli, že tomu tak nemusí být. jestliže nejpravděpodobnější výstup měla být věta „Kočka sedí u okna a sleduje, jak slunce zapadá“, věta „U okna odpočívá kočka a pozoruje poslední okamžiky zapadajícího slunce“ to jednoduše není. je posunutá, o malinký kousek, ale stále posunutá.
Text se mění ne ve prospěch výstupu (a uživatele), ale ve prospěch vodoznaku. Bez tohoto zásahu by totiž žádná detekovatelná stopa nevznikla. Mění se volba některých slov nebo částí slov. V jednom běhu model vybere „zataženo“, v jiném „šedo“, přičemž obě varianty mohou být významově přijatelné.
Je třeba ale poukázat i na druhý pohled. Studie SynthID-Text porovnala téměř 20 milionů odpovědí Gemini a v uživatelském hodnocení nenašla statisticky významný rozdíl mezi označenou a neoznačenou variantou. Totéž platilo v kontrolovaném hodnocení lidmi. To je silný výsledek pro testovanou implementaci Googlu, ne však validace budoucích modelů Claude. Anthropic zatím nezveřejnil vlastní srovnání kvality, latence ani detekční přesnosti.
Podle oznámení Anthropicu značení nepřidává tokeny, čímž nemění cenu a režie při generování je zanedbatelná. Studie Googlu také popisuje jen malý výpočetní příplatek a propojení se speculative samplingem. Přesná čísla pro infrastrukturu Clauda ale veřejná nejsou a jde stále o oznámený záměr pro budoucí modely. Detekční API ještě nebylo zpřístupněno a Anthropic teprve připravuje podrobnosti. Starší modely mají přechodné období; podle evropských pravidel se systémy uvedené na trh před 2. srpnem 2026 musí přizpůsobit do 2. prosince 2026. Anthropic uvádí, že značení starších modelů zavede v následujících měsících.
Statistická stopa se začne vydávat za podpis
Skutečné obavy ale pramení z něčeho trochu jiného. Pokud přijmeme, že vodoznak bude jakýsi „AI podpis“, přináší to konotace, které posouvají problém trochu jinam, než je možná zdrávo. V praxi kryptografický podpis potvrzuje, že určitý držitel privátního klíče podepsal konkrétní data. Textový vodoznak dává pouze pravděpodobnostní výsledek: sled tokenů odpovídá tomu, co by vznikalo při generování s daným tajným parametrem. A nedívá se nijak na pozadí vzniku.
Podle Anthropicu má detektor odpovídat na otázku, zda se Claude pravděpodobně podílel alespoň na části textu. Nezjistí, kdo přišel s myšlenkou, kdo provedl výzkum, kdo sestavil argumentaci ani kdo za publikovaný obsah odpovídá. Stejnou stopu ponese článek vytvořený z jednovětého zadání i rukopis, který člověk napsal sám a Claude mu jen výrazněji zredigoval jazyk.
Překlad vlastního textu ukazuje problém ještě víc. Předatavte si autora disertační práce nebo vědce s odborným paperem, který má publikovat v časopise v anglickém znění. Autor si sám zvolí téma, provede rešerši, napíše český rukopis, ověří fakta a pak požádá Claude o anglický překlad. Nebo klidně i lidského překladatele a ten použije na konečnou revizi textu, korektury, nebo dokonce samotný překlad AI. Anthropic výslovně uvádí, že překlad z jednoho jazyka do druhého ponese vodoznak, protože každý token cílového textu vybírá Claude. Pokud škola, redakce nebo firemní systém převede výsledek detektoru na jednoduchý detektor ANO/NE, autorův překlad rázem skončí v kategorii „AI text“. Myšlenky, data, argumentace a původní formulace přitom mohou být plně jeho.
Podobně dopadne autor, který Claude použije jako jazykového redaktora. U lehké korektury bude signál slabý nebo žádný, protože model změní jen několik míst. Při stylistickém přepracování už získá mnohem víc příležitostí k volbě tokenů a detekce zesílí. Hranice mezi „lidským“ a „AI“ textem se tak nebude řídit autorstvím, ale rozsahem zásahu do výsledného znění.
