Ein Claude-Wasserzeichen kann noch lange in einem Dokument erhalten bleiben, nachdem die Aufgabe abgeschlossen ist, die es eingeführt hat. Ein Autor verfasst einen Artikel, bittet darum, drei Sätze zu straffen, und erhält eine Datei, deren Herkunftssignal lediglich anzeigt, dass Claude sie geschrieben hat.
Für eigene Inhalte ist das Entfernen eines Claude-Wasserzeichens ein dreistufiger Prozess: verdächtige Unicode-Codepoints entfernen, den Fließtext mit einem Nicht-Claude-Modell umschreiben und fest gebundene Herkunftsmetadaten aus unterstützten Dateien löschen. Dafür können Sie den Open-Source-Skill remove-ai-marks, die Modell-API von Haimaker und ein Modell Ihrer Wahl verwenden. Zwei der drei Stufen sind direkt überprüfbar. Leider gilt das nicht für die Umschreibung, da Anthropic den Detektor nicht veröffentlicht.
Claude markiert jetzt Text und Dateien
Claude verfügt über mindestens zwei bestätigte Herkunftskanäle für Ausgaben. Text erhält eine unsichtbare Markierung auf Modellebene, und unterstützte Dateien erhalten digital signierte C2PA-Metadaten. Anthropic gibt an, dass Modelle, die am oder nach dem 2. August 2026 eingeführt wurden, standardmäßig mit aktivierter Markierung ausgeliefert werden; die Einführung für ältere Modelle läuft weiter.
Die Markierung ist nicht auf die Claude-Web-App beschränkt. Die Ankündigung von Anthropic umfasst Claude Platform, Claude, Claude Code, Claude Cowork, Claude Tag, Cloud-Partner und jede Region, in der Claude verfügbar ist. Textmarkierungen können Copy-Paste und leichte Bearbeitung überstehen. Die Dateimarkierung wird aktiviert, wenn sowohl das Produkt als auch das Format dies unterstützt; zu den von Anthropic genannten Formaten gehören .svg, .png und .jpg.
Anthropic hat weder den Textmarkierungsalgorithmus noch einen Detektor veröffentlicht. Diese Lücke hinterlässt bei jedem Entfernungsleitfaden eine ungelöste Abhängigkeit. Eine Formulierung wie „in den Text eingewoben” verrät nicht, ob die Markierung auf Zero-Width-Zeichen, Token-Selection-Bias, semantischer Struktur oder einer Kombination von Techniken beruht.
Einige Transformationen schwächen nachweislich die Erkennung. Anthropic nennt umfangreiche Bearbeitung, Paraphrasierung, Übersetzung, Kombination mit anderem Text, kurze Auszüge, Formatkonvertierung, erneutes Speichern und Screenshots. Das rechtfertigt eine mehrschichtige Bereinigungspipeline. Diese Transformationen garantieren jedoch nicht, dass die Ausgabe danach unerkennbar ist.
Die Erkennung zeigt Verarbeitung, nicht Autorschaft
Ein erkanntes Claude-Wasserzeichen lässt nur einen einzigen, eng begrenzten Rückschluss zu: Ein kompatibles Claude-Modell hat das Material möglicherweise verarbeitet. Es bedeutet nicht, dass Claude jedes Wort, jede Idee, jeden Fakt oder jede Designentscheidung erzeugt hat. Anthropic nennt ausdrücklich Korrekturlesen, Übersetzung, Zusammenfassung und Dateikonvertierung als Operationen, die eine Markierung auf menschlich erstellter Arbeit hinterlassen können.
Ein Autor verfasst einen Artikel und bittet Claude, drei Sätze zu überarbeiten. Das maschinenlesbare Ergebnis kann diese Anfrage nicht von einer vollständigen Dokumentgenerierung unterscheiden. Diese Zuschreibungslücke hat ein breites Echo gefunden: Unsere aktuelle 30-Tage-Stichprobe fand 15 relevante Reddit-Threads mit 8.138 Upvotes und 2.633 Kommentaren, von denen sich viele mit Urheberschaft und den Rückschlüssen befassten, die eine pauschale Kennzeichnung nahelegt.
Umgekehrt gilt dasselbe. Ein Dokument ohne erkannte Markierung ist nicht zwangsläufig von einem Menschen verfasst. Nicht unterstützte oder ältere Modelle markieren Ausgaben möglicherweise nicht, und gewöhnliche Bearbeitung kann die Erkennbarkeit reduzieren. Ein Detektor liefert einen Hinweis; er ist kein Plagiatstest und kein endgültiges Urteil über die Autorschaft.
