SynthID-Text är i drift i Gemini och Claude. Detektering av text är fortfarande inte öppen för allmänheten.

Alla tre av de största leverantörerna av språkmodeller vattenmärker nu den text de genererar, eller har börjat göra det. Google har gjort det i Gemini sedan 2024. Anthropic slog på det för Claude den 14 augusti 2026. Båda använder samma underliggande metod, SynthID-Text, som Google DeepMind publicerade i Nature. OpenAI följde efter den 5 oktober 2026 med en egen lösning, textGrain: frivillig via API:et och på väg in i texter från ChatGPT och Codex i EU under de följande veckorna.

Vill du kontrollera om ett visst stycke bär ett av de här vattenmärkena kan du med största sannolikhet inte göra det. Det finns inget publikt API, ingen publik portal som tar emot text och inget verktyg med öppen källkod som har nycklarna. Anthropics API för detektering är i privat förhandsversion för organisationer som företaget godkänner, OpenAI tar emot ansökningar från forskare, och Googles SynthID Detector, öppen för alla sedan 7 oktober 2026, läser bilder, video och ljud men inte text. Märket finns där, det är i princip maskinläsbart, och ändå hänger avläsningen fortfarande på företaget som satte dit det.

Den luckan betyder mer i dag än för ett år sedan. AI-förordningen (AI Act) har nu en märkningsdeadline med ett datum, och en hel del har börjat köpa verktyg som påstår att de täpper till luckan men inte gör det.

Vad SynthID-Text faktiskt gör

Här lönar det sig att vara exakt, eftersom det mesta som skrivs om vattenmärkning av AI-text är fel på exakt samma sätt.

SynthID-Text lägger inte till något i texten. Inga tecken med noll bredd, ingen ovanlig Unicode, inga osynliga markörer, ingen avslöjande interpunktion och inga extra token. Anthropic säger det rakt ut, och det gäller metoden generellt. Har du sett råd om att rensa bort osynliga tecken för att slå ut ett AI-vattenmärke, så riktar sig de råden mot något som inte finns här.

I stället ändrar metoden hur modellen väljer ord.

När en språkmodell genererar text tar den fram en sannolikhetsfördelning över nästa token och drar ett urval ur den. SynthID-Text griper in just i det steget. Ett glidande fönster med de senaste tokenen, normalt fyra, hashas tillsammans med en hemlig vattenmärkningsnyckel och ger ett frö. Fröet styr en uppsättning pseudoslumpmässiga poängfunktioner, g-funktionerna. Algoritmen drar kandidattoken och kör dem genom en serie turneringslager, där varje lager poängsätter de tävlande kandidaterna med en g-funktion och vinnaren går vidare. Det token som vinner turneringen är det som skrivs ut.

Resultatet blir att de utskrivna tokenen, över ett tillräckligt långt stycke, korrelerar med g-värdena på ett sätt som slumpmässiga mänskliga ordval inte skulle göra. Detekteringen är sedan ett statistiskt test: räkna om g-värdena över texten och fråga om medelvärdet är högre än slumpen tillåter. De publicerade detektorerna finns i tre varianter: ett enkelt medelvärde, ett viktat medelvärde och en bayesiansk detektor tränad på vattenmärkta och omärkta exempel. Den sista är starkast.

Två egenskaper följer av den här konstruktionen, och de förklarar nästan allt annat.

För det första kräver detekteringen inte modellen. Du behöver inte köra Gemini för att kontrollera text från Gemini. Det är det som gör metoden billig nog att driftsätta, och det är ett verkligt framsteg jämfört med klassificerare i efterhand.

För det andra kräver detekteringen nyckeln. G-funktionerna får sitt frö från den. Utan vattenmärkningsnyckeln saknar de g-värden du räknar fram koppling till dem som användes vid genereringen, och testet ger bara brus. Det är ingen brist i implementationen som någon kommer att åtgärda. Det är säkerhetsegenskapen som hindrar vem som helst från att förfalska Googles vattenmärke på text som Google inte har skrivit.

Hela detekteringsproblemet ligger i den andra egenskapen.