To je problém. Ve škole může označení „AI text“ spustit podezření na podvod, v redakci odmítnutí rukopisu a ve firmě interní šetření. Přitom samotný nález neříká, zda použití nástroje porušilo nějaké pravidlo. To lze posoudit až podle předem známých podmínek, přiznaného pracovního postupu a dalších podkladů.
Kdo uvidí výsledek detektoru
Anthropic zatím neoznámil, kdo získá přístup k detekčnímu API, za jakých podmínek ani jak podrobný výstup služba vrátí. Nevíme, zda půjde o veřejně dostupnou kontrolu, placené rozhraní pro vývojáře, nástroj jen pro vybrané partnery, nebo kombinaci těchto možností. Neznámé zůstávají také prahy, verze modelu detektoru, kalibrace a postup při sporném výsledku.
Tajný parametr nejspíš nepůjde jednoduše zveřejnit. Kdyby ho znal každý, útočníci by si snadněji ověřili, zda vodoznak odstranili, případně by vyráběli texty, které ho napodobují. Utajení ale vytváří informační převahu provozovatele. Anthropic bude znát metodu, testovací data i rozhodovací práh, zatímco kontrolovaný člověk dostane třeba jen skóre nebo kategorizaci.
O to důležitější bude auditovatelnost služby. U závažného rozhodnutí nestačí snímek obrazovky s nápisem „pravděpodobně Claude“. Instituce musí zaznamenat verzi detektoru, použitý práh, nezkrácené skóre, délku vzorku a známou chybovost. Jinak nepůjde výsledek později zopakovat ani posoudit, zda se po aktualizaci služby nezměnil jeho význam. Nezávislou kontrolu lze zařídit i bez zveřejnění tajného parametru, například přes akreditované auditory, pevné testovací sady a archivované verze detektoru. Anthropic dosud takový režim nepopsal.
Samotný vodoznak podle firmy nenese identitu uživatele, organizace ani konverzace. Z posloupnosti slov tedy nemá jít zpětně dohledat účet, který text vytvořil. Odlišnou otázkou je detekční služba. Ta musí analyzovaný text obdržet; její provozní záznamy mohou podle provedení obsahovat účet žadatele, čas požadavku nebo IP adresu. Pravidla uchování a využití těchto údajů zatím neznáme. U studentských prací, nepublikovaných článků, smluv nebo zdrojového kódu je to samostatné riziko, které tvrzení o anonymním vodoznaku neřeší.
A co zdrojový kód?
U kódu má vodoznak méně prostoru než u volného textu. Syntaxe, názvy knihoven, rozhraní API a logické vazby často určují další token poměrně přesně. Po „2 + 2 =“ není několik rovnocenných výsledků. Stejně tak model nemůže libovolně změnit název volané funkce, pokud má program fungovat.
Volnost přesto nezmizí úplně. Model vybírá názvy lokálních proměnných, komentáře, dokumentační řetězce, pořadí některých pomocných konstrukcí nebo jednu z několika srovnatelných implementací. V těchto místech vodoznak do výběru zasáhne. Změna zdrojového textu tedy nastává i zde, měla by však zůstat v mezích funkčně přijatelných variant.
Detekce bude u kódu křehčí. Krátká funkce nabídne málo rozhodnutí, z nichž lze sestavit statistický signál. Formatter upraví mezery a zalomení, odstranění komentářů smaže část volných tokenů a běžný refaktoring přepíše názvy i strukturu. U projektu sestaveného z ručně psaného základu, doplnění z Clauda, generovaných testů a kódu z dalších nástrojů nebude jeden verdikt popisovat původ celku.
Pozitivní nález může pocházet hlavně z komentářů nebo dokumentace, nikoli z algoritmu. Negativní výsledek zase neprokáže lidské programování. Pro posouzení práce vývojáře mají větší vypovídací hodnotu historie repozitáře, issue, návrhová rozhodnutí, code review a schopnost změny vysvětlit.
