Claude Wasserzeichen entfernen

Ab August 2026 trägt jeder von Claude generierte Textblock ein unsichtbares Wasserzeichen. Es ist nicht sichtbar, wird nicht von der Rechtschreibprüfung markiert und übersteht das Kopieren und Einfügen in ein Dokument. Anthropic hat diese Markierung entwickelt, damit KI-generierter Text auf das Modell zurückverfolgt werden kann; die Signatur steckt dabei unauffällig in der Wortwahl.

Apidog noch heute testen

Wenn Sie Inhalte und Dateien bereinigen möchten, die Ihnen gehören, ist das Open-Source-Projekt watermarks-remover ein verbreiteter Ansatz. Dieser Leitfaden zeigt, welche Markierungen das Tool entfernen kann, wo seine Grenzen liegen und wie Sie die Skripte reproduzierbar einsetzen.

Dieser Beitrag behandelt Datenschutz und Hygiene für eigene Texte und Dateien. Entfernen Sie keine Herkunftsmarkierungen, um akademische Regeln, vertragliche Offenlegungspflichten oder Plattformbedingungen zu umgehen. Prüfen Sie stets die Regeln, die für Ihren Kontext gelten.

Zusammenfassung

• Claude-Textmarkierung: Claude beeinflusst Token-Auswahlen anhand eines geheimen Schlüssels. Das Ergebnis ist eine statistische Signatur über einen längeren Textabschnitt, kein einzelnes unsichtbares Zeichen.
• Beständigkeit: Die Textmarkierung übersteht Copy-and-Paste, wird aber durch starke Bearbeitung, Paraphrasierung und Übersetzungen geschwächt.
• Kurze Texte und Code: Bei kurzen Passagen ist das Signal schwach. Bei Code ist es oft praktisch nicht relevant, da Formatierer, Linter und Refactorings die ohnehin begrenzte Token-Varianz verändern.
• Tool: watermarks-remover ist ein MIT-lizenziertes Toolkit für Python 3.10+.
• Ebene A: Entfernt deterministisch unsichtbare Unicode-Zeichen, ungewöhnliche Leerzeichen, bidirektionale Steuerzeichen und Tag-Zeichen.
• Ebene B: Versucht, statistische Textsignaturen durch Umschreiben zu stören. Das ist ein Best-Effort-Verfahren und kann Stil sowie Präzision beeinträchtigen.
• Dateien: Das Tool bereinigt C2PA-, EXIF-, XMP- und Dokumentmetadaten in PNG, JPEG, SVG, PDF, DOCX, ODT, HTML und Markdown.
• Wichtiger Trade-off: Unsichtbare Zeichen und Dateimetadaten lassen sich zuverlässig prüfen und bereinigen. Eine statistische Textsignatur zu verändern bedeutet dagegen, den Text inhaltlich und stilistisch umzuschreiben.

Was Claudes Wasserzeichen tatsächlich ist

Ein häufiger Irrtum: Claudes Textwasserzeichen ist keine Folge versteckter Zeichen zwischen Wörtern. Es gibt kein spezielles Nullbreitenzeichen, kein auffälliges Glyph und keine ungewöhnliche Laufweite, die Sie gezielt suchen und löschen könnten.

Die Markierung steckt stattdessen in der Wortwahl. Beim Generieren wählt das Modell das nächste Token aus mehreren statistisch plausiblen Kandidaten. Das Wasserzeichen beeinflusst diese Auswahl mit einem geheimen Schlüssel. Über viele Token hinweg entsteht daraus eine statistisch erkennbare Signatur.

Praktisch hat dieses Design zwei Folgen:

1. Copy-and-Paste entfernt das Signal nicht.
   
   Weil die Signatur in der Wortwahl statt in Dateimetadaten steckt, bleibt sie beim Verschieben des Texts zwischen Anwendungen erhalten.

2. Bearbeitung schwächt das Signal.
   
   Wenn Sie genügend Wörter austauschen, Sätze umstellen, übersetzen oder Text mit eigener Arbeit kombinieren, bricht das statistische Muster zunehmend auf.

Anthropic hat dies laut Ausgangslage ab dem 2. August 2026 auf Modellebene eingeführt. Damit betrifft die Markierung Claude-Apps, die API, Claude Code sowie Zugriffe über AWS, Google Cloud und Microsoft Foundry. Anthropic hat außerdem eine Erkennungs-API angekündigt.

Einen verwandten Fall zu Änderungen an Anthropics Modellangebot und Zugriffsrichtlinien behandelt Fable 5 Is Down for Everyone.

