Si utilizas Claude, GPT, Gemini o cualquier otro sistema generativo para escribir texto, puede que ese texto lleve una marca invisible que permita detectar que una IA participó en su generación.
Anthropic va a empezar a marcar el texto que generan sus modelos, y todo tiene una explicación basada en la legislación europea. Esta es la explicación completa, con las directrices oficiales en la mano: qué es, a quién obliga, las exenciones y cómo afecta a los modelos abiertos.
Anthropic ha publicado cómo funciona el watermark de Claude: sus modelos nuevos generan texto con una marca invisible que permite calcular, con la clave adecuada, si Claude participó en la escritura. OpenAI ha confirmado que va a implementar alguna medida similar. El origen de la técnica está fuera de Anthropic: la propuso en 2022 Scott Aaronson, un ingeniero de OpenAI, y fue Google DeepMind quien la convirtió en un método publicado.
Estas tres empresas, junto con Meta, Microsoft, Mistral y ~190 firmantes más , se comprometieron a ello en julio en el Código de Buenas Prácticas europeo sobre contenido generado por IA .
La razón es el artículo 50 del AI Act, que se aplica desde el 2 de agosto. Y aquí llegan las novedades: la Comisión publicó el 20 de julio de 2026 unas directrices de 50 páginas sobre ese artículo que nos ayudan a responder y entender mejor todo esto. Nos las hemos leído.
Hemos procesado toda la información y este artículo es el resultado: qué es el watermarking, a quién obliga de verdad, qué queda fuera y qué pasa cuando el modelo es abierto.
Qué es un watermark de texto, o marca de agua en la IA
Cuando un modelo genera texto, elige cada palabra entre varias candidatas. Muchas elecciones dan igual: "el cielo estaba gris" y "el cielo estaba nublado" dicen lo mismo y normalmente la decisión la toma un número aleatorio.
El watermark (o marca de agua) cambia la fuente de esa aleatoriedad: en vez de un dado, decide una clave privada combinada con las palabras anteriores. El texto sigue siendo natural, no se añade ningún carácter oculto y ningún lector puede notarlo. Pero quien tiene la clave puede analizar un texto después y calcular estadísticamente si es consistente con las elecciones que haría el modelo con esa clave.
Usando la analogía de la propia Anthropic: es como jugar al Monopoly tirando "dados" que en realidad son los dígitos de pi. La partida es idéntica; quien conozca pi puede verificar después que esa partida usó pi.
La propuesta de Aaronson (2022) la convirtió Google DeepMind en un método publicado y probado: SynthID-Text, publicado en Nature (2024), probado en tráfico real de Gemini sin que los usuarios notaran diferencia. Anthropic usa una versión de ese mismo enfoque y el método está publicado en abierto.
Detectar texto generado por IA: los límites del método
Tiene límites, y los propios labs los admiten:
- Necesita texto largo. Con poco texto no se puede determinar bien el origen.
- Casi no marca contenido factual: si solo hay una respuesta correcta, no hay elección de palabras posible.
- Sobrevive a la edición ligera, pero muere con la reescritura total. Pasar el texto por otro LLM, por ejemplo, elimina el rastro.
- Solo responde a una pregunta: "¿participó en la escritura este modelo?". No detecta otros modelos, y la ausencia de marca no certifica que un texto sea humano.
Aquí tienes las fuentes:
- Las FAQs de Anthropic sobre el watermarking
- El blog de Aaronson , de donde sale la propuesta técnica, y el paper de DeepMind
El artículo 50 del AI Act, la ley detrás del watermarking
El artículo 50 (2) del AI Act obliga a los proveedores de sistemas de IA que generan contenido sintético (audio, imagen, vídeo o texto) a dos cosas distintas e inseparables:
- Marcar: que las salidas lleven una marca legible por máquina.
- Hacer detectable: que existan medios de detección disponibles para quien esté expuesto al contenido. Marcar sin ofrecer detección no cumple.
El watermark es una técnica para el punto 1 (hay otras: metadatos, métodos criptográficos de procedencia), y las APIs de detección que los labs anuncian son para el punto 2. Si no se puede detectar, ¿qué sentido tendría?
