Kan AI-tekst vandmærkes? Hvad mærkning kan – og ikke kan – bevise

“Er den her opgave skrevet af AI?”

Spørgsmålet dukker op på skoler, universiteter, redaktioner og arbejdspladser. Det lyder, som om der burde findes en simpel test: læg teksten ind, få et grønt eller rødt lys, afslut sagen.

Sådan er virkeligheden ikke.

I august 2026 offentliggjorde Anthropic en metode til vandmærkning af tekst fra Claude. Nyheden er interessant, fordi vandmærket er tænkt som et usynligt statistisk spor frem for en synlig etiket. Samtidig begyndte EU’s nye transparensforpligtelser for AI-genereret indhold at gælde 2. august 2026.

Tekniske mærker kan blive en vigtig del af vores informationsmiljø. Men vi risikerer at bruge dem forkert, hvis vi behandler dem som en universel sandhedsmaskine.

Et tekstvandmærke er et mønster – ikke et stempel

Et synligt vandmærke på et foto er let at forstå: et navn eller logo ligger oven på billedet. Et tekstvandmærke kan ikke fungere på helt samme måde, hvis teksten stadig skal se naturlig ud.

I stedet kan modellen påvirke sine ordvalg efter en skjult regel. Blandt flere sandsynlige formuleringer foretrækker den bestemte mønstre. En detektor, der kender reglen, kan analysere en længere tekst og vurdere, om mønstret forekommer mere end tilfældigt.

Det betyder tre ting:

• Mærket er statistisk, ikke et serienummer i hver sætning.
• Detektoren giver et signal med usikkerhed, ikke et fotografi af skriveprocessen.
• Systemet fungerer bedst under de betingelser, det er designet og testet til.

Anthropic oplyser, at virksomhedens metode kan indlejre et usynligt mærke uden målelig forringelse af kvaliteten i deres test. Det er en leverandøroplysning om en konkret metode – ikke dokumentation for, at al AI-tekst fremover kan identificeres sikkert.

Hvorfor et mærke kan forsvinde

En tekst er let at ændre. Man kan omskrive afsnit, bytte ord, oversætte, forkorte eller blande med egne formuleringer. Hver ændring kan svække det statistiske signal.

Korte tekster giver i sig selv mindre materiale til analysen. En overskrift, en mail på tre linjer eller et enkelt svar kan derfor være langt vanskeligere at vurdere end en lang, uændret tekst.

Derudover vil ikke alle modeller bruge samme metode. Nogle systemer kan mangle vandmærkning, og ældre eller lokale modeller kan fortsætte med at generere tekst uden mærket. Hvis en person kopierer et svar gennem flere værktøjer, bliver oprindelsen endnu mere uklar.

Fravær af et fund betyder derfor ikke nødvendigvis “skrevet af et menneske”. Det kan betyde:

• teksten kommer fra et system uden dette mærke
• teksten er for kort
• den er blevet ændret
• signalet ligger under detektorens tærskel
• detektoren er ikke lavet til sprog, model eller genre

Det modsatte problem findes også: En statistisk detektor kan tage fejl. Derfor bør enhver anvendelse have kendte fejlprocenter og en klagevej.

Mærkning og detektion er ikke det samme

Det hjælper at skelne mellem fire mekanismer:

1. Synlig mærkning: En besked som “AI-genereret” eller “manipuleret indhold”, som mennesker kan se.
2. Maskinlæsbar mærkning: Metadata eller tekniske signaler, som systemer kan aflæse.
3. Vandmærkning: Et mønster indlejret i selve teksten, billedet eller lyden.
4. Detektion uden kendt mærke: En model forsøger ud fra stil og sandsynligheder at gætte, om indholdet er AI-genereret.

Den sidste kategori er særligt usikker. En generel “AI-detektor” prøver at genkende spor uden at have adgang til et autoritativt mærke. Den kan fejlklassificere menneskers tekst, især hvis sproget er enkelt, formelt eller skrevet af en person med et andet modersmål.

Et kendt vandmærke kan give et stærkere signal end et frit gæt, men også dette skal fortolkes inden for metodens dokumenterede rammer.

EU kræver mere gennemsigtighed – men ikke én magisk løsning

AI-forordningens artikel 50 indeholder transparensforpligtelser for bestemte AI-systemer og former for genereret eller manipuleret indhold. Udbydere skal i relevante tilfælde sikre, at output er mærket i et maskinlæsbart format og kan opdages som kunstigt genereret eller manipuleret. Organisationer, der anvender systemerne, kan have pligt til synligt at oplyse om bestemte deepfakes eller AI-genereret tekst, der publiceres for at informere offentligheden om samfundsmæssige spørgsmål.

Der findes undtagelser og nuancer, blandt andet når AI kun udfører almindelig redigering uden væsentlig ændring af betydningen. Derfor bør redaktioner og organisationer beskrive deres konkrete arbejdsgange frem for at sætte samme mærkat på alt.