Wichtig für die Einordnung: Eine positive Erkennung bedeutet nur, dass ein Text möglicherweise Claude durchlaufen hat. Sie beweist weder Täuschung noch vollständige KI-Autorschaft. Auch Korrekturlesen, Übersetzen und Zusammenfassen können dieselbe Spur hinterlassen.

Zwei Markierungstypen, zwei Workflows

watermarks-remover trennt die Bereinigung in zwei Ebenen, weil Textsignaturen und Dateimetadaten technisch unterschiedliche Probleme sind.

Ebene A: Deterministische Zeichenbereinigung

Ebene A entfernt unsichtbare oder problematische Unicode-Zeichen, darunter:

• Nullbreiten-Leerzeichen
• exotische Leerzeichen
• bidirektionale Textsteuerzeichen
• Unicode-Tag-Zeichen

Einige Tools und Pipelines nutzen solche Zeichen für Tracking- oder Herkunftsinformationen. Die Bereinigung erfolgt mit Standard-Python, ist deterministisch und verändert sichtbaren Text nicht.

Das ist der zuverlässige, verlustfreie Teil des Workflows.

Ebene B: Statistisches Umschreiben

Ebene B richtet sich gegen statistische Token-Sampling-Signaturen wie die beschriebene Claude-Markierung. Da das Signal in der Wortwahl steckt, müssen Wörter und Satzstrukturen geändert werden.

Das Projekt behandelt diesen Vorgang ausdrücklich als Best-Effort-Ansatz:

• Die Qualität kann leiden.
• Technische Formulierungen können ungenauer werden.
• Stil und Stimme können geglättet werden.
• Ohne den Erkennungsschlüssel lässt sich das Ergebnis nicht abschließend bestätigen.

Dateien: Metadaten bereinigen

Zusätzlich kann das Tool C2PA-Manifeste, EXIF, XMP und Dokumenteigenschaften aus folgenden Formaten entfernen:

• PNG
• JPEG
• SVG
• PDF
• DOCX
• ODT
• HTML
• Markdown

C2PA ist ein signiertes Herkunftsmanifest der Coalition for Content Provenance and Authenticity. Anders als eine statistische Textsignatur lässt sich ein solches Dateimanifest durch erneutes Speichern, Konvertieren oder ähnliche Dateiverarbeitung häufig entfernen.

Das Toolkit deckt laut Projektbeschreibung Claude-, Gemini/SynthID-Text-, OpenAI- und Open-Source-Markierungen im Kirchenbauer-Stil mit derselben Architektur ab. Pixelbasierte Bildwasserzeichen wie SynthID werden nicht entfernt; das Projekt kann sie optional über ein externes Reverse-SynthID-Checkout bewerten.

Wann die Markierung bereits schwach ist

Prüfen Sie zunächst, ob überhaupt ein relevanter Bereinigungsfall vorliegt.

• Kurze Passagen: Wenige Sätze liefern oft nicht genug Token-Auswahlen für eine statistisch belastbare Erkennung.
• Code: Quellcode hat deutlich weniger Variabilität als Prosa. Formatierer, Linter und Refactorings verändern zusätzlich die verbleibenden Muster.
• Stark bearbeitete Texte: Wenn Sie große Teile eines Textes bereits selbst umgeschrieben haben, kann das ursprüngliche Muster bereits weitgehend aufgebrochen sein.
• C2PA-Dateimetadaten: Ein Format-Roundtrip oder erneutes Speichern entfernt solche Manifeste häufig ohnehin.

Der typische Anwendungsfall für eine Bereinigung ist daher lange, kaum bearbeitete Prosa plus Dateimetadaten.

watermarks-remover installieren

Das Repository enthält einen Agenten-Skill und eigenständige Python-Skripte. Voraussetzung ist Python 3.10 oder neuer. Die Kernskripte verwenden nur die Standardbibliothek.

git clone https://github.com/guillaumemeyer/watermarks-remover.git
cd watermarks-remover

Wenn Sie den Skill in einem Grok-ähnlichen Skills-Verzeichnis verwenden möchten:

mkdir -p ~/.grok/skills
ln -sfn "$(pwd)/skills/remove-ai-marks" ~/.grok/skills/remove-ai-marks

Für die direkte Nutzung der Skripte setzen Sie eine Variable für das Skriptverzeichnis:

export SCRIPTS="$(pwd)/skills/remove-ai-marks/scripts"

Optional können zwei CLI-Tools die Dateianalyse erweitern:

• c2patool zum Prüfen von C2PA-Manifesten
• exiftool zum Entfernen zusätzlicher Bildmetadaten

Für den Kernworkflow sind beide nicht erforderlich.

