A partir de agosto de 2026, cada bloque de texto que Claude genera lleva una marca de agua invisible. No puedes verla, el corrector ortográfico no la detectará, y sobrevive a un copiar y pegar de Claude directamente a tu documento. Anthropic la construyó para que el texto escrito por IA pueda ser rastreado hasta el modelo, y la marca viaja discretamente dentro de las propias palabras.
Si eres dueño del contenido que generaste y quieres eliminar esa huella, un proyecto de código abierto llamado watermarks-remover es la herramienta que la mayoría de la gente está utilizando. Esta guía explica qué es realmente la marca de agua de Claude, qué puede y qué no puede eliminar la herramienta, y exactamente cómo ejecutarla.
Una palabra antes de empezar: esto se trata de higiene y privacidad en texto y archivos de tu propiedad. Quitar una marca de procedencia para cometer fraude académico, eludir una política de divulgación o hacer pasar trabajo de IA como humano bajo un contrato que lo prohíbe es una mala idea y a menudo va en contra de las reglas que te rigen. Conoce los términos bajo los que operas.
TL;DR
- Qué es la marca: Claude modifica sus elecciones de palabras según una clave secreta, dejando una firma estadística distribuida a lo largo de un pasaje. No es un carácter oculto que puedas encontrar y eliminar. También hay una etiqueta de metadatos C2PA separada, a nivel de archivo, en imágenes y algunos documentos.
- Qué sobrevive: La marca estadística de texto sobrevive al copiar y pegar. Se degrada con el parafraseo, la edición intensa y la traducción. Es débil o ausente en pasajes cortos y en código (los formateadores eliminan la poca señal existente).
- La herramienta: watermarks-remover es un kit de herramientas con licencia MIT, Python 3.10+, de biblioteca estándar. Maneja dos trabajos diferentes con dos capas diferentes.
- Capa A (determinista): Elimina Unicode invisible, espacios exóticos, caracteres bidireccionales y caracteres de etiqueta del texto. Rápido, comprobable, sin pérdidas. Esta es la parte fiable.
- Capa B (estadística): Ataca la marca de agua de muestreo de tokens reescribiendo el texto. Es solo un esfuerzo de buena fe, y la reescritura degrada tu prosa.
- Archivos: Elimina C2PA, EXIF, XMP y propiedades de documentos de PNG, JPEG, SVG, PDF, DOCX, ODT, HTML y Markdown.
- La verdad honesta: Una eliminación determinista limpia es fácil. Eliminar completamente la marca de agua estadística significa reescribir el contenido, lo que es exactamente la compensación de calidad que intentabas evitar.
Qué es realmente la marca de agua de Claude
Comencemos con lo que la mayoría de la gente entiende mal. La marca de agua de texto de Claude no es una secuencia de caracteres ocultos entre tus palabras. No hay un espacio de ancho cero que buscar, ningún glifo sospechoso que aislar, ningún espaciado de caracteres extraño que medir.
En cambio, la marca vive en las propias palabras. Cuando Claude genera texto, en cada paso elige el siguiente token de un conjunto de candidatos estadísticamente casi equivalentes. La marca de agua sesga esa elección según una clave secreta. A lo largo de un pasaje lo suficientemente largo, esas elecciones sesgadas se suman para formar una firma estadística detectable. Lee una oración y nunca lo sabrías. Alimenta unos cientos de palabras a un detector que tenga la clave y el patrón aparecerá.
Ese diseño tiene dos consecuencias importantes para la eliminación:
- Sobrevive al copiar y pegar. Debido a que la señal está incorporada en la elección de palabras, no en los metadatos, mover el texto de una aplicación a otra lleva consigo la marca de agua.
- Es frágil ante la edición. Cambia suficientes palabras y romperás el patrón estadístico. Parafrasear, traducir o combinar el resultado de Claude con tu propia escritura degrada la señal.
Anthropic implementó esto a nivel de modelo a partir del 2 de agosto de 2026, lo que significa que ninguna superficie de producto está exenta. Las aplicaciones de Claude, la API, Claude Code y el acceso de terceros a través de AWS, Google Cloud y Microsoft Foundry, todos emiten la marca. Anthropic ha dicho que habrá una API de detección para que los usuarios y terceros puedan verificarla. Si quieres saber más sobre cómo han cambiado la línea de modelos y las políticas de acceso de Anthropic, cubrimos un episodio relacionado en Fable 5 Is Down for Everyone.
Una advertencia que vale la pena repetir, porque funciona en ambos sentidos: una detección positiva significa que el texto pudo haber pasado por Claude, no que alguien hizo trampa. La corrección, la traducción y el resumen dejan el mismo rastro que la escritura fantasma.
Dos marcas de agua diferentes, dos soluciones diferentes
watermarks-remover divide el trabajo en capas porque Claude (y otros proveedores) en realidad utilizan dos sistemas de marcado no relacionados, y necesitan un tratamiento completamente diferente.
