Dev quebra a marca d’água do Claude em uma semana

Dev nenhum precisou de muito tempo para atacar a nova marca d’água textual do Claude. A Anthropic anunciou o recurso há cerca de uma semana. Logo depois, um removedor viralizou no GitHub. Ou seja, a corrida entre marcação e remoção já começou. Além disso, ela expõe um problema prático para quem constrói produtos com LLM↳LLMs48 conteúdosConsiderações básicas de hardware para modelos de linguagem em código aberto: Memória, Desempenho e ViabilidadeMarketing Tech · out 2025Modelos de linguagem sob ataque: o lado obscuro da IA generativaDevSecOps · mai 2025Criando um LLM – modelo de linguagem de grande escala – do zero com TransformersAI · abr 2024Ver tudo em AI →.

Dev por trás do repositório que explodiu no GitHub

A ferramenta se chama watermarks-remover. Ela é mantida pelo desenvolvedor Guillaume Meyer, o guillaumemeyer no GitHub. Atualmente, o projeto acumula 15,9 mil salvamentos e 1,8 mil forks. Portanto, o interesse vai muito além de curiosidade acadêmica.

Meyer também não foi o primeiro nessa trilha. Antes dele, Erik Hughes publicou uma solução web com a mesma promessa. Aquela ferramenta apaga caracteres invisíveis, reescreve frases e troca palavras por sinônimos.

Como o removedor tenta apagar o rastro do Claude

O princípio é simples. Primeiro, o texto gerado pelo Claude entra na ferramenta. Em seguida, outro modelo sem marcação reescreve o conteúdo. Durante esse processo, o sistema troca sinônimos e reorganiza frases sempre que possível. Assim, o significado original permanece e a assinatura tende a se dissolver.

O mesmo vale para outros modelos com marcação textual, como o Gemini. Na prática, qualquer sinal embutido na escolha de tokens sofre com reescritas sucessivas.

Dev nenhum consegue provar que a remoção funciona

Aqui mora o ponto desconfortável. A Anthropic ainda não liberou uma ferramenta pública de verificação. Sem detector aberto, ninguém mede a eficácia real do removedor. Contudo, a expectativa é de que ele funcione. Wayne Pan, CTO e cofundador da Haimaker, avaliou à Wired que a abordagem ataca a própria arquitetura do mecanismo de identificação.

Ou seja, temos uma disputa sem placar público. Enquanto isso, os dois lados seguem publicando código.

Dev precisa entender o ataque de paráfrase

Marca d’água em texto funciona de forma diferente da versão usada em imagem. Basicamente, o modelo enviesa a escolha de tokens seguindo uma chave secreta. Depois, o detector mede se a distribuição do texto segue aquele padrão. Quanto maior o volume de texto, maior a confiança estatística.

Por isso, três fatores enfraquecem o sinal: textos curtos, edição pesada e reescrita por outro modelo. A paráfrase é o ataque mais estudado nessa literatura. Além disso, apagar caracteres invisíveis é trivial. Logo, a camada frágil cai primeiro, enquanto o sinal estatístico exige mais esforço.

A Lei de IA da UE explica a marcação

A Anthropic ligou a decisão ao cumprimento da Lei de IA da UE. Segundo a empresa, outros laboratórios adotam medidas parecidas. A companhia também afirma que identificar texto gerado por IA continua difícil. Nesse cenário, a marcação existiria para oferecer ferramentas melhores de identificação.

Além disso, a empresa pretende lançar uma API de detecção de texto. Para o dev, esse é o item mais relevante do anúncio. Afinal, uma API muda o assunto de curiosidade para integração.

O que muda no fluxo de trabalho do dev

Alguns cenários já pedem decisão técnica. Considere estes pontos:

Compliance de conteúdo: quando o contrato exige rastreabilidade, apoie a prova em C2PA e em logs próprios.

Pipelines de reescrita: tradução, resumo e revisão automática apagam a marcação sem qualquer intenção.

Política interna: registre prompt, modelo, versão e responsável na sua base. Assim, a autoria fica documentada do seu lado.

Detecção como produto: se a sua empresa promete detectar IA, trate a taxa de falso positivo como risco jurídico.

Dev interessado em testar precisa de terminal

A instalação está no repositório de Meyer. Ainda assim, o processo exige familiaridade com linha de comando. Existe leitura de documentação antes de qualquer teste. Portanto, reserve tempo para isso.

O recado para o dev que trabalha com LLM

Marca d’água resolve parte do problema de proveniência. Entretanto, ela depende de texto longo e pouco editado. Enquanto a API de detecção não chega, o caminho seguro segue sendo processo. Em resumo, trate a marcação como sinal auxiliar. Prova mesmo exige registro de origem, metadados assinados e revisão humana.

Acompanhe nosso perfil no Instagram!