Vem som vattenmärker text i dag

Läget per 10 oktober 2026, begränsat till sådant som leverantörerna själva har bekräftat:

Google Gemini. Vattenmärkt sedan Nature-artikeln beskrev den första driftsättningen i stor skala, som omfattade Gemini och Gemini Advanced. Googles personal har bekräftat på det officiella utvecklarforumet att text som genereras via Gemini API, Google AI Studio och Antigravity också är vattenmärkt. Det svaret kom efter ett första, felaktigt svar om motsatsen, vilket säger en hel del om hur tunt det här är dokumenterat.

Anthropic Claude. I drift globalt från 14 augusti 2026, på Claude-modeller som släppts den 2 augusti 2026 eller senare, och äldre modeller ska följa. Anthropic beskriver det som en variant av SynthID-Text och för idén tillbaka till Scott Aaronsons förslag från 2022. Anthropic bifogar också signerade C2PA-uppgifter till genererade bildfiler, vilket är en separat mekanism.

OpenAI. Ett eget textvattenmärke sedan 5 oktober 2026. OpenAI byggde ett redan 2024, som enligt Wall Street Journal var mycket träffsäkert, men lade det på hyllan av oro för att det stod emot översättning och omfattande omskrivning dåligt och kunde flagga skribenter med engelska som andraspråk oproportionerligt ofta. Den nya lösningen, textGrain, är OpenAI:s egen konstruktion och inte SynthID-Text. I API:et är den avstängd som standard: kunder var som helst kan välja att slå på den för utvalda modeller. I ChatGPT och Codex läggs den till på kvalificerad text som genereras i EU under de kommande veckorna, och OpenAI säger att det inte är en global standardinställning. OpenAI varnar själv för att kraftig parafrasering eller översättning kan göra märket omöjligt att upptäcka. Företaget bifogar också C2PA Content Credentials till genererade bilder.

Alla andra. Modeller med öppna vikter bär inget vattenmärke om inte den som kör dem lägger till ett, och inget hindrar att det tas bort. Det är det strukturella hål som Nature-artikeln själv pekar ut: vattenmärkning fungerar bara där leverantörerna samarbetar, och öppna modeller går inte att tvinga till samarbete.

Att de två driftsättningarna sammanfaller med 2 augusti 2026 är ingen slump. Det är dagen då artikel 50 i AI-förordningen började tillämpas. OpenAI nämner samma drivkraft: tillkännagivandet presenterar utrullningen som företagets svar på EU:s regler om textens ursprung.

Verktygen som finns, och vad vart och ett duger till

Den här delen är värd att få rätt, eftersom sökresultaten i ämnet är kraftigt nedskräpade.

google-deepmind/synthid-text på GitHub. Referensimplementationen från Nature-artikeln, Apache 2.0. Den vattenmärker och detekterar, och den innehåller träningskoden för den bayesianska detektorn. Den stöder Gemma och GPT-2 via mixin-klasser. README-filen säger uttryckligen att den är till för att forskningen ska kunna reproduceras, att mixin-klasserna inte är byggda för produktion och att hashfunktionen inte ger några kryptografiska säkerhetsgarantier. Användbar, ärlig och ingen detektor för någon annans text.

Hugging Face Transformers. Den produktionsmässiga väg som Google hänvisar till. SynthIDTextWatermarkingConfig och SynthIDTextWatermarkLogitsProcessor låter dig generera vattenmärkt text från en modell du själv styr, genom att skicka in en lista med nycklar och en n-gram-längd. Har du nycklarna kan du detektera. Det är den enda vägen till fungerande textvattenmärkning hela vägen för ett vanligt utvecklingsteam i dag, och den täcker bara text som ditt eget system har genererat.

MarkLLM. En akademisk verktygslåda från THU-BPM som implementerar många vattenmärkningsalgoritmer bakom ett gemensamt gränssnitt, bland andra KGW, Unigram, EXP och SynthID-Text med detektorerna för medelvärde, viktat medelvärde och bayesiansk analys. Utvärderar du metoder snarare än levererar en, är det här du börjar.

Portalen SynthID Detector. Googles verktyg för att ladda upp och kontrollera innehåll, på synthid.com. Den öppnade för tidiga testare på I/O i maj 2026 via en väntelista för journalister, forskare och mediefolk, och för alla, i hela världen och på engelska, den 7 oktober 2026. Den kontrollerar nu också innehåll från Googles partner OpenAI, NVIDIA och Kakao, och Apple har aviserats som nästa. Googles tillkännagivande räknar upp bilder, video och ljud. Text finns inte med, så den enda publika kontrollen av vattenmärken kan fortfarande inte svara för ett textstycke.