Capa A, eliminación determinista de caracteres. Esto apunta a Unicode invisible: espacios de ancho cero, espacios en blanco exóticos, controles de texto bidireccional y caracteres de etiqueta Unicode. Algunas herramientas y tuberías incrustan datos de procedencia o seguimiento de esta manera. La Capa A es puro Python sin modelo involucrado, por lo que es determinista, comprobable y sin pérdidas, elimina la basura sin tocar tu prosa real. Esta es la parte que "simplemente funciona".
Capa B, reescritura estadística. Esta es la que apunta a la marca de agua de muestreo de tokens de Claude descrita anteriormente. Debido a que la señal es la elección de palabras, la única forma de eliminarla es cambiando las palabras: reescribir el texto frase por frase. El proyecto es franco al decir que esto es un esfuerzo de buena fe, no una garantía, y que la reescritura aplana el estilo y puede atenuar la precisión.
Archivos, eliminación de metadatos. Aparte del texto, la herramienta limpia los manifiestos C2PA, EXIF, XMP y las propiedades de documentos de PNG, JPEG, SVG, PDF, DOCX, ODT, HTML y Markdown. C2PA es el estándar de la Coalition for Content Provenance and Authenticity, un manifiesto firmado que acompaña a un archivo. A diferencia de la marca de texto estadística, C2PA es trivialmente eliminable: guarda el archivo de nuevo, convierte el formato o haz una captura de pantalla de la imagen y el manifiesto desaparecerá.
La herramienta cubre las marcas de Claude, Gemini/SynthID-Text, OpenAI y de código abierto (estilo Kirchenbauer) con la misma arquitectura. Las marcas de agua de imagen en el dominio de píxeles como SynthID están fuera del alcance de la eliminación, aunque el proyecto puede opcionalmente puntuarlas a través de una verificación externa de SynthID inversa.
Lo que la marca de agua omite por sí sola
Antes de ejecutar cualquier cosa, vale la pena saber dónde la marca de Claude ya es débil. En estos casos, la eliminación es fácil o innecesaria:
- Pasajes cortos. Unas pocas oraciones no contienen suficientes opciones de tokens para acumular confianza estadística. El detector necesita longitud.
- Código. El código fuente tiene muchas más opciones de tokens restringidas que la prosa, por lo que la señal es débil para empezar. Luego, los formateadores, linters y herramientas de refactorización reescriben la poca entropía que quedaba. Para cuando tu código se ha enviado, a menudo no queda nada que detectar. Por eso la marca de agua en la salida de Claude Code es más teórica que práctica.
- Texto muy editado. Si ya reescribiste la mitad, es posible que hayas roto el patrón sin intentarlo.
- C2PA en archivos. Cualquier conversión de formato o guardar de nuevo generalmente lo elimina.
Lo que significa que el alcance honesto de un trabajo de "eliminación" suele ser: prosa larga que mantuviste mayormente como Claude la escribió, más cualquier metadato de archivo.
Instalación de watermarks-remover
El proyecto se envía como una habilidad de agente más un conjunto de scripts de Python independientes. Necesitas Python 3.10+; los scripts principales usan solo la biblioteca estándar, por lo que no hay nada que pip install para el trabajo básico de texto y metadatos.
Clona el repositorio:
git clone https://github.com/guillaumemeyer/watermarks-remover.git
cd watermarks-remover
Si quieres invocarlo como una habilidad de agente (los ejemplos del repositorio usan un directorio de habilidades tipo Grok), enlaza la carpeta de la habilidad:
mkdir -p ~/.grok/skills
ln -sfn "$(pwd)/skills/remove-ai-marks" ~/.grok/skills/remove-ai-marks
Para todos los demás, llamarás a los scripts directamente. Establece un acceso directo al directorio de scripts para que los comandos de abajo se lean claramente:
export SCRIPTS="$(pwd)/skills/remove-ai-marks/scripts"
Dos herramientas opcionales de línea de comandos extienden el lado de la limpieza de archivos si las tienes instaladas:
c2patoolpara inspeccionar manifiestos C2PA en detalle.exiftoolpara limpiar metadatos de imagen residuales que la Capa A no alcanza.
Ninguno es requerido para el flujo de trabajo principal.
Inspeccionar un archivo antes de tocarlo
Nunca elimines a ciegas. Primero ejecuta el inspector para que sepas lo que realmente está presente, caracteres invisibles, bloques de metadatos, manifiestos de procedencia, antes de decidir qué eliminar.
python3 "$SCRIPTS/inspect_file.py" draft.md
Esto informa lo que la herramienta detecta sin modificar nada. Es el equivalente a leer el objetivo antes de sobrescribirlo: si el inspector muestra que el archivo ya está limpio, has terminado, y si surge algo sorprendente, puedes decidir antes de que cambie cualquier byte.
