Claude : effacer les filigranes selon le type de contenu

Claude combine deux approches de marquage : un filigrane statistique intégré au texte et des attestations C2PA signées dans les fichiers image pris en charge. Leur retrait n’obéit pas aux mêmes règles. Voici ce qui peut être modifié, ce qui l’est moins, et les précautions à prendre, sans promettre l’impossible.

Les métadonnées C2PA se cassent facilement, mais à vérifier d’abord

Pour les images et formats pris en charge, Claude n’encode pas de motif dans les pixels mais joint une attestation C2PA signée dans l’en-tête du fichier. L’image peut donc rester inchangée tandis que la provenance est stockée dans les métadonnées. Anthropic indique que des opérations comme la conversion de format, un ré-enregistrement ou une capture d’écran peuvent supprimer ces métadonnées et rompre le lien avec le manifeste. Avant toute action, il est recommandé de vérifier la présence d’un manifeste C2PA. La bibliothèque officielle c2pa-python permet de lire et valider ces manifestes via Context et Reader et s’installe avec pip install c2pa-python. Anthropic précise que la provenance s’applique là où le traitement de fichiers est pris en charge, et cite .svg, .png et .jpg à titre d’exemples, tout en rappelant que certaines plateformes ou fonctions peuvent ne pas supporter chaque type de marquage. L’affirmation qu’un PDF Claude porterait systématiquement un filigrane n’est pas conforme à cette documentation.

Seul un changement de formulation fait bouger l’aiguille.

Le filigrane texte de Claude ne repose pas sur un caractère caché que l’on supprimerait en éditant les métadonnées. Anthropic le rattache à SynthID-Text, variante textuelle de SynthID, et décrit un procédé où le choix entre mots possibles est biaisé pour former, sur des passages longs, un motif statistique détectable. Des reformulations sémantiquement équivalentes suffisent à porter un tel motif. Dès lors, ni des retouches mineures ni un simple copier-coller dans un autre éditeur ne suffisent. Une réécriture substantielle ou un paraphrasage sont requis, éventuellement via d’autres LLMs n’utilisant pas SynthID-Text, afin de réduire la présence du filigrane. La suppression ne peut toutefois être tenue pour acquise sans passer par un détecteur qui mesure le pourcentage de marquage. Des notions comme les fonctions de filigranage aléatoire fondées sur des probabilités de LLM ou des approches de sélection itérative sont évoquées pour expliquer ce comportement.

Le code offre moins de prises au marquage statistique que la prose

Anthropic ne décrit pas un filigrane distinct pour le code : les programmes générés relèvent du système texte. Mais la programmation impose une syntaxe stricte qui réduit les choix arbitraires par rapport à la langue, limitant de facto l’espace où loger un motif. Des modifications comme renommer des variables, changer des commentaires ou le formatage conservent le comportement du programme et touchent surtout des zones plus libres — à commencer par les commentaires, qui offrent davantage de marge linguistique et donc de possibilités de marquage statistique que la syntaxe exécutable.

Transformer l’AST Python pour remodeler le code source

Une stratégie concrète en Python consiste à réécrire la source via l’AST. Un script présenté renomme les identifiants locaux, retire les commentaires et les docstrings isolées, puis reconstruit le code avec ast.unparse. La classe de transformation, dérivée de ast.NodeTransformer, utilise une graine 42 et un mapping, fabrique de nouveaux noms à partir de préfixes comme tmp, value, item, obj ou data et d’un suffixe de lettres, en évitant les mots-clés. Les visiteurs renommant noms, arguments et alias appliquent ces substitutions, tandis qu’une fonction dédiée supprime les docstrings de tête détectées comme littéraux dans les bodies. La chaîne de traitement parse, nettoie, renomme, corrige les positions et réémet la source, avec une variante fichier-à-fichier. Il s’agit délibérément d’une transformation de source, non d’un décodeur de filigrane, et elle altère plus largement la surface générée qu’un changement ponctuel. La reconstruction peut affecter le formatage ou certains détails : il faut tester le programme obtenu.

Réécrire automatiquement un texte et contrôler la sortie

Un exemple de script s’appuie sur une API compatible OpenAI pour réécrire un document en imposant la conservation du sens et la modification de la structure phrastique, avec un modèle défini par REWRITE_MODEL et une valeur par défaut gpt-5. Le programme lit un fichier d’entrée, applique des consignes de réécriture détaillées et écrit le résultat dans un nouveau fichier. Une telle approche est censée réduire la présence du filigrane sans garantir sa disparition complète, sauf à employer un détecteur pour mesurer le taux résiduel. Là encore, il est recommandé de vérifier la présence du marquage pertinent, puis d’évaluer la sortie.