Die Bereinigung ändert nichts an den zugrunde liegenden Fakten. Wenn ein Vertrag, eine Schulrichtlinie, eine Plattformregel oder ein Gesetz die Offenlegung von KI-Unterstützung verlangt, bleibt diese Pflicht bestehen. Diese Pipeline dient dem Datenschutz und der Datenhygiene bei eigenen Inhalten – insbesondere dann, wenn ein pauschales „Claude hat dies verarbeitet” die Arbeitsteilung verschleiert.
Jede Wasserzeichen-Ebene erfordert eine andere Bereinigungsaufgabe
Textverhalten, Container-Metadaten und inhaltsbezogene Signale befinden sich an unterschiedlichen Stellen und hinterlassen unterschiedliche Spuren. Ein Unicode-Scan kann exakte Codepoints ermitteln. Ein C2PA-Tool kann ein signiertes Manifest anzeigen. Kein unabhängiges Tool kann die Entfernung der statistischen Textmarkierung von Claude verifizieren, solange Anthropic keinen Detektor und keine technische Spezifikation veröffentlicht.
| Ebene | Wo sie sich befindet | Bereinigungsaktion | Aussagekraft nach der Bereinigung |
|---|---|---|---|
| Unsichtbare Unicode-Zeichen | Textzeichen und Abstände | Zero-Width-, Bidi-, Tag- und exotische Leerzeichen normalisieren | Durch erneutes Scannen der Codepoints überprüfbar |
| Statistisches Textmuster auf Modellebene | Wort- und Token-Auswahl, exakte Methode nicht offengelegt | Jeden Fließtextsatz mit einem Nicht-Claude-Modell umschreiben | Nur Best-Effort |
| Fest gebundene C2PA- und Metadaten | PNG-, JPEG-, SVG-, PDF-, DOCX-, ODT-, HTML- oder Markdown-Container | Unterstützte C2PA-, EXIF-, XMP-, Dokumenteigenschaften und KI-Metadaten entfernen | Für entfernte Felder und Manifeste überprüfbar |
| Lose gebundenes oder Pixel-Signal | Der Inhalt selbst oder ein Remote-Manifest-Link | Außerhalb dieser Pipeline | Restrisiko bleibt bestehen |
Die Angaben zur Unicode-Zeile sind bewusst konservativ. Anthropic hat nie angegeben, dass das neue Text-Wasserzeichen versteckte Zeichen verwendet. Die Bereinigung unsichtbarer Zeichen behebt dennoch reale Probleme: fehlerhafte Diffs, fehlgeschlagene Suchen und Einfügefehler – und entfernt Zeichen, die von anderer Software eingebracht wurden. Es handelt sich um deterministische Hygiene, nicht um einen Beweis, dass die private Markierung von Claude verschwunden ist.
Dateimetadaten liefern stärkere Belege. Anthropic gibt an, dass unterstützte generierte Dateien signierte Metadaten auf Basis des C2PA-Standards erhalten, die unabhängige Tools prüfen können. Auch dort ist die Abgrenzung wichtig: Ein C2PA-Manifest kann eingebettet, in einer Sidecar-Datei gespeichert oder extern referenziert werden. Das Entfernen eines eingebetteten Manifests sagt nichts über eine Sidecar-Datei oder ein inhaltsbezogenes Signal aus, das das Tool nie berührt hat.
Dreistufige Bereinigungspipeline
Diese Pipeline entfernt bekanntes Rauschen auf Zeichenebene, generiert Text über ein Nicht-Claude-Modell neu, bereinigt die Modellausgabe und entfernt anschließend unterstützte Dateimetadaten. Jede Stufe ist für genau eine Aufgabe zuständig. So bleibt die deterministische Bereinigung von der Umschreibung getrennt. Letztere kann nicht gegenüber dem unveröffentlichten Detektor von Anthropic zertifiziert werden.
Das Open-Source-watermarks-remover-Repository von Guillaume Meyer bildet die Grundlage. Der Skill remove-ai-marks gliedert die Arbeit in
- Ebene A – Unicode-Bereinigung
- Ebene B – Statistische Umschreibung
- Ebene C – Formatspezifische Metadatenentfernung
Das Repository enthält keine Anbieter-Detektoren und -Schlüssel. Es kann die Umgehung der Erkennung nicht garantieren.