Textový vodoznak a C2PA řeší jiný problém
U podporovaných souborů, například PNG, JPG a SVG, chce Anthropic používat také C2PA. Do metadat souboru připojí kryptograficky podepsané prohlášení, že Claude soubor vytvořil nebo zpracoval. Tento záznam podle firmy neobsahuje identitu uživatele ani organizace.
| Vlastnost | Textový vodoznak | C2PA u souboru |
|---|---|---|
| Umístění stopy | Statistická posloupnost tokenů | Kryptograficky podepsaná metadata |
| Výsledek kontroly | Míra shody s daným generátorem | Platnost podpisu a obsah prohlášení |
| Zásah do obsahu | Ovlivní volbu některých tokenů | Obrazová data ani obsah souboru měnit nemusí |
| Co stopu oslabí | Přepsání, parafráze, míchání textů | Odstranění metadat nebo převod souboru |
| Co výsledek říká | Daný model se pravděpodobně podílel na textu | Podepsaný nástroj se přihlásil k vytvoření či úpravě souboru |
C2PA se svou povahou skutečnému digitálnímu podpisu blíží. Jeho slabinou je vazba na soubor. Metadata se při exportu, pořízení snímku obrazovky nebo převodu snadno ztratí. Textový vodoznak přežije prosté kopírování, ale jeho výsledek zůstává statistický. Absence jedné ani druhé stopy sama o sobě nedokazuje lidský původ.
Značení pokryje hlavně systémy, které se mu podřídí
Plošné nasazení u velkých hostovaných služeb nevytvoří univerzální detektor AI textu. Člověk si spustí open-weight model, například některou variantu Llamy, na vlastním počítači nebo serveru. Ovládá pak inferenční vrstvu, tokenizer i způsob výběru tokenů. Pokud značení není neoddělitelnou součástí modelu, technicky je dokáže vypnout, nahradit nebo obejít.
To neznamená, že evropské právo dává otevřeným modelům automatickou výjimku. Článek 2 odst. 12 AI Actu výslovně zachovává povinnosti článku 50 i u systémů s otevřenou licencí. Na čistě osobní, neprofesionální použití fyzickou osobou se však povinnosti uživatele podle nařízení nevztahují. Hlavní potíž je technická vymahatelnost u modelu, nad jehož provozem má uživatel plnou kontrolu.
Vzniká nepříjemná asymetrie. Běžný uživatel hostovaného Clauda může být označen i po legitimním překladu vlastního článku, zatímco člověk, který chce původ textu záměrně skrýt, sáhne po neoznačeném lokálním modelu nebo po řetězci následných úprav. Detekční systém pak nejlépe vidí ty, kdo zůstali uvnitř regulovaného ekosystému. Nejodhodlanější obcházení mu unikne.
Částečné pokrytí přesto není bezcenné. Platformám vodoznak poslouží jako jeden ze signálů při hledání koordinovaného šíření velkého množství syntetického obsahu. Výzkumníci mohou nález spojit s časem publikace, sítí účtů a distribučním vzorcem. Takové využití pracuje s agregovanými daty a snese nejistotu lépe než rozhodování o jednom studentovi nebo zaměstnanci.
Transparentnost? Každý tu svou
Kodex praxe k transparentnosti AI obsahu podepsalo do konce července 2026 přibližně 190 subjektů. Část věnovanou značkování a detekci generativního obsahu podepsalo 82 organizací, mezi nimi Anthropic, Google, Meta, Microsoft, Mistral a OpenAI. Společná povinnost ale neznamená společnou technologii.
Každý poskytovatel si může zvolit jiný tajný parametr a případně úplně jinou metodu. Detektor Anthropicu bude hledat stopu Clauda. Z negativního výsledku se nedozvíme, zda text vytvořil Gemini, ChatGPT, lokální model nebo člověk. Škola či redakce by při absenci společného rozhraní musela jeden dokument poslat několika službám a u každé znát jiné prahy i omezení.