Datei vor der Bereinigung prüfen

Bearbeiten Sie Dateien nicht blind. Starten Sie zuerst den Inspektor, um vorhandene Zeichen, Metadatenblöcke oder Herkunftsmanifeste zu erkennen.

python3 "$SCRIPTS/inspect_file.py" draft.md

Der Befehl verändert die Datei nicht. Nutzen Sie das Ergebnis als Entscheidungsgrundlage:

1. Ist die Datei bereits sauber, müssen Sie nichts ändern.
2. Findet der Inspektor unsichtbare Zeichen, verwenden Sie die Textbereinigung.
3. Findet er Metadaten oder Manifeste, verwenden Sie die Dateibereinigung.
4. Behalten Sie vor jeder Änderung eine unveränderte Quelldatei.

Unsichtbare Zeichen aus Text entfernen

Für die deterministische Bereinigung der Ebene A verwenden Sie clean_text.py.

python3 "$SCRIPTS/clean_text.py" draft.md -o draft.cleaned.md --stats

Der Befehl entfernt unter anderem:

• unsichtbare Unicode-Zeichen
• ungewöhnliche Leerzeichen
• bidirektionale Steuerzeichen
• Unicode-Tag-Zeichen

Mit --stats erhalten Sie eine Zusammenfassung der gefundenen und entfernten Zeichen.

Das Flag -o schreibt das Ergebnis in eine neue Datei. Überschreiben Sie das Original erst, nachdem Sie die bereinigte Ausgabe geprüft haben.

Metadaten aus Bildern und Dokumenten entfernen

Für Dateimetadaten verwenden Sie clean_file.py:

python3 "$SCRIPTS/clean_file.py" photo.png -o photo.cleaned.png

Das Skript verarbeitet PNG, JPEG, SVG, PDF, DOCX, ODT, HTML und Markdown und bereinigt C2PA-, EXIF-, XMP- sowie Dokumenteigenschaften.

Wenn exiftool installiert ist, können Sie bei Bildern anschließend verbliebene Tags prüfen oder entfernen:

exiftool -all= photo.cleaned.png

C2PA ist dabei der unkomplizierte Fall: Ein erneutes Speichern oder Konvertieren kann das Manifest oft bereits entfernen. Das Tool macht diesen Vorgang nachvollziehbarer und wiederholbar.

Ebene B: Text umschreiben

Für statistische Textmarkierungen bietet das Projekt rewrite_text.py. Der folgende Aufruf erzeugt zunächst nur einen Umschreibungs-Prompt:

python3 "$SCRIPTS/rewrite_text.py" draft.md --backend print-prompt --strength paraphrase

Die Optionen bedeuten:

• --backend print-prompt: Gibt den Prompt aus, statt direkt ein Modell aufzurufen.
• --strength paraphrase: Steuert die Intensität der Umformulierung.

Bewerten Sie die Ausgabe anschließend manuell. Gerade bei technischen Texten sollten Sie mindestens diese Punkte kontrollieren:

1. Fachliche Korrektheit: Haben sich APIs, Versionsnummern, Parameter oder Einschränkungen verändert?
2. Präzision: Wurden konkrete Aussagen durch allgemeinere Formulierungen ersetzt?
3. Stil: Ist die Sprache noch passend für Zielgruppe und Dokumenttyp?
4. Struktur: Bleiben Überschriften, Listen, Codeblöcke und Links erhalten?
5. Diff: Vergleichen Sie Quell- und Zieltext mit git diff, einer IDE-Diff-Ansicht oder einem vergleichbaren Tool.

Die zentrale Einschränkung bleibt: Um ein über die Wortwahl verteiltes Signal zu verändern, müssen Sie Wortwahl und Satzstruktur ändern. Genau das kann aber die Qualität beeinträchtigen, die Sie erhalten wollten.

Für die meisten legitimen Workflows ist daher eine klare Priorisierung sinnvoll:

• Regelmäßig: Ebene A und Dateimetadatenbereinigung.
• Nur bei begründetem Bedarf: Ebene B mit manueller fachlicher Prüfung.

Ergebnis prüfen

Nach der Bereinigung führen Sie den Inspektor erneut aus:

python3 "$SCRIPTS/inspect_file.py" draft.cleaned.md

Für C2PA-Manifeste liefert c2patool eine zusätzliche Prüfung:

c2patool photo.cleaned.png

Bei statistischen Textsignaturen ist die Verifikation schwieriger, weil der Erkennungsschlüssel von Anthropic nicht öffentlich ist. Sobald Anthropics angekündigte Erkennungs-API verfügbar ist, wäre sie der maßgebliche Test.

Bis dahin sollten Ergebnisse aus Ebene B als nicht abschließend bestätigt gelten.

