Desde 2 de agosto, toda saída de texto do Claude carrega uma marca d’água invisível e legível por máquina, e os arquivos gerados vêm acompanhados de metadados de proveniência assinados no padrão C2PA. No mundo inteiro, sem opção de desativação. Parece um recurso de conformidade. Leia como infraestrutura: o momento em que a proveniência de conteúdo de IA cruzou da “segurança empírica” para a “segurança comprovável”.
O que o Claude acabou de mudar
Os novos modelos do Claude, lançados a partir de 2 de agosto de 2026, incorporam uma marca d’água diretamente no texto gerado: ela influencia sutilmente a seleção de tokens para que o padrão seja detectável por máquina em conteúdo suficiente, permanecendo invisível aos leitores e sobrevivendo a cópias do texto. Para tipos de arquivo suportados — SVG, PNG, JPG — o Claude anexa metadados de proveniência assinados seguindo o padrão aberto C2PA, o mesmo sistema usado por Google e Adobe, permitindo que qualquer pessoa verifique se um arquivo foi processado pelo Claude e se foi adulterado desde então.
Dois detalhes importam. Primeiro, a política é global e inremovível — vale em todo lugar, não apenas na UE. Segundo, não é um capricho da Anthropic: o lançamento responde ao Artigo 50 do AI Act da União Europeia, o regime de transparência para conteúdo gerado por IA, e a Anthropic assinou o Código de Práticas da UE. Modelos mais antigos do Claude receberão a marcação durante o período de transição. A proveniência deixou de ser um item desejável e virou padrão.
Os 77 anos por trás do “invisível”
Esteganografia por marca d’água é ocultação de informação, e a teoria por trás disso é mais antiga que a maioria das empresas de IA. Shannon formulou o problema em 1949. Cachin deu a ele uma definição de segurança em teoria da informação em 1998. Em 2002, Hopper e Blum construíram um framework de segurança computacional, e a esteganografia de chave pública veio em seguida, em 2004.
O gargalo: toda construção comprovável exigia amostragem exata da distribuição do portador. Texto natural não pode ser amostrado com exatidão, então o campo ficou estagnado por duas décadas. Os modelos generativos quebraram o impasse em 2018 — um modelo que aprende uma distribuição é um amostrador explícito. Isso destravou a esteganografia generativa com segurança comprovável, formalizada pela primeira vez por uma equipe da USTC: criptografa-se a mensagem, usa-se o texto cifrado para guiar a amostragem, e recupera-se por amostragem inversa.
A partir daí, a pesquisa avançou rápido em uma janela notavelmente curta: esteganografia de chave pública via criptografia de curvas elípticas (IEEE TIFS 2024), extração sem caixa que elimina o requisito de “mesmo modelo nas duas pontas” (IEEE TMM 2026), esquemas gray-box usando amostragem especulativa que elevam a carga útil em 20 vezes sobre baselines black-box (ACM CCS 2026), e uma correção para a ambiguidade de subword tokens que quebrava a extração confiável (IEEE TDSC).
De ocultar a marcas d’água “comprovadamente sem perdas”
A ponte elegante: se incorporar uma marca d’água não altera a distribuição de amostragem do modelo, então a marca d’água é comprovadamente indolor em termos de qualidade. Esteganografia precisa de alta capacidade; marcas d’água podem trocar capacidade por robustez — que é exatamente o que a produção exige.
Isso agora é real, não teórico. A marca d’água sem perdas para texto da USTC é plug-and-play, não exige retreinamento, suporta detecção robusta de um bit e atribuição de múltiplos bits, e já roda em plataformas de produção que atendem mais de 13.000 desenvolvedores. A mesma ideia de marca d’água “não enviesada” se espalhou: a construção não enviesada do ICLR 2024, variantes robustas no TMLR 2024, a marca multicanal MCmark no ACL 2025. Em imagens, o Gaussian Shading (CVPR 2024) mapeia marcas d’água em variáveis latentes gaussianas indistinguíveis de geração normal, depois endurecido com localização de adulteração (ICCV 2025) e vinculação semântica contra falsificação black-box (ICML 2026). A fronteira chegou até a marca d’água de modelos — provas de propriedade black-box comprovadamente sem perdas para os próprios modelos (IEEE TDSC 2026), construídas sobre as backdoors comprovadamente indetectáveis de Goldwasser (FOCS 2022).
Por que isso é uma mudança estrutural, não um recurso
Compare com a trajetória da criptografia: por anos usamos criptografia “boa o suficiente”, depois construções comprováveis viraram o padrão porque os riscos exigiam. O conteúdo de IA está atingindo a mesma inflexão. A era do “apressar a engenharia” da marca d’água chegou ao seu teto — ataques que removem marcas por reescrita, falsificação e ambiguidade de subword tokens mostraram que segurança empírica não basta. Enquanto isso, o lado da demanda virou regulatório: o Fórum Econômico Mundial listou a marca d’água generativa entre as principais tecnologias emergentes de 2025, e a UE transformou transparência em lei.
O resultado é que a proveniência está se tornando uma camada de confiança para toda a economia de conteúdo de IA — o mesmo papel que assinaturas exercem para software ou certificados para TLS. Qualquer que seja o modelo que você use, espere que isso vire o mínimo esperado, não um diferencial. Na dinâmica ataque-defesa, a restrição é simétrica: os defensores não vão degradar a qualidade para incorporar uma marca, e os atacantes não podem degradar a qualidade para removê-la sem efetivamente regenerar o conteúdo. Proveniência é um jogo de custos, e a ausência de perdas é o que faz a matemática funcionar dos dois lados. Para saber mais sobre como as marcas são quebradas, veja como funciona a marca d’água em texto de IA e por que ela está sendo atacada.
O que fazer agora
- Plataformas: implemente verificação C2PA no seu pipeline de ingestão agora, antes que checagens de proveniência virem um gargalo de conformidade em vez de um feature flag.
- Fornecedores de IA: trate a proveniência como uma propriedade padrão da saída, e prefira esquemas comprovadamente sem perdas — eles sobrevivem à auditoria de qualidade que marcas empíricas reprovam.
- Desenvolvedores: trate a marca d’água como um sinal, não o único — combine-a com logs de requisições e fingerprints de conteúdo.
- Compradores: exija garantias de proveniência dos fornecedores em RFPs e processos de aquisição; em um cenário regulatório, isso está virando um artefato de conformidade, não um argumento de marketing.
Essa é a camada de raciocínio por trás da governança de conteúdo de IA — espere que a mesma mudança “comprovável primeiro” se estenda em seguida a imagens, áudio e processos de lançamento de modelos.