Evropský kodex žádá interoperabilitu v rozsahu, který dovoluje technický stav. Zatím není rozhodnuto, zda vznikne společný standard pro dotazování více poskytovatelů, federace oddělených detektorů, nebo „babylón“ vzájemně neslučitelných služeb. Ani společné uživatelské rozhraní by samo nevyřešilo rozdílnou kvalitu měření.
Nevyřešené otázky pro API a firmy
Anthropic oznámil globální zavedení do budoucích modelů, veřejně ale nerozlišil provoz na claude.ai, přímé API, Amazon Bedrock, Google Vertex AI a individuální firemní smlouvy. Není známo, zda se bude značit každé volání, zda budou existovat výjimky, ani jak se síla signálu změní při odlišné teplotě, samplingu nebo omezení výstupu.
Ve firemní aplikaci Claude často vytvoří jen část výsledku. Software přidá pevnou šablonu, doplní údaje z databáze, spojí odpovědi několika modelů, text zkrátí nebo ho přeloží. Výsledný dokument pak ponese slabou stopu Clauda, několik různých stop, případně žádnou snadno rozpoznatelnou. Označení celé aplikace nebo dokumentu jednou binární hodnotou tuto výrobní historii zkreslí.
Pokyny Evropské komise rozdělují povinnosti mezi poskytovatele a nasazující subjekty v různých částech řetězce. Bez technické dokumentace Anthropicu však vývojáři nevědí, zda musí vodoznak zachovat, jak mají popsat další zpracování ani kdo ponese odpovědnost za detekovatelnost výsledku. To potřebují znát předtím, než se značení stane součástí smluv, auditů a kontrol souladu.
Bez parametrů nelze skóre poctivě vykládat
Každý práh vyvažuje dvě chyby. Když detektor nastavíme citlivěji, zachytí větší část označených textů, ale přibude také falešných poplachů. Přísnější práh počet falešných nálezů sníží, současně však více vodoznaků přehlédne.
Studie SynthID-Text uvádí část výsledků při falešně pozitivní míře jedno procento. Není to zveřejněný parametr budoucího produktu Anthropicu. Na hypotetickém příkladu je ale dobře vidět vliv základní četnosti. Představme si detektor s 95procentní citlivostí a jednoprocentní falešně pozitivní mírou. V souboru 10 000 dokumentů obsahuje vodoznak pouze jedno procento, tedy 100 textů. Detektor správně najde přibližně 95 z nich a současně mylně označí asi 99 z 9 900 ostatních. Mezi pozitivními výsledky pak bude o něco více falešných nálezů než správných.
Anthropic dosud nezveřejnil citlivost při pevně stanovené falešně pozitivní míře, nejkratší použitelný vzorek, intervaly nejistoty ani kalibraci podle jazyka a druhu textu. Neznáme ani výsledky pro překlady, právní formulace, studentské práce nebo zdrojový kód. Bez těchto údajů nelze skóre seriózně použít při známkování, pracovním postihu či odmítnutí publikace.
Odborná studie počítá s tím, že se detektor u nejistého vzorku zdrží rozhodnutí. Institucionální software však často vyžaduje jednoduché „ano“, nebo „ne“. Jakmile zmizí možnost „nelze spolehlivě určit“, statistický odhad se promění v administrativní jistotu, kterou data neposkytují.
Čeština potřebuje vlastní měření
Síla signálu roste s délkou textu a počtem míst, kde existuje několik přijatelných pokračování. Hlavní experimenty SynthID-Text pracovaly mimo jiné s anglickou datovou sadou ELI5 a konkrétními modely Googlu. Z těchto výsledků nelze odvodit spolehlivost pro české odborné články, seminární práce nebo úřední texty.
Čeština má bohatší ohýbání slov a jinou stavbu vět než angličtina. To mění tokenizaci i rozložení pravděpodobností. Samo o sobě to neříká, zda bude stopa silnější, nebo slabší; výsledek závisí na tokenizeru, trénovacích datech, modelu a nastavení generování. Právě proto potřebujeme samostatnou českou kalibraci podle délky a žánru, ne převzaté číslo z anglického testu.