Las fechas importantes:
- La obligación se aplica desde el 2 de agosto de 2026.
- Los sistemas generativos que ya estaban en el mercado antes de esa fecha tienen hasta el 2 de diciembre de 2026 para el marcado legible por máquina (plazo extra del Ómnibus).
Las sanciones del artículo 50 van en el tramo de hasta 15 millones de euros o el 3% de la facturación global, ejecutadas por autoridades nacionales. Aunque las autoridades nacionales aún no han establecido cómo sancionar, están en ello.
Y un matiz muy importante en este caso: la obligación es de quien provee el sistema, no de quien desarrolla el modelo. Cuando usas la API de Anthropic, el proveedor del sistema es Anthropic, y por eso marca tu texto. Luego veremos cómo afecta esto a los modelos abiertos.
¿Te afecta como empresa? Las cuatro puertas del artículo 50
Hemos usado esta metáfora de las puertas porque salen directamente de las directrices legales. Así que hazte estas preguntas si utilizas la IA en tu empresa.
Puerta 1: ¿tu IA genera contenido sintético que perciben personas?
Si tus sistemas solo clasifican, extraen, buscan, recomiendan o predicen, el artículo 50 (2) no te afecta: no genera contenido. Si generan texto, imágenes, audio o vídeo que alguien va a ver, SÍ.
Puerta 2: ¿es generación o es asistencia?
La edición estándar está exenta: corrección gramatical, pulido menor, formateo, y las traducciones y las transcripciones están listadas expresamente, también, como exentas.
En cambio, los resúmenes y el parafraseo que cambia estilo o estructura sí requieren marcado, porque transforman el contenido en lugar de asistirlo.
Puerta 3: ¿el contenido sale de la empresa?
Las directrices reconocen una excepción para aplicaciones industriales y B2B, pero es estrecha y con tres condiciones acumulativas: el output generado es estrictamente técnico (diseños de ingeniería, documentación interna de procesos, instrucciones técnicas), lo percibe solo un grupo limitado y predefinido de profesionales dentro de la organización y no está destinado a salir de la empresa, con salvaguardas para que no lo haga.
Si tu caso cumple las tres, no necesitas marcar nada. Pero si el contenido acaba en tu web, en un correo a clientes o en redes, no te ampara.
Puerta 4: yo lo genero, pero lo publico, ¿me afecta?
Aunque el marcado técnico del artículo 50 (2) sea del proveedor del sistema, si tu empresa publica contenido generado, tienes tus propias obligaciones de transparencia como desplegador: etiquetar deepfakes, y etiquetar texto generado que informe al público sobre asuntos de interés general (con una salida importante: si hay revisión humana sustantiva y alguien asume la responsabilidad editorial, la etiqueta del texto no es obligatoria).
Y si un chatbot tuyo atiende a personas, deben saber que es una máquina. Estas obligaciones son tuyas, uses el modelo que uses, y el watermark del lab no las cumple por ti.
Uno de los temas importantes que abre este marcado de texto: si generas tu contenido corporativo con APIs cerradas, ese contenido es ahora detectable, con la clave del lab.
Para muchas empresas será irrelevante o les dará igual. Para las que viven del texto (agencias, medios, consultoras, despachos), es una decisión de posicionamiento y una posible brecha reputacional.
¿Te afecta como desarrollador? Código, agentes y artículo 50
Aquí las directrices de la normativa vienen casi literales.
El código generado por IA queda fuera del artículo 50
Con definición generosa: código en cualquier lenguaje de programación, scripting, marcado, consulta o configuración, incluyendo los comentarios en lenguaje natural que formen parte del código.
Y expresamente excluidos: SDKs, SQL, Infrastructure as Code, YAML, configuración JSON, esquemas, scripts, APIs y librerías.
Si tu agente genera código, ese output no necesita marca. Pero la documentación en lenguaje natural que genere aparte, sí.
El razonamiento de los agentes de IA queda fuera
El chain of thought, los pasos intermedios y las acciones no perceptibles (una petición web, una acción de navegador) no son contenido sintético en el alcance del artículo 50 (2). Solo se marca lo que el agente produce para que lo perciba una persona.