Googles Content Detection API. Förhandsvisat 2026 på plattformen Gemini Enterprise för namngivna partner, bland dem Shutterstock, Snap, Canva och Fox Sports. Det hanterar bara bilder: JPEG, PNG och WebP. Ingen text, inget datum för allmän tillgänglighet, ingen publicerad prissättning.

Anthropics API för detektering. I privat förhandsversion sedan Anthropic uppdaterade sitt tillkännagivande den 1 september 2026. Åtkomst ges på begäran, till organisationer som Anthropic bedömer som behöriga enligt EU-rätten: tillsynsmyndigheter, brottsbekämpande myndigheter, medier, faktagranskare, oberoende forskare, utbildningsorganisationer, civilsamhällesgrupper i EU och företag som måste verifiera vattenmärken för sin egen efterlevnad av förordningen. Anthropic säger att åtkomsten ska breddas med tiden. Som alla nyckelbaserade detektorer kan den bara svara för text från Claude.

OpenAI:s detektor för textvattenmärken. Ansökningarna öppnade den 5 oktober 2026, och åtkomsten är tills vidare begränsad till godkända forskare och expertorganisationer. OpenAI har sagt att man tänker släppa textGrain som öppen källkod, utan att ange något datum. Fram till dess svarar även den bara för OpenAI:s egen text.

C2PA Content Credentials. Inte ett vattenmärke alls, och ett komplement snarare än en konkurrent. Det är kryptografiskt signerad ursprungsmetadata: vem som skapade innehållet, med vilket verktyg, när och om ett AI-system var inblandat, registrerat i fältet digitalSourceType. Version 2.3 lade till manifest för rena textdokument, vilket är nytt och relevant. Svagheten är vattenmärkningens spegelbild: metadata försvinner utan vidare vid kopiera och klistra in, och det är precis så text sprids.

Och sedan finns det sådant som inte är verktyg.

Ett stort antal webbplatser rankar för ”SynthID detection API” och beskriver en produkt som du aktiverar i Google Cloud Console, med pris per anrop och textsvar på under en sekund. Någon sådan produkt finns inte i Google Clouds dokumentation. Minst en av de webbplatserna är innehållsmarknadsföring för en tjänst som tar bort vattenmärken. Därutöver kör webbplatser som erbjuder att kontrollera text för SynthID statistiska AI-detektorer, som inte läser vattenmärket och inte kan göra det, eftersom de inte har nyckeln. De poängsätter text efter förutsägbarhet och rytm. Det är något helt annat som bär samma ord.

Hur bra fungerar det

Det ärliga svaret är att det fungerar bra på lång, oredigerad text med hög entropi och försämras snabbt utanför de förutsättningarna. Siffrorna är offentliga, och de är inte smickrande.

Längd. Detekteringen är ett statistiskt test, så beläggen växer med antalet token. En teoretisk analys av SynthID-Text som publicerades 2026 anger en andel sant positiva på ungefär 0,3 vid en andel falskt positiva på 1 % för texter på 50 token, och gör sina egna experiment på sekvenser om 100 till 400 token. En tweet, en produktbeskrivning eller ett supportsvar är inte tillräckligt med text.

Entropi. Vattenmärket lever i modellens frihet att välja. Där det bara finns ett rätt svar finns inget utrymme att koda in något. Anthropic säger det rakt ut: märket blir glesare i faktatexter och i kod där syntax och aritmetik måste vara exakta. Be en modell rätta din grammatik, så kan vattenmärket bara finnas i den handfull rättelser den gör, och de kan vara för få för att ge utslag.

Parafrasering. Här ligger svagheten. En utvärdering av robustheten visade att SynthID:s andel sant positiva föll från 0,998 på ren text till 0,498 vid måttlig parafrasering. ETH Zürichs SRI Lab rapporterade att över 90 % av märkena gick att skrubba bort med vanlig parafrasering, nära 100 % med hjälp av vattenmärkesstöld, och noterade att turneringsurvalet, en säkerhetsfunktion, gör förstärkningen av token känsligare för omskrivningar och därmed mindre robust än enklare metoder. En utvärdering mot forensiska standarder 2026 mätte 98,3 % borttagning vid betydelsebevarande parafrasering, medan den semantiska likheten låg kvar kring 0,83.

