Claude Wasserzeichen entfernen

Ab August 2026 trägt jeder von Claude generierte Textblock ein unsichtbares Wasserzeichen. Man kann es nicht sehen, die Rechtschreibprüfung markiert es nicht, und es überlebt ein Kopieren und Einfügen von Claude direkt in Ihr Dokument. Anthropic hat es entwickelt, damit von KI geschriebener Text auf das Modell zurückverfolgt werden kann, und die Markierung reist unauffällig in den Wörtern selbst mit.

Wenn Sie den von Ihnen generierten Inhalt besitzen und diesen Fingerabdruck entfernen möchten, ist ein Open-Source-Projekt namens watermarks-remover das Tool, zu dem die meisten Leute greifen. Dieser Leitfaden erklärt, was Claudes Wasserzeichen tatsächlich ist, was das Tool entfernen kann und was nicht, und wie genau es ausgeführt wird.

Ein Wort vorweg: Hier geht es um Hygiene und Datenschutz bei Texten und Dateien, die Sie besitzen. Das Entfernen einer Herkunftsmarkierung, um akademischen Betrug zu begehen, eine Offenlegungspflicht zu umgehen oder KI-Arbeit im Rahmen eines Vertrags, der dies verbietet, als menschliche Leistung auszugeben, ist eine schlechte Idee und oft gegen die Regeln, die Sie binden. Kennen Sie die Bedingungen, unter denen Sie arbeiten.

Zusammenfassung

• Was die Markierung ist: Claude beeinflusst seine Wortwahl gemäß einem geheimen Schlüssel und hinterlässt eine statistische Signatur, die sich über einen Textabschnitt verteilt. Es ist kein verstecktes Zeichen, das Sie finden und löschen können. Es gibt auch ein separates, dateibasiertes C2PA-Metadaten-Tag für Bilder und einige Dokumente.
• Was überlebt: Die statistische Textmarkierung überlebt das Kopieren und Einfügen. Sie verschlechtert sich bei Paraphrasierungen, starken Bearbeitungen und Übersetzungen. Sie ist in kurzen Passagen und in Code schwach bis nicht vorhanden (Formatierer löschen das wenige Signal, das existiert).
• Das Tool: watermarks-remover ist ein MIT-lizenziertes, Python-3.10+-basiertes Standardbibliotheks-Toolkit. Es erledigt zwei verschiedene Aufgaben mit zwei verschiedenen Ebenen.
• Ebene A (deterministisch): Entfernt unsichtbare Unicode-Zeichen, exotische Leerzeichen, bidirektionale Zeichen und Tag-Zeichen aus Text. Schnell, testbar, verlustfrei. Dies ist der zuverlässige Teil.
• Ebene B (statistisch): Bekämpft das Token-Sampling-Wasserzeichen durch Umschreiben des Textes. Nur als Best-Effort-Ansatz, und Neuformulierung verschlechtert Ihre Prosa.
• Dateien: Entfernt C2PA, EXIF, XMP und Dokumenteigenschaften aus PNG, JPEG, SVG, PDF, DOCX, ODT, HTML und Markdown.
• Der ehrliche Haken: Eine saubere deterministische Entfernung ist einfach. Das vollständige Entfernen des statistischen Wasserzeichens bedeutet, den Inhalt neu zu schreiben, was genau der Qualitätskompromiss ist, den Sie vermeiden wollten.

Was Claudes Wasserzeichen tatsächlich ist

Beginnen wir mit dem, was die meisten Leute falsch verstehen. Claudes Textwasserzeichen ist keine Abfolge versteckter Zeichen, die zwischen Ihren Wörtern sitzen. Es gibt kein unsichtbares Leerzeichen, nach dem man suchen könnte, kein verdächtiges Glyphen zum Isolieren, keine ungewöhnliche Laufweite zum Messen.

Stattdessen lebt die Markierung in den Wörtern selbst. Wenn Claude Text generiert, wählt es bei jedem Schritt das nächste Token aus einer Reihe statistisch nahezu gleichwertiger Kandidaten aus. Das Wasserzeichen beeinflusst diese Wahl gemäß einem geheimen Schlüssel. Über einen ausreichend langen Textabschnitt summieren sich diese leicht verschobenen Entscheidungen zu einer erkennbaren statistischen Signatur. Lesen Sie einen Satz, und Sie würden es nie merken. Füttern Sie ein paar hundert Wörter an einen Detektor, der den Schlüssel besitzt, und das Muster wird sichtbar.