Wenn Sie diesen Ablauf automatisieren, behandeln Sie die Prüfung wie jeden anderen Testschritt in einer Content- oder Modellpipeline: Eingabe prüfen, Bereinigung ausführen, Ausgabe erneut prüfen und Ergebnisse protokollieren. Für solche wiederholbaren API-Checks können Teams ein Tool wie Apidog einsetzen. Einen weitergehenden Überblick zum Testen modellgestützter Endpunkte finden Sie in How to Test AI Agents Over an API.

Rechtliche und ethische Leitplanken

Der sinnvolle Rahmen für das Tool ist Datenschutz und Dateihygiene bei eigenen Inhalten. Dazu gehören beispielsweise:

• Tracking-Zeichen aus eigenen Entwürfen entfernen
• Metadaten aus Bildern vor einer Veröffentlichung bereinigen
• Dokumenteigenschaften vor dem Teilen einer Datei prüfen und entfernen

Nicht dazu gehören:

• Akademische Unehrlichkeit: Wenn eine Institution KI-Offenlegung verlangt oder KI-generierte Abgaben untersagt, bleibt das Entfernen einer Markierung eine Umgehung dieser Regel.
• Vertragsverletzungen: Kundenvereinbarungen oder Plattformbedingungen können eine KI-Offenlegung voraussetzen.
• Falsche Zuschreibung: KI-Arbeit als menschliche Leistung auszugeben, wenn dies andere wesentlich täuscht, ist genau der Schaden, den Herkunftsmarkierungen begrenzen sollen.

Auch praktisch sollten Sie sich nicht zu stark auf Erkennung oder Nicht-Erkennung verlassen: Ein gefundenes Wasserzeichen beweist keine vollständige KI-Autorschaft, und das Fehlen einer Markierung beweist keinen menschlichen Ursprung.

Wenn Ihr Ziel nicht das Verbergen von KI-Nutzung, sondern mehr Kontrolle über Modellbetrieb und Herkunftsrichtlinien ist, kann Self-Hosting die passendere Option sein. Eine Übersicht dazu bietet The Best Local LLMs to Run in 2026.

FAQ

Kann ich Wasserzeichenzeichen in Claudes Text suchen und löschen?

Nein. Die beschriebene Claude-Textmarkierung besteht nicht aus versteckten Unicode-Zeichen, sondern aus einer statistischen Verschiebung in der Wortwahl. Es gibt daher kein einzelnes Zeichen, das Sie gezielt löschen können.

Andere Tools können unsichtbare Zeichen einfügen. Diese lassen sich mit Ebene A von watermarks-remover entfernen, sind aber ein anderer Mechanismus.

Entfernt Copy-and-Paste das Wasserzeichen?

Nein. Da die statistische Markierung in den Wörtern steckt, übersteht sie das Kopieren zwischen Anwendungen. Änderungen am Text selbst können das Muster dagegen schwächen.

Ist watermarks-remover kostenlos?

Ja. Das Projekt ist Open Source und unter der MIT-Lizenz verfügbar. Für die Kernskripte benötigen Sie Python 3.10+ und die Standardbibliothek.

Funktioniert das mit Claude-Code-Ausgabe?

Die Skripte können auf Code angewendet werden. In der Praxis ist das Signal in Quellcode jedoch meist bereits schwach, weil Token-Auswahlen stärker eingeschränkt sind und Formatierer sowie Linter den Code zusätzlich verändern.

Entfernt das Tool Bildwasserzeichen wie SynthID?

Nicht im Pixelbereich. Es entfernt Dateimetadaten wie C2PA, EXIF und XMP. Laut Projekt kann es SynthID-Markierungen optional über ein externes Reverse-SynthID-Setup bewerten, aber nicht aus Bildpixeln entfernen.

Ist das Entfernen eines Wasserzeichens legal?

Das Bereinigen eigener Inhalte ist nicht automatisch illegal. Es kann jedoch gegen akademische Richtlinien, Verträge oder Plattformbedingungen verstoßen, wenn diese eine KI-Offenlegung verlangen. Nutzen Sie den Workflow für Datenschutz und Hygiene, nicht zur Umgehung solcher Verpflichtungen.

Wie kann ich prüfen, ob eine statistische Textmarkierung verschwunden ist?

Ohne den Erkennungsschlüssel lässt sich das derzeit nicht zuverlässig selbst verifizieren. Die angekündigte Erkennungs-API von Anthropic wäre dafür der relevante Test. Unsichtbare Zeichen sowie C2PA- und Dateimetadaten können Sie dagegen mit inspect_file.py und c2patool prüfen.