Falskt positiva. Samma forensiska utvärdering mätte en andel falskt positiva på 5,4 % i ren mänsklig text, med 93,6 % instabilitet i utslaget vid små ändringar av detekteringströskeln, och fann att en vanlig mening från ett skrivtest passerade tröskeln. Slutsatsen var att ingen av de tre metoder som testades, KGW, Unigram och SynthID-Text, uppfyller mer än två av de fem Daubert-kriterierna för sakkunnigbevisning.

Förfalskning. Här står SynthID-Text emot bättre än alternativen. SRI Labs arbete rapporterar att 4 % av förfalskningsförsöken lyckas med standardparametrar, mot 80 % eller mer för röd-gröna metoder, även om andelen steg till 15 % när angriparens anrop ökade från 30 000 till 90 000. Samma arbete visade också att själva förekomsten av vattenmärket går att upptäcka enbart genom anrop utifrån (black box), så att hemlighålla driftsättningen är inget alternativ.

Sammantaget: ett positivt utslag på ett långt stycke är ett meningsfullt belägg. Ett negativt utslag betyder nästan ingenting, eftersom det stämmer lika bra med mänskligt skriven text, en modell utan vattenmärke, ett kort urval eller en parafras. Den som bygger ett arbetsflöde på det här måste ha tagit den asymmetrin till sig innan gränssnittet byggs.

Vad lagen kräver

Tre regelverk ställer nu krav på det här området, och inget av dem stämmer riktigt överens med det som är i drift.

AI-förordningen (AI Act), artikel 50.2. Leverantörer av AI-system som genererar syntetiskt ljud, syntetiska bilder, syntetisk video eller syntetisk text ska märka utdata i ett maskinläsbart format så att de går att upptäcka som artificiellt genererade. Märkningen ska vara effektiv, interoperabel, robust och tillförlitlig så långt det är tekniskt möjligt. Artikel 50 började tillämpas den 2 augusti 2026, och därmed också märkningsplikten för system som släpps ut på marknaden från det datumet. System som redan fanns på marknaden före dess har till den 2 december 2026. Den slutliga uppförandekoden, som kommissionen publicerade den 10 juni 2026, pekar mot en skiktad lösning som kombinerar metadata, vattenmärkning och loggning. Den nämner inte C2PA, men beskriver dess egenskaper så nära att bedömare har konstaterat att C2PA i dag är den enda driftsatta tekniken som passar. Den bredare bilden av artikel 50 går vi igenom i vår guide till transparenskraven i AI-förordningen.

Lägg märke till ordet interoperabel. Ett vattenmärke som bara upphovsmannen kan läsa passar illa ihop med det kravet, och den spänningen är olöst.

Kina. Föreskrifterna om märkning av AI-genererat syntetiskt innehåll (Labelling Measures for AI-Generated Synthetic Content) trädde i kraft den 1 september 2025 och är de mest konkreta av de tre. De kräver både en uttrycklig märkning, synlig för användaren, och en implicit märkning i filens metadata. Text omfattas. Plattformar måste erbjuda funktioner för märkning, och användare som publicerar AI-genererat innehåll måste ange det.

Kalifornien. AI Transparency Act, SB 942 i den lydelse som AB 853 gav den, blev tillämplig den 2 augusti 2026 för leverantörer med mer än en miljon användare per månad. Den kräver ett kostnadsfritt detekteringsverktyg, en synlig manifest disclosure och en inbäddad latent disclosure med leverantörens namn, systemets namn och version, tidsstämpel och en unik identifierare. Läs tillämpningsområdet noga: plikten att bädda in en latent disclosure gäller bild, video och ljud. Text ingår inte. Från 1 januari 2027 måste stora onlineplattformar visa ursprungsdata och får inte medvetet ta bort den.

Mönstret är detsamma i alla tre. Lagen kräver märken som går att upptäcka, och de textmärken som är i drift kan bara läsas av upphovsmännen och av dem som upphovsmännen släpper in. Antingen öppnas detekteringen upp, eller så uppfylls kraven för text med metadata i C2PA-stil, som i stort sett aldrig överlever ett kopiera och klistra in.

Vad det här betyder om du bygger programvara

Det mesta av detta är inget compliance-projekt. Det är en handfull tekniska beslut som är billiga nu och dyra att bygga in i efterhand.