Dieses Design hat zwei Konsequenzen, die für die Entfernung wichtig sind:

• Es überlebt das Kopieren und Einfügen. Da das Signal in der Wortwahl und nicht in den Metadaten verankert ist, wird das Wasserzeichen beim Verschieben des Textes von einer Anwendung zur anderen mitgeführt.
• Es ist anfällig für Bearbeitung. Ändern Sie genügend Wörter, und Sie durchbrechen das statistische Muster. Paraphrasieren, übersetzen oder mischen Sie Claudes Ausgabe mit Ihrem eigenen Text, und das Signal zerfällt.

Anthropic hat dies ab dem 2. August 2026 auf Modellebene eingeführt, was bedeutet, dass keine Produktoberfläche davon ausgenommen ist. Claude-Apps, die API, Claude Code und der Zugriff von Drittanbietern über AWS, Google Cloud und Microsoft Foundry senden alle die Markierung. Anthropic hat angekündigt, dass eine Erkennungs-API kommen wird, damit Benutzer und Drittanbieter dies überprüfen können. Wenn Sie mehr darüber erfahren möchten, wie sich Anthropic's Modellpalette und Zugriffsrichtlinien geändert haben, haben wir einen verwandten Fall in Fable 5 Is Down for Everyone behandelt.

Eine Anmerkung, die es wert ist, wiederholt zu werden, weil sie in beide Richtungen wirkt: Eine positive Erkennung bedeutet, dass der Text *möglicherweise Claude durchlaufen hat*, nicht, dass jemand betrogen hat. Korrekturlesen, Übersetzen und Zusammenfassen hinterlassen alle dieselbe Spur wie Ghostwriting.

Zwei verschiedene Wasserzeichen, zwei verschiedene Lösungen

watermarks-remover unterteilt die Arbeit in Ebenen, da Claude (und andere Anbieter) tatsächlich zwei voneinander unabhängige Markierungssysteme verwenden, die eine völlig unterschiedliche Behandlung erfordern.

Ebene A, deterministische Zeichenentfernung. Dies zielt auf unsichtbare Unicode-Zeichen ab: Nullbreiten-Leerzeichen, exotische Leerzeichen, bidirektionale Textsteuerzeichen und Unicode-Tag-Zeichen. Einige Tools und Pipelines betten auf diese Weise Herkunfts- oder Tracking-Daten ein. Ebene A ist reines Python ohne Modellbeteiligung, daher ist sie deterministisch, testbar und verlustfrei; sie entfernt Müll, ohne Ihre eigentliche Prosa zu berühren. Dies ist der Teil, der „einfach funktioniert“.

Ebene B, statistisches Umschreiben. Dies ist die Ebene, die auf Claudes oben beschriebenes Token-Sampling-Wasserzeichen abzielt. Da das Signal die Wortwahl ist, besteht die einzige Möglichkeit, es zu entfernen, darin, die Wörter zu ändern: den Text Satz für Satz neu zu schreiben. Das Projekt macht deutlich, dass dies ein Best-Effort-Ansatz und keine Garantie ist und dass Neuformulierung den Stil abflacht und die Präzision beeinträchtigen kann.

Dateien, Metadatenentfernung. Unabhängig vom Text bereinigt das Tool C2PA-Manifeste, EXIF, XMP und Dokumenteigenschaften aus PNG, JPEG, SVG, PDF, DOCX, ODT, HTML und Markdown. C2PA ist der Standard der Coalition for Content Provenance and Authenticity, ein signiertes Manifest, das eine Datei begleitet. Im Gegensatz zur statistischen Textmarkierung ist C2PA trivial zu entfernen: Speichern Sie die Datei erneut, konvertieren Sie das Format oder machen Sie einen Screenshot des Bildes, und das Manifest ist verschwunden.

Das Tool deckt Claude-, Gemini/SynthID-Text-, OpenAI- und Open-Source-Markierungen (Kirchenbauer-Stil) mit derselben Architektur ab. Bildwasserzeichen im Pixelbereich wie SynthID sind vom Entfernen ausgeschlossen, obwohl das Projekt sie optional über einen externen Reverse-SynthID-Checkout *bewerten* kann.