České univerzity už dnes doporučují opatrnost u běžných AI detektorů. Univerzita Karlova upozorňuje, že současné nástroje nedokážou s jistotou prokázat použití generativní AI, a staví spíš na přiznání pracovního postupu a posouzení konkrétní práce. Masarykova univerzita připomíná pravděpodobnostní výsledky, omezenou ověřitelnost a ochranu textů posílaných třetím stranám. Stylové AI detektory pracují jinak než vodoznak s tajným parametrem, zkušenost s chybným institucionálním výkladem se však přenáší.
Fixlování
Anthropic připouští, že lehká editace vodoznak obvykle neodstraní, zatímco úplné přepsání ano. Mezi těmito póly leží parafrázování, nahrazování slov, míchání označených a neoznačených pasáží nebo zpětný překlad. Pokusy o rzné watermark removery už vidíme. Ať už ve formě doplňků do prohlížeče nebo jiných nástrojů.
Preprint zaměřený na SynthID-Text zaznamenal oslabení detekce po parafrázování, smíchání textů a překladu tam a zpět. Autoři testovali otevřenou implementaci, model Sheared-LLaMA 1.3B a 200 vzorků o délce 200 tokenů. Výsledek proto nelze vydávat za měření budoucího systému Anthropicu. Recenzovaná studie EMNLP 2024 našla výrazný pokles záchytu po cíleném parafrázování u dvou jiných rodin vodoznaků. Obě práce ale připomínají rozdíl mezi odolností vůči běžné korektuře a odolností vůči člověku, který stopu cíleně odstraňuje.
Překlad má dvě odlišné role. Když Claude překládá původní lidský text, vytváří nové tokeny a do výsledku vloží vlastní vodoznak. Když už označený text přeloží jiný systém a následně se přeloží zpět, původní statistická posloupnost se rozpadá. Jednou tedy překlad stopu vytvoří, podruhé ji oslabí. Rozhoduje, který model generoval verzi předloženou detektoru.
Odolnost se navíc střetává s přesností. Silnější zásah do výběru tokenů může zanechat čitelnější stopu, ale zmenší volnost modelu. Naopak velmi šetrná metoda se snáz ztratí v krátkém, faktickém nebo následně upraveném textu. Bez zveřejněných parametrů Clauda nevíme, kde Anthropic tento kompromis nastaví.
CO EU vlastně chce?
Článek 50 AI Actu ukládá poskytovatelům generativních systémů povinnost zajistit strojově čitelné označení a detekovatelnost syntetických výstupů, pokud to dovoluje technický stav. U standardních editačních funkcí a zásahů, které podstatně nemění vstupní data nebo jejich význam, počítá s výjimkou. Zvláštní pravidla platí také pro zveřejňování textů ve veřejném zájmu, které prošly lidskou kontrolou a za něž někdo nese redakční odpovědnost.
Nařízení z detektoru nedělá důkaz plagiátorství, podvodu ani autorství. Požaduje transparentnost původu a zapojení systému. Pokud škola nebo zaměstnavatel na skóre naváže sankci, vytváří vlastní rozhodovací proces a musí obhájit jeho přesnost, přiměřenost i možnost obrany.
Stejný Code of Practice podepsala široká skupina poskytovatelů, takže značení nezůstane zvláštností Clauda. To zvyšuje šanci, že se informace o strojovém původu stane běžnou součástí digitálního prostředí. Současně roste riziko, že různé technické signály dostanou jeden zavádějící štítek „AI text“.
Kde vodoznak dává smysl
Vodoznak má užitečné použití, pokud od něj nečekáme víc, než umí. Při analýze milionů veřejných příspěvků pomůže odhalit neobvyklý podíl obsahu z jednoho systému. V kombinaci se síťovou analýzou, časem publikace a chováním účtů přispěje k vyšetřování koordinovaných dezinformačních kampaní. Jednotlivé chyby se v takovém měřítku dají statisticky popsat.