Köp inte en detektor som domare. Om en leverantör påstår sig kunna detektera SynthID i godtycklig text kan den inte det, och du bör be om nyckeln. Kör du redan AI-detektering på inskickat material från användare, behandla poängen som sortering som skickar vidare till en människa, aldrig som en slutsats. Beläggen mot användning med konsekvenser är starka: en studie från Stanford visade att detektorer klassade mer än hälften av TOEFL-uppsatser skrivna av personer med engelska som andraspråk som AI-genererade, och en växande lista av universitet har stängt av verktygen efter att de flaggat mänskligt skriven text med 100 % säkerhet. Att bygga en policy ovanpå det är en risk, inte en kontroll.

Sluta ta bort ursprungsmetadata. Det här är det vanligaste självförvållade misstaget. Bildflöden kodar om, skalar om och normaliserar rutinmässigt material, och de flesta kastar C2PA-manifest och XMP på vägen. Enligt artikel 50.2 är det du som tar bort den märkning som lagen vill ha bevarad, och från januari 2027 är det en plattformsskyldighet i Kalifornien. Granska flödet, bevara manifestet eller signera om efter omvandlingen. Nu när C2PA 2.3 stöder rena textdokument kommer samma disciplin snart att gälla textmaterial.

För ditt eget register över ursprunget. Det här är den del som faktiskt fungerar. Oavsett vad vattenmärket gör vet ditt system vilken modell som genererade vad, när, med vilken prompt och vem som granskade det. Spara det som ett fält i posten. Det är beviset för undantaget för mänsklig granskning i artikel 50, det är vad du lämnar till en tillsynsmyndighet eller en kund, och det hänger inte på att någon släpper ett API.

Driftar du själv kan du ha hela kedjan. Ett team som kör sin egen modell på Hugging Face Transformers kan vattenmärka genereringen och detektera märket, eftersom teamet har nycklarna. Genererar du innehåll i stora volymer och behöver känna igen ditt eget material senare, finns det här att tillgå i dag, och ingen försöker sälja det till dig.

Ställ rätt fråga till leverantörerna. Inte ”vattenmärker ni”, för svaret är numera oftast ja och säger ingenting. Fråga om märket kan detekteras av dig eller bara av dem, vad som händer med det vid redigering och översättning, om C2PA-metadata bifogas och för vilka format, och vad de är beredda att avtala om artikel 50.2 efter den 2 december 2026.

Vart det här är på väg

Tekniken är verklig, och resultatet i Nature är ett gediget stycke ingenjörskonst: ett vattenmärke som kostar en halv procent i latens, klarar en utvärdering över ungefär 20 miljoner skarpa svar från Gemini utan mätbar påverkan på användarnöjdheten och detekteras utan att modellen behöver röras. Det är inte lite.

Driftsättningen är samtidigt, än så länge, stängd. Tre leverantörer vattenmärker nu text eller håller på att börja, ingen låter allmänheten kontrollera märket, de detektorer som finns ransoneras till tillsynsmyndigheter, forskare och godkända organisationer, och öppna modeller står helt utanför systemet. Glappet mellan vad märkningsreglerna kräver och vad en person utanför de företagen faktiskt kan verifiera är det intressanta problemet, och det är inte tekniskt.

Vårt råd till kunder är att inte lägga något på detektering och en del på ursprung. Detektering som du inte kan köra och inte kan lita på är ingen kontroll. Ett rent register över vad dina egna system har genererat, och ett materialflöde som slutar förstöra den metadata som redan finns, är arbete du själv styr över, och det är vad deadlinen den 2 december 2026 faktiskt berör. Var det här hamnar bland allt annat som faller på plats fram till 2028 ser du i vår guide till EU:s digitala regelefterlevnad 2026.

Vi bygger AI-funktioner i produkter för företag som verkar i Europa, vilket innebär att ursprungsfält, materialflöden som bevarar uppgifterna och revisionsspår ingår i den vanliga leveransen snarare än att vara ett separat projekt. Vill du att vi tittar på var AI-genererat innehåll kommer in i din produkt och vad som händer med dess ursprung på vägen ut, skriv till office@c9group.dev.

Vi är ingenjörer, inte jurister. Om en viss skyldighet gäller dig som leverantör eller som tillhandahållare är en fråga för din juridiska rådgivare. Vi ser till att systemet stämmer med svaret.