Wo das Wasserzeichen von selbst schwach ist

Bevor Sie etwas ausführen, ist es sinnvoll zu wissen, wo Claudes Markierung bereits schwach ist. In diesen Fällen ist das Entfernen einfach oder unnötig:

• Kurze Passagen. Wenige Sätze enthalten nicht genügend Token-Auswahlen, um statistische Sicherheit zu gewinnen. Der Detektor benötigt Länge.
• Code. Quellcode hat weitaus eingeschränktere Token-Auswahlen als Prosa, sodass das Signal von Anfang an schwach ist. Dann schreiben Formatierer, Linter und Refactoring-Tools die verbleibende Entropie um. Bis Ihr Code committed ist, ist oft nichts mehr zu erkennen. Deshalb ist das Wasserzeichen auf der Claude Code-Ausgabe eher theoretisch als praktisch.
• Stark bearbeiteter Text. Wenn Sie bereits die Hälfte davon umgeschrieben haben, haben Sie das Muster möglicherweise unbeabsichtigt durchbrochen.
• C2PA in Dateien. Jede Formatkonvertierung oder erneutes Speichern entfernt es typischerweise.

Das bedeutet, der ehrliche Umfang einer „Entfernungs“-Aufgabe ist normalerweise: lange Prosa, die Sie größtenteils so belassen haben, wie Claude sie geschrieben hat, plus jegliche Dateimetadaten.

watermarks-remover installieren

Das Projekt wird als Agenten-Skill sowie als Satz von eigenständigen Python-Skripten ausgeliefert. Sie benötigen Python 3.10+; die Kernskripte verwenden nur die Standardbibliothek, sodass für die grundlegende Text- und Metadatenarbeit nichts über pip install installiert werden muss.

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

Wenn Sie es als Agenten-Skill aufrufen möchten (die Beispiele des Repositories verwenden ein Grok-ähnliches Skills-Verzeichnis), verknüpfen Sie den Skill-Ordner wie folgt:

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

Für alle anderen rufen Sie die Skripte direkt auf. Setzen Sie eine Verknüpfung zum Skriptverzeichnis, damit die folgenden Befehle sauber lesbar sind:

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

Zwei optionale Befehlszeilentools erweitern die Dateibereinigung, wenn Sie sie installiert haben:

• c2patool zum detaillierten Überprüfen von C2PA-Manifesten.
• exiftool zum Beseitigen von Rest-Bildmetadaten, die Ebene A nicht erreicht.

Keines davon ist für den Kern-Workflow erforderlich.

Eine Datei prüfen, bevor Sie sie bearbeiten

Entfernen Sie niemals blind. Führen Sie zuerst den Inspektor aus, damit Sie wissen, was tatsächlich vorhanden ist – unsichtbare Zeichen, Metadatenblöcke, Herkunftsmanifeste –, bevor Sie entscheiden, was entfernt werden soll.

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

Dies meldet, was das Tool erkennt, ohne etwas zu ändern. Es ist gleichbedeutend damit, das Ziel zu lesen, bevor Sie es überschreiben: Wenn der Inspektor zeigt, dass die Datei bereits sauber ist, sind Sie fertig, und wenn er etwas Überraschendes aufdeckt, können Sie entscheiden, bevor sich Bytes ändern.

Markierungen aus Text entfernen

Für die deterministische Reinigung der Ebene A, den zuverlässigen, verlustfreien Durchlauf, verwenden Sie clean_text.py. Das --stats-Flag gibt eine Zusammenfassung dessen aus, was gefunden und entfernt wurde:

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

Dies entfernt unsichtbare Unicode-Zeichen, exotische Leerzeichen, bidirektionale Steuerzeichen und Tag-Zeichen. Es lässt Ihre sichtbare Prosa unberührt, sodass keine Qualitätseinbußen entstehen. Für die meisten Leute, die sich eher um versteckte Tracking-Zeichen als um die statistische Markierung sorgen, ist dieser einzelne Befehl die gesamte Aufgabe.

Das -o-Flag schreibt in eine neue Datei, anstatt die Originaldatei zu überschreiben; behalten Sie die Quelle, bis Sie das Ergebnis überprüft haben.

Metadaten aus Dateien entfernen

Für Bilder und Dokumente entfernt clean_file.py C2PA, EXIF, XMP und eingebettete Dokumenteigenschaften:

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

Es verarbeitet PNG, JPEG, SVG, PDF, DOCX, ODT, HTML und Markdown. Wenn Sie exiftool installiert haben und bei Bildern gründlich sein möchten, führen Sie es danach aus, um alle verbleibenden Tags zu erfassen:

exiftool -all= photo.cleaned.png

Denken Sie daran, dass C2PA der einfache Fall ist. Wenn Ihre einzige Sorge das Herkunftsmanifest auf einem von Claude generierten Bild ist, entfernt ein Format-Roundtrip es oft von selbst; dieses Tool erledigt dies einfach sauber und vorhersehbar.