EU-Kommissionens adfærdskodeks for AI-genereret indhold støtter gennemførelsen af reglerne. Kommissionen har også udviklet frivillige ikoner. Ikonerne kan gøre en mærkning genkendelig, men et ikon alene dokumenterer ikke, at alle juridiske krav er opfyldt.

C2PA: En kvittering for historik, ikke for sandhed

For billeder, video og lyd er C2PA blevet et vigtigt teknisk initiativ. Standarden gør det muligt at knytte kryptografisk beskyttede oplysninger til en fil: Hvilket værktøj oprettede den? Hvilke redigeringer er registreret? Hvem signerede oplysningerne?

Det minder om en kæde af kvitteringer. Hvis kæden er intakt, kan modtageren få mere viden om filens oprindelse og behandling.

Men C2PA siger ikke, at motivet er sandt. Et ægte kamera kan fotografere en iscenesat begivenhed. En person kan signere en vildledende redigering. Metadata kan også forsvinde, når en platform komprimerer eller kopierer filen.

Standarden selv understreger sikkerhedsbegrænsninger. Indholdsoplysninger skal ses som dokumentation om proveniens, ikke som en vurdering af indholdets sandhed eller kvalitet.

I undervisning: Brug signalet som anledning, ikke dom

Det mest følsomme eksempel er en elev eller studerende, der mistænkes for at have brugt AI i strid med reglerne.

En forsvarlig proces bør ikke være:

Detektoren siger 82 procent. Derfor er sagen afgjort.

Den bør inddrage:

• den konkrete opgaveformulering og de oplyste regler
• tidligere arbejde og udvikling i teksten
• noter, kilder, versioner og arbejdsproces
• en samtale, hvor den studerende kan forklare valg og indhold
• detektorens dokumenterede anvendelsesområde og fejlrater
• mulighed for menneskelig genvurdering og klage

Hvis læringsmålet er at kunne argumentere, kan en kort mundtlig opfølgning fortælle mere end en stilklassifikator. Hvis AI er tilladt som hjælp, er det endnu vigtigere at spørge, hvordan værktøjet blev brugt, frem for blot om det blev brugt.

På arbejdspladsen: Mærk efter modtagerens behov

En organisation behøver ikke gøre alle interne kladder til juridiske skilte. Men den bør have en enkel regel for, hvornår modtageren har et rimeligt behov for at vide, at AI har spillet en væsentlig rolle.

Spørg:

• Kan indholdet få nogen til at tro, at et menneske har set, hørt eller sagt noget, som ikke er sket?
• Udgives teksten som journalistik eller information om et samfundsmæssigt spørgsmål?
• Har AI ændret betydningen væsentligt, eller har den kun rettet sprog?
• Har et menneske kontrolleret faktum, kilder og endelig formulering?
• Kan mærkningen følge indholdet gennem publiceringssystemet?

Skriv beslutningen ind i redaktionens arbejdsgang. Hvis mærkning først overvejes fem minutter før publicering, vil den ofte blive inkonsekvent.

En detektor bør selv være under kontrol

Hvis en skole, arbejdsgiver eller platform vil bruge teknisk detektion, bør den behandles som et system med konsekvenser for mennesker.

Kravene bør mindst omfatte:

• test på det relevante sprog og de relevante teksttyper
• kendte falske positive og falske negative resultater
• en minimumslængde for meningsfuld analyse
• dokumentation af model og version
• forbud mod automatiske sanktioner
• adgang til forklaring, menneskelig vurdering og klage
• løbende kontrol, når genereringsmodeller og skrivestile ændrer sig

Det er paradoksalt at indføre en uigennemsigtig AI-detektor for at skabe gennemsigtighed om AI.

Det robuste informationsmiljø bruger flere spor

Vandmærker, metadata og synlige etiketter kan gøre en reel forskel. De kan hjælpe platforme med at håndtere skala og give modtagere mere kontekst. Men ingen af dem bør bære hele bevisbyrden.

Det robuste setup kombinerer:

• tekniske mærker og indholdsoplysninger
• synlig og forståelig kommunikation
• bevaret redaktionel historik
• kontrol af kilder og påstande
• mulighed for at spørge afsenderen
• menneskelig vurdering ved væsentlige konsekvenser

Vi skal med andre ord vænne os til en mere beskeden sætning end “detektoren ved det”.

Den præcise sætning er: “Vi har et teknisk signal. Nu skal vi forstå, hvad det faktisk viser, og hvad det ikke viser.”

Kilder og videre læsning

• Anthropic: Claude text watermark – officiel offentliggørelse af virksomhedens tekstvandmærkning 14. august 2026.
• EU-Kommissionen: Code of practice on AI-generated content – officiel adfærdskodeks til transparenskravene.
• EU-Kommissionen: Guidelines on transparency obligations – vejledning til AI-forordningens artikel 50.
• EU-Kommissionen: EU icons for labelling AI-generated content – frivillige visuelle mærker og deres rolle.
• C2PA: Technical specification – standarden for Content Credentials.
• C2PA: Security considerations – begrænsninger og trusselsmodel.