Ve školství nález otevře rozhovor o tom, jak student nástroj použil a zda to odpovídalo zadání. Podpoří také pravidla, která žádají transparentně popsat překlad, jazykovou redakci nebo generování částí práce. Neměl by však nahrazovat posouzení obsahu, průběžných verzí a schopnosti autora své závěry obhájit.
Nejužitečnější je jako dodatečný signál o původu textu, který se vyhodnotí společně s dalšími údaji. Čím závažnější následek, tím méně smí instituce spoléhat na samotný detektor.
Minimální pravidla pro školy, redakce a firmy
Než organizace zapojí výsledek do rozhodování o konkrétním člověku, měla by zveřejnit přesný postup:
Ověřit detektor pro konkrétní použití
Nestačí obecný test v angličtině. Organizace potřebuje citlivost, falešně pozitivní míru a intervaly nejistoty pro používaný model, jazyk, žánr a délku textu.
Povolit nerozhodný výsledek
Krátký, výrazně upravený nebo jinak nevhodný vzorek má skončit jako „nelze spolehlivě určit“. Systém ho nesmí násilně zařadit do jedné ze dvou kategorií.
Uchovat reprodukovatelný záznam
Patří do něj přesné znění kontrolovaného textu, datum, verze detektoru, předem stanovený práh, celé skóre a použitá kalibrace.
Zakázat automatickou sankci
Pozitivní výsledek otevře další prověření. Sám nesmí rozhodnout o známce, disciplinárním postihu, výpovědi ani odmítnutí publikace.
Dát člověku všechny podklady a prostor k obraně
Kontrolovaný autor potřebuje znát výsledek i omezení metody. Musí mít možnost předložit poznámky, zdroje, historii verzí, repozitář, původní text před překladem a přiznaný způsob použití AI.
Zajistit nezávislé přezkoumání a odvolání
Konečný verdikt má udělat člověk, který posoudí všechny podklady. Odvolání musí řešit jiná osoba nebo orgán.
Chránit kontrolované dokumenty
Organizace předem stanoví právní důvod zpracování, dobu uchování, okruh osob s přístupem a pravidla výmazu. Citlivý text se nemá odesílat do externího API bez odpovídající smluvní a technické ochrany. Pokud vznikne bezpečná lokální varianta detektoru, pro důvěrné dokumenty bude vhodnější.
Také slovník uživatelského rozhraní musí zůstat přesný. „Nalezen signál odpovídající vodoznaku Clauda“ je užší a poctivější formulace než „napsal Claude“ nebo „AI text“. První popisuje měření. Druhé dvě varianty přisuzují systému autorství, které detektor nezjišťuje.
Zdroje
- Anthropic: How Claude’s text watermark works, 14. srpna 2026
- Dathathri et al.: Scalable watermarking for identifying large language model outputs, Nature 634, 2024
- Google DeepMind: Watermarking AI-generated text and video with SynthID, 14. května 2024
- Evropská komise: Code of Practice on Transparency of AI-generated Content, aktualizováno 31. července 2026
- Evropská komise: Strong backing for the Code of Practice on Transparency of AI-generated Content, seznam signatářů k 31. červenci 2026
- Evropská komise: Questions and answers on the Code of Practice, 2026
- Evropská komise: Guidelines on transparency obligations for providers and deployers of certain AI systems, aktualizováno 6. srpna 2026
- Evropská unie: Nařízení (EU) 2024/1689, Artificial Intelligence Act
- AI Act Service Desk: Article 2: Scope
- AI Act Service Desk: Article 50: Transparency obligations
- C2PA: Coalition for Content Provenance and Authenticity
- Han et al.: Robustness Assessment and Enhancement of Text Watermarking for Google’s SynthID, preprint, 2025
- Rastogi a Pruthi: Revisiting the Robustness of Watermarking to Paraphrasing Attacks, EMNLP 2024
- Univerzita Karlova: Doporučení o generativní umělé inteligenci v závěrečných pracích, aktualizováno 2. června 2026
- Masarykova univerzita: Why don’t AI detectors work?, 20. dubna 2026