Das Problem der Ebene B: Umschreiben, um Statistiken zu überwinden

Hier zählt Ehrlichkeit mehr als die Befehlssyntax.

Das statistische Textwasserzeichen kann nur durch Ändern der Wörter entfernt werden. Das Tool bietet dies über rewrite_text.py an, das einen Paraphrasierungsdurchlauf vorbereitet:

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

Die Option --backend print-prompt gibt den Umschreibungs-Prompt aus, anstatt direkt ein Modell aufzurufen, sodass Sie die Kontrolle darüber behalten, was die Umschreibung vornimmt. --strength steuert, wie aggressiv die Neuformulierung ist.

Lesen Sie jedoch, worauf Sie sich tatsächlich einlassen. Um ein Signal zu unterbrechen, das über die Wortwahl verteilt ist, müssen Sie Satz für Satz umschreiben. Das:

• Glättet den Stil. Die spezifische Formulierung, die das Wasserzeichen trug, trug auch die Stimme.
• Riskiert Präzision. Das Umformulieren von technischen Inhalten kann die Bedeutung unauffällig verändern.
• Benötigt ein leistungsfähiges Modell, um gut zu funktionieren, wobei Sie dann Premium-Tokens ausgeben, um eine Premium-Modell-Ausgabe neu zu schreiben.

Das Projekt selbst wirft die offensichtliche Frage auf: Wenn Sie ein starkes Modell benötigen, um Claudes Text wasserzeichenfrei zu paraphrasieren, ohne ihn zu zerstören, ist das dann eine billige Umgehungslösung oder einfach nur… mehr Modellausgaben für eine verschlechterte Kopie? In den meisten legitimen Fällen lautet die Antwort, dass Ebene B sich nicht lohnt. Wenn der Text kurz ist oder es sich um Code handelt, ist die Markierung wahrscheinlich bereits zu schwach, um eine Rolle zu spielen. Wenn es sich um eine Langform-Prosa handelt, die Ihnen wichtig ist, beschädigt das Umschreiben das, was Sie zu bewahren versuchten.

Die pragmatische Erkenntnis: Führen Sie Ebene A und den Dateibereiniger routinemäßig aus; greifen Sie nur dann zu Ebene B, wenn Sie einen spezifischen, legitimen Grund haben und die Qualitätseinbußen akzeptieren.

Ihre Arbeit überprüfen

Das Entfernen ist nur so gut wie Ihre Fähigkeit, es zu bestätigen. Führen Sie den Inspektor erneut für die Ausgabe aus:

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

Für C2PA im Besonderen gibt Ihnen c2patool eine definitive Auskunft darüber, ob ein Manifest verbleibt:

c2patool photo.cleaned.png

Für die statistische Textmarkierung ist eine ehrliche Überprüfung schwieriger, da Sie den Schlüssel von Anthropic nicht besitzen. Wenn Anthropic's versprochene Erkennungs-API verfügbar ist, wird dies der eigentliche Test sein. Bis dahin sollten Sie die Ergebnisse von Ebene B per Definition als unbestätigt betrachten. Wenn Sie dies in eine wiederholbare Pipeline integrieren, ist dieser Verifizierungsschritt genau die Art von Verhalten, die es wert ist, wie jeder andere API-Workflow getestet zu werden; Teams, die Inhalts- oder Modellprüfungen automatisieren, integrieren diese oft in ein API-Testtool wie Apidog, sodass eine „ist die Markierung zurückgekommen“-Prüfung jedes Mal auf dieselbe Weise abläuft. Für das breitere Muster des Testens von modellgestützten Endpunkten siehe How to Test AI Agents Over an API.

Rechtliche und ethische Leitplanken

Die eigene Rahmung des Tools ist die richtige: Es geht um Datenschutz und Hygiene bei Inhalten, die Sie besitzen. Das umfasst das Entfernen von Tracking-Zeichen aus Ihren eigenen Entwürfen, das Bereinigen von Metadaten von Bildern, bevor Sie sie veröffentlichen, oder das Entfernen eines Herkunftstags aus Texten, die Sie als Ihre eigenen betrachten.

