Claude markeert AI-tekst voortaan machineleesbaar

Anthropic gaat uitvoer van Claude voorzien van machineleesbare herkomstmarkeringen. Ondersteunde modellen verweven een onzichtbaar watermerk in gegenereerde tekst. Bestanden die Claude maakt of bewerkt kunnen daarnaast digitaal ondertekende herkomstmetadata krijgen.

Voor scholen en opleidingen klinkt dat als een nieuw hulpmiddel bij vermoedens van AI-gebruik. Toch waarschuwt Anthropic zelf dat zo'n markering geen sluitend bewijs is. Onderwijsinstellingen moeten de techniek daarom niet behandelen als een automatische fraude-indicator, maar als één signaal binnen zorgvuldig toetsbeleid.

Wat er nieuw is

Anthropic beschrijft de aanpak in een nieuwe Help Center-pagina, die op 10 augustus 2026 is bijgewerkt. Claude-modellen die op of na 2 augustus 2026 zijn gelanceerd ondersteunen de markeringen vanaf hun introductie. Voor oudere modellen werkt Anthropic nog aan ondersteuning.

Bij tekst wordt het watermerk op modelniveau in de woordkeuze verwerkt. Daardoor kan het meekomen wanneer iemand tekst kopieert en plakt, en kan het sommige bewerkingen overleven. De markering geldt voor ondersteunde modellen in Claude, de API, Claude Code, Cowork en andere Claude-omgevingen, ook wanneer zo'n model via AWS, Google Cloud of Microsoft Foundry wordt gebruikt.

Voor ondersteunde bestanden gebruikt Anthropic digitaal ondertekende herkomstmetadata volgens de open C2PA-standaard. Daarmee kan worden gecontroleerd of een bestand door Claude is verwerkt en of de vastgelegde informatie daarna is veranderd. Niet ieder bestandstype, platform of partnerkanaal ondersteunt deze metadata.

Anthropic zegt ook detectiemogelijkheden voor gebruikers en derden te willen aanbieden, maar de openbare uitleg bevat nog geen algemeen beschikbare detector. Scholen kunnen de markeringen dus niet zonder meer zelf uitlezen.

De kansen

Machineleesbare herkomst kan leerlingen en studenten helpen om transparanter te zijn over hun werkwijze. Bij een opdracht kan bijvoorbeeld zichtbaar worden dat Claude betrokken was bij een eerste versie, een samenvatting, code of een presentatiebestand. Dat kan een gesprek ondersteunen over welke hulp was toegestaan en hoe bronnen, prompts en revisies verantwoord moeten worden.

Voor docenten kan provenance nuttiger zijn dan een detector die alleen op schrijfstijl gokt. Een door de aanbieder aangebrachte markering is een technisch signaal over verwerking door Claude. Bij mediawijsheid en AI-geletterdheid biedt de ontwikkeling bovendien een concrete casus: wat zegt metadata wel, wat zegt die niet en hoe kan informatie onderweg verdwijnen?

Geen automatische fraudedetector

De beperkingen zijn cruciaal voor toetsing. Anthropic stelt dat een gevonden markering erop wijst dat inhoud mogelijk door Claude is verwerkt, maar niet de volledige herkomst bewijst. Een leerling kan eigen tekst door Claude laten redigeren, terwijl een docent juist AI-gebruik heeft toegestaan. Omgekeerd kan tekst door een ander model zijn gemaakt of zo zijn bewerkt dat geen markering meer detecteerbaar is.

Daarom gelden twee waarschuwingen tegelijk:

• een gevonden markering bewijst niet wie de inhoud heeft gemaakt, hoeveel AI-hulp is gebruikt of dat een regel is overtreden;
• het ontbreken van een markering bewijst niet dat de inhoud zonder AI is gemaakt of bewerkt.

Een sanctie uitsluitend baseren op zo'n signaal is dus niet verantwoord. Dat geldt des te meer zolang onafhankelijke informatie over foutpositieven, foutnegatieven, taalverschillen en de robuustheid bij herschrijven ontbreekt.

Privacy, toegankelijkheid en afhankelijkheid

Herkomstmetadata kan informatie over bewerkingsgeschiedenis meedragen. Teams moeten daarom controleren welke gegevens in geëxporteerde bestanden staan voordat leerlingwerk, toetsmateriaal of onderzoek openbaar wordt gedeeld. Een technische herkomstfunctie vervangt geen AVG-afspraken over wat wel en niet in Claude mag worden verwerkt.

Ook toegankelijkheid verdient aandacht. Een onzichtbare markering helpt alleen wanneer gebruikers over een betrouwbare uitleesmethode beschikken en de uitkomst begrijpelijk wordt uitgelegd. Als alleen instellingen met betaalde systemen markeringen kunnen controleren, ontstaat ongelijke toegang tot bewijs en bezwaar.

Ten slotte blijft het systeem leveranciersgebonden. Claude kan iets zeggen over verwerking door ondersteunde Claude-modellen, niet over alle generatieve AI. Onderwijsbeleid dat op één watermerk leunt, mist gebruik van andere modellen en handmatige of geautomatiseerde bewerkingen buiten Claude.

Wat teams nu kunnen afspreken

• Houd de eigen AI-regels leidend: beschrijf per opdracht welke hulp is toegestaan en welke verantwoording studenten moeten geven.
• Gebruik een eventuele Claude-markering alleen als aanleiding voor nader onderzoek en gesprek, nooit als zelfstandig bewijs voor fraude.
• Vraag bij belangrijk werk om procesbewijs, zoals versies, bronnotities, keuzes, tussenproducten en een korte mondelinge toelichting.
• Leg vast wie technische signalen beoordeelt, hoe een student de uitkomst kan betwisten en welke andere aanwijzingen nodig zijn voordat een besluit volgt.
• Test toekomstige detectietools eerst met eigen Nederlandstalige en meertalige voorbeelden, inclusief toegestane redactie en grondige revisie.
• Controleer de privacy- en bewaareffecten van provenancegegevens voordat bestanden in een ELO, portfolio of beoordelingssysteem worden opgeslagen.

De kern

Claude krijgt machineleesbare watermerken in tekst en ondertekende herkomstmetadata in ondersteunde bestanden. Dat kan transparantie en AI-geletterdheid versterken, maar maakt auteurschap of fraude niet automatisch aantoonbaar. Voor onderwijsprofessionals is de beste reactie daarom niet harder detecteren, maar beter procesbewijs organiseren, toegestane AI-hulp expliciet maken en ieder technisch signaal met menselijke hoor en wederhoor beoordelen.