Für Ebene B empfehlen wir, den Fließtext über Haimaker an ein konfiguriertes Nicht-Claude-Modell zu leiten. Haimaker stellt Hunderte von Modellen außerhalb des Claude-Wasserzeichen-Pfads über einen einzigen OpenAI-kompatiblen Endpunkt bereit. So können Sie das Umschreibungsmodell wechseln, ohne die Bereinigungspipeline anzupassen.
Unsere getesteten Modellpräferenzen
Welches Modell sollten Sie verwenden? Wir empfehlen, denselben Text durch mehrere Modelle laufen zu lassen, bis Sie eines finden, das Ihrem redaktionellen Stil und Geschmack entspricht. Zum jetzigen Zeitpunkt sind dies die Modelle, die unserer Erfahrung nach die besten Ergebnisse geliefert haben. Zur Erinnerung: Dies ist kein Detektor-Score und bedeutet nicht, dass ein Modell ein privates Wasserzeichen effektiver entfernt als ein anderes.
| Rang | Haimaker-Modell-ID |
|---|---|
| 1 | z-ai/glm-5.2 |
| 2 | qwen/qwen3.7-plus |
| 3 | moonshotai/kimi-k3 |
| 4 | deepseek/deepseek-v4-pro |
| 5 | minimax/minimax-m3 |
| 6 | deepseek/deepseek-v4-flash |
Eine Umschreibung kann Markdown beschädigen, selbst wenn der Fließtext gut lesbar ist. Vor dem Modellaufruf maskiert der Projekt-Wrapper YAML-Frontmatter, Überschriften, Codeblöcke, Inline-Code, HTML, Tabellen, Links, URLs und numerische Fakten. Er lädt außerdem den Voice-Print des Projekts, damit die Umschreibung statistische Muster verändert, ohne in generischen Text zu verfallen. Nach dem Aufruf lehnt der Wrapper fehlende oder umgeordnete Platzhalter, neue Code-Fences, leere Ausgaben und drastische Längenänderungen ab. Die Originaldatei bleibt unberührt, wenn eine Prüfung fehlschlägt.
Den Bereinigungs-Skill installieren und konfigurieren
Installieren Sie den Ordner remove-ai-marks unter .claude/skills und richten Sie anschließend den OpenAI-kompatiblen Umschreibungs-Hook auf Haimaker aus. Wählen Sie ein Nicht-Claude-Modell, das für Ihr Konto verfügbar ist. Bewahren Sie den API-Schlüssel in einer Umgebungsvariable oder einem Secret Manager auf. Ein Schlüssel, der in SKILL.md eingebettet, ins Repository eingecheckt oder sichtbar über die Kommandozeile übergeben wird, wird aus einem Bereinigungsschritt ein Datenleck.
git clone https://github.com/guillaumemeyer/watermarks-remover.git
mkdir -p .claude/skills
cp -R watermarks-remover/skills/remove-ai-marks .claude/skills/
export WATERMARKS_REWRITE_BACKEND=openai-compatible
export WATERMARKS_REWRITE_BASE_URL=https://api.haimaker.ai/v1
export WATERMARKS_REWRITE_MODEL=provider/model-id
export WATERMARKS_REWRITE_API_KEY="$HAIMAKER_API_KEY"
Prüfen Sie die Eingabe, bevor Sie sie ändern. Die Baseline dokumentiert, was tatsächlich vorhanden war, und verhindert, dass ein erfolgreicher Befehl als Beweis dafür missverstanden wird, dass die Datei eine Markierung enthielt:
SCRIPTS=.claude/skills/remove-ai-marks/scripts
python3 "$SCRIPTS/inspect_file.py" --json draft.md
python3 "$SCRIPTS/clean_file.py" draft.md -o draft.layer-a.md
python3 "$SCRIPTS/rewrite_text.py" draft.layer-a.md \
-o draft.rewritten.md --strength paraphrase \
--voice-print .claude/reference/voice-print.md
python3 "$SCRIPTS/clean_file.py" draft.rewritten.md -o draft.cleaned.md
python3 "$SCRIPTS/inspect_file.py" --json draft.cleaned.md
Produktions-Markdown sollte über einen Wrapper mit Platzhalterschutz verarbeitet werden, anstatt den oben gezeigten generischen Umschreibungs-Hook zu verwenden. Quellcode sollte nach der deterministischen Unicode-Bereinigung stoppen und dann durch den jeweiligen Sprach-Formatter laufen. Code umzuschreiben, um eine unbestätigte statistische Markierung anzugreifen, erzeugt ein größeres, unmittelbareres Risiko: eine Verhaltensänderung, die ein unauffälliges Diff verbergen kann.