Es deckt nicht ab:

• Akademische Unehrlichkeit. Wenn Ihre Institution eine Offenlegung verlangt oder KI-generierte Einreichungen verbietet, ist das Entfernen der Markierung, um dies zu verbergen, Fehlverhalten, unabhängig davon, wie sauber die Ausgabe aussieht.
• Vertragsverletzungen. Viele Kundenvereinbarungen und Plattformbedingungen erfordern eine KI-Offenlegung. Die Unsichtbarkeit des Wasserzeichens macht die Verpflichtung nicht unsichtbar.
• Falsche Zuschreibung. KI-Arbeit als menschliche Leistung auszugeben, wo dies jemanden wesentlich irreführt, ist genau der Schaden, den Herkunftsmarkierungen verhindern sollen.

Es gibt auch einen praktischen Grund, sich nicht zu sehr darauf zu verlassen: Die Erkennung wirkt in beide Richtungen. Ein Wasserzeichenfund beweist keine Autorschaft, und sein Fehlen beweist keinen menschlichen Ursprung. Einen Workflow um das Besiegen eines bereits mehrdeutigen Signals herum aufzubauen, ist oft mehr Aufwand, als die Situation rechtfertigt. Im Zweifelsfall offenlegen. Das ist billiger, als beim Nichtoffenlegen erwischt zu werden.

Wenn Ihr Interesse hier weniger darin liegt, die KI-Nutzung zu verbergen, und mehr darin, Modelle zu Ihren eigenen Bedingungen zu betreiben, mit Ihrer eigenen Herkunftsrichtlinie und ohne Wasserzeichen des Anbieters, dann ist das Selbst-Hosting die sauberere Antwort. Wir haben die aktuellen Optionen in The Best Local LLMs to Run in 2026 behandelt.

FAQ

Kann ich die Wasserzeichenzeichen in Claudes Text einfach finden und löschen? Nein. Claudes Textwasserzeichen besteht nicht aus versteckten Zeichen, sondern ist eine statistische Verzerrung in der Wortwahl. Es gibt nichts zu suchen und zu löschen. (Einige *andere* Tools fügen unsichtbare Zeichen ein, und Ebene A von watermarks-remover entfernt diese. Aber das ist ein anderer Mechanismus als Claudes statistische Markierung.)

Entfernt das Kopieren und Einfügen von Claudes Ausgabe das Wasserzeichen? Nein. Die statistische Markierung ist in den Wörtern eingebettet, sodass sie das Kopieren und Einfügen zwischen Apps überlebt. Nur die Bearbeitung des eigentlichen Textes beeinträchtigt sie.

Ist watermarks-remover kostenlos? Ja. Es ist Open Source unter der MIT-Lizenz. Die Kernskripte für Text und Metadaten benötigen nur Python 3.10+ und die Standardbibliothek.

Funktioniert es mit Claude Code-Ausgabe? Es wird laufen, aber das Wasserzeichen ist im Code normalerweise bereits zu schwach, um relevant zu sein. Quellcode hat eingeschränkte Token-Auswahlen, und Formatierer und Linter löschen den größten Teil des verbleibenden Signals. Es gibt typischerweise wenig zu entfernen.

Entfernt es Bildwasserzeichen wie SynthID? Nicht die Art im Pixelbereich. Es entfernt Dateiebene-Metadaten (C2PA, EXIF, XMP) sauber, und es kann optional SynthID-Markierungen über ein externes Reverse-SynthID-Setup *bewerten*, aber das Entfernen eines In-Pixel-Wasserzeichens ist nicht im Rahmen.

Ist das Entfernen des Wasserzeichens legal? Das Entfernen einer Herkunftsmarkierung aus Inhalten, die Sie besitzen, ist nicht von Natur aus illegal, kann aber akademische Richtlinien, Verträge oder Plattformbedingungen verletzen, die eine KI-Offenlegung erfordern. Das Tool ist für den Datenschutz Ihrer eigenen Inhalte gedacht, nicht zur Umgehung dieser Verpflichtungen.

Wie weiß ich, ob die statistische Markierung tatsächlich verschwunden ist? Derzeit können Sie dies größtenteils nicht selbst überprüfen, da Sie den Erkennungsschlüssel nicht besitzen. Anthropic hat angekündigt, dass eine Erkennungs-API kommen wird, was der eigentliche Test sein wird. Die Zeichenentfernung der Ebene A und das Entfernen von C2PA hingegen sind mit dem Inspektor und c2patool leicht zu überprüfen.