La comunicación entre agentes queda fuera
Las salidas máquina a máquina, sin exposición a humanos, están excluidas.
AI Act y modelos open source: qué cambia con los modelos abiertos
Hay una parte técnica y otra legal. Vamos a intentar resumirlas.
Dato técnico 1: el watermark vive en el sampler, no en los pesos. Es una modificación del algoritmo de muestreo, aplicada en el momento de la inferencia por quien opera el motor. En el enfoque de watermarking que estamos analizando, la marca se introduce durante la generación, en la capa de sampling e inferencia, y no queda almacenada en los pesos del modelo. Con este enfoque, Z.ai o Alibaba no pueden garantizar ni imponer nada sobre lo que ocurre cuando corres su modelo en tu GPU.
Dato legal: el open source no exime del artículo 50. El artículo 2 (12) exime del reglamento a los sistemas con licencia libre SALVO en tres casos, y el artículo 50 es uno de ellos, citado expresamente. Proveedores y desplegadores de sistemas open source en el alcance del artículo 50 deben cumplir igual. Que el modelo sea abierto no determina por sí mismo quién es el proveedor del sistema, ni elimina las obligaciones de transparencia del sistema que construyas sobre él.
Dato técnico 2: el marcado puede ir en la capa de inferencia. El marcado puede implementarse "integrado en el proceso de inferencia del sistema", y el proveedor del sistema puede apoyarse en la solución de marcado de "un tercero que la provea, por ejemplo, como estándar abierto o como servicio especializado". El verbo PUEDE aquí es importante, porque no es obligación de los proveedores de inferencia ofrecer el marcado, sino del proveedor del sistema de IA.
Nosotros, desde Helmcode, vamos a trabajar en ofrecer una solución de marcado opcional para las empresas que utilizan nuestra inferencia.
La consecuencia es bastante asimétrica y puede suponer una ventaja competitiva:
- Con un modelo cerrado, la marca es del lab. Su clave, aplicada globalmente (Anthropic marca todo el tráfico mundial porque no puede acotar por región: la norma europea acaba marcando el texto de un usuario de Kansas), sin opción de quitarla donde no la necesitas y sin poder usarla tú para nada, porque la clave no es tuya.
- Con un modelo abierto, la marca es tuya. La decides tú, o tu plataforma, con tu clave, exactamente donde tu obligación real lo exige tras pasar las cuatro puertas de las que hablábamos arriba. Y una clave propia te da ventajas: nadie externo escanea tu contenido sin tu permiso y ganas trazabilidad de tu propio output.
El método, además, está publicado (SynthID-Text es open source, con detección incluida), así que marcar un modelo abierto es hoy una decisión de ingeniería de la capa de serving.
Etiquetar contenido generado por IA: qué hacer, en cinco pasos
- Revisa las cuatro puertas con cada sistema que genere contenido. La mayoría de cargas reales (clasificación, extracción, código, agentes internos) se caen en la primera o la segunda y no tienen obligación de marcado.
- Separa el marcado de tus etiquetas. El artículo 50 (2), que es técnico y del proveedor del sistema, y tus obligaciones de desplegador (avisar del chatbot, etiquetar deepfakes y texto publicado de interés público) son cosas distintas. Las segundas son tuyas siempre. En este checklist del AI Act las tienes por perfil para ver si cumples.
- Si usas APIs cerradas, decide conscientemente qué contenido corporativo generas ahí sabiendo que es detectable con la clave del lab, y pide a tu proveedor su API de detección.
- Si construyes sobre modelos abiertos, el marcado es una decisión tuya de la capa de serving, y hay una fecha límite: el 2 de diciembre de 2026 para sistemas anteriores al 2 de agosto.
- Documenta la decisión, sea cual sea. "Evaluamos el artículo 50 (2): nuestro output es código y comunicación entre agentes, fuera del alcance según los puntos 63 y 68 de las directrices; revisado en [fecha]". Mételo en tu carpeta de evidencias junto al resto de cosas que necesitas.
Si quieres entender el resto de obligaciones del AI Act, tienes nuestro artículo anterior sobre el AI Act , y el detalle de cada obligación por perfil en el checklist que te hemos dejado preparado.