Eine Remote-Umschreibung sendet den Fließtext des Dokuments an die konfigurierte API. Übermitteln Sie nur Material, das Ihre Organisation zur Verarbeitung durch diesen Anbieter freigegeben hat; rein lokale Inhalte sollten bei einem genehmigten selbst gehosteten Modell bleiben. Die Wahl einer anderen Modellfamilie reduziert das Risiko einer erneuten Markierung. Sie setzt jedoch nicht die Datenverarbeitungsrichtlinie außer Kraft.
UMSCHREIBUNG ÜBER EIN NICHT-CLAUDE-MODELL AUSFÜHREN
Die Verifizierung kennt drei Vertrauensstufen
Ein nützlicher Verifizierungsbericht trennt drei Ergebnisse: Unicode und eingebettete Metadaten, die nachweislich entfernt wurden, Fließtext, der einer Best-Effort-Umschreibung unterzogen wurde, und Herkunftskanäle, die die Pipeline nicht untersuchen konnte. Diese Befunde zu einem einzigen „Wasserzeichen entfernt”-Ergebnis zusammenzuführen, würde mehr behaupten, als die Belege hergeben.
Eine Vorher-Nachher-Prüfung liefert einen Nachweis. Die Skripte zählen verdächtige Codepoints, melden entfernte EXIF- oder XMP-Felder und identifizieren unterstützte C2PA-Segmente. Falls c2patool verfügbar ist, kann es Manifestdaten auf unterstützten Assets prüfen. Ein sauberer Rescan ist nur für genau diese Felder aussagekräftig – für keine anderen.
Für Text ist eine schwächere Schlussfolgerung erforderlich. Anthropic hat den Detektor nicht veröffentlicht, und moderne Wasserzeichendesigns können Angriffe überstehen, gegen die einfache Token-Bias-Ansätze machtlos sind. Eine WaterPark-Evaluierung aus dem Jahr 2025 testete 10 Wasserzeichenmethoden gegen 12 Angriffe und stellte fest, dass sich die Robustheit je nach Design erheblich ändert. Frühere ICLR-Forschung zeigte, dass aggressive menschliche Paraphrasierung ein erkennbares Signal in ausreichend langem Text hinterlassen kann. Eine Umschreibung beweist, dass sich der Text geändert hat. Sie beweist nicht, dass das Signal verschwunden ist.
Dokumentieren Sie das Modell, die Umschreibungsstärke, die verarbeiteten Dateien, die Anzahl der geschützten Bereiche, die Zeichenanzahlen, den angewendeten Voice-Print und die deterministischen Bereinigungsschritte. Halten Sie dann das Restrisiko explizit fest: Der Secret-Key-Detektor von Claude, lose gebundene Herkunft, Pixel- oder Medien-Wasserzeichen und zukünftige Detektoränderungen bleiben außerhalb des Ergebnisses.
Häufig gestellte Fragen
Kann Claude Text markieren, den ursprünglich ein Mensch geschrieben hat?
Ja. Anthropic gibt an, dass eine erkannte Markierung bedeuten kann, dass Claude den Inhalt verarbeitet hat – nicht, dass Claude jede Idee oder jeden Satz geschrieben hat. Korrekturlesen, Übersetzen, Zusammenfassen oder Konvertieren menschlichen Materials kann markierte Ausgaben erzeugen, wenn ein unterstütztes Modell verwendet wird.
Entfernt das Löschen von C2PA-Metadaten auch das Text-Wasserzeichen von Claude?
Nein. Es handelt sich um separate Kanäle. C2PA sind signierte Herkunftsmetadaten, die an unterstützte Dateien angehängt werden, während das Text-Wasserzeichen von Claude auf Modellebene eingebettet ist. Ein vollständiger Bereinigungs-Workflow behandelt Dateimetadaten und Fließtext als verschiedene Ebenen.
Kann eine Umschreibung garantieren, dass das Wasserzeichen von Claude nicht mehr erkennbar ist?
Nein. Anthropic hat weder seinen Detektor noch den Markierungsalgorithmus veröffentlicht. Eine umfassende Umschreibung mit einem Nicht-Claude-Modell ist eine vertretbare Best-Effort-Maßnahme, und Anthropic nennt umfangreiche Bearbeitung und Paraphrasierung als Gründe, warum eine Markierung möglicherweise nicht mehr erkennbar bleibt – aber kein Drittanbieter-Tool kann die Entfernung gegenüber einem unveröffentlichten Detektor zertifizieren.
EINEN SCHLÜSSEL FÜR DEN NICHT-CLAUDE-UMSCHREIBUNGSSCHRITT ERHALTEN