Eliminar marcas del texto
Para la limpieza determinista de la Capa A, el paso fiable y sin pérdidas, usa clean_text.py. La bandera --stats imprime un resumen de lo que encontró y eliminó:
python3 "$SCRIPTS/clean_text.py" draft.md -o draft.cleaned.md --stats
Esto elimina Unicode invisible, espacios exóticos, controles bidireccionales y caracteres de etiqueta. Deja tu prosa visible intacta, por lo que no hay coste de calidad. Para la mayoría de las personas preocupadas por los caracteres de seguimiento ocultos en lugar de la marca estadística, este único comando es todo el trabajo.
La bandera -o escribe en un nuevo archivo en lugar de sobrescribir el original; mantén la fuente hasta que hayas verificado el resultado.
Eliminar metadatos de archivos
Para imágenes y documentos, clean_file.py elimina C2PA, EXIF, XMP y propiedades de documentos incrustadas:
python3 "$SCRIPTS/clean_file.py" photo.png -o photo.cleaned.png
Maneja PNG, JPEG, SVG, PDF, DOCX, ODT, HTML y Markdown. Si tienes exiftool instalado y quieres ser minucioso con las imágenes, ejecútalo después para capturar cualquier etiqueta residual:
exiftool -all= photo.cleaned.png
Recuerda que C2PA es el caso fácil. Si tu única preocupación es el manifiesto de procedencia en una imagen generada por Claude, un viaje de ida y vuelta de formato a menudo lo elimina por sí solo; esta herramienta simplemente lo hace de forma limpia y predecible.
El problema de la Capa B: reescribir para vencer las estadísticas
Aquí es donde la honestidad importa más que la sintaxis de los comandos.
La marca de agua de texto estadística solo se puede eliminar cambiando las palabras. La herramienta expone esto a través de rewrite_text.py, que prepara un pase de parafraseo:
python3 "$SCRIPTS/rewrite_text.py" draft.md --backend print-prompt --strength paraphrase
La opción --backend print-prompt emite la instrucción de reescritura en lugar de llamar directamente a un modelo, por lo que mantienes el control sobre lo que hace la reescritura. --strength controla cuán agresiva es la reformulación.
Pero lee a qué te estás comprometiendo. Para romper una señal que está distribuida a través de la elección de palabras, tienes que reescribir oración por oración. Eso:
- Aplana el estilo. La fraseología específica que llevaba la marca de agua también llevaba la voz.
- Arriesga la precisión. Reformular contenido técnico puede cambiar silenciosamente el significado.
- Necesita un modelo capaz para hacerlo bien, en cuyo punto estás gastando tokens premium para reescribir el resultado de un modelo premium.
El proyecto mismo plantea la pregunta obvia: si necesitas un modelo potente para parafrasear el texto de Claude en algo libre de marcas de agua sin estropearlo, ¿es eso una solución barata o simplemente... más gasto de modelo para una copia degradada? Para la mayoría de los casos legítimos, la respuesta es que la Capa B no vale la pena. Si el texto es corto, o es código, la marca probablemente ya sea demasiado débil para importar. Si es prosa de formato largo que te importa, la reescritura daña lo que intentabas conservar.
La conclusión pragmática: ejecuta la Capa A y el limpiador de archivos de forma rutinaria; recurre a la Capa B solo cuando tengas una razón específica y legítima y aceptes el impacto en la calidad.
Verificación de tu trabajo
La eliminación es tan buena como tu capacidad para confirmarla. Vuelve a ejecutar el inspector en la salida:
python3 "$SCRIPTS/inspect_file.py" draft.cleaned.md
Para C2PA específicamente, c2patool te da una lectura definitiva sobre si queda un manifiesto:
c2patool photo.cleaned.png
Para la marca de texto estadística, la verificación honesta es más difícil, ya que no posees la clave de Anthropic. Cuando la API de detección prometida por Anthropic esté disponible, esa será la verdadera prueba. Hasta entonces, trata los resultados de la Capa B como no confirmados por definición. Si integras algo de esto en un flujo de trabajo repetible, ese paso de verificación es exactamente el tipo de comportamiento que vale la pena probar como cualquier otro flujo de trabajo de API; los equipos que automatizan la verificación de contenido o modelos a menudo los conectan a una herramienta de prueba de API como Apidog para que una verificación de "si la marca regresó" se ejecute de la misma manera cada vez. Para el patrón más amplio de prueba de puntos finales respaldados por modelos, consulta Cómo probar agentes de IA a través de una API.
Salvaguardias legales y éticas
El propio encuadre de la herramienta es el correcto: esto es para la privacidad y la higiene en el contenido que posees. Eso cubre la eliminación de caracteres de seguimiento de tus propios borradores, la limpieza de metadatos de imágenes antes de publicarlas o la eliminación de una etiqueta de procedencia de escritos que consideras tuyos.
No cubre:
- Deshonestidad académica. Si tu institución requiere divulgación o prohíbe las entregas generadas por IA, eliminar la marca para ocultarlo es una mala conducta, independientemente de lo limpia que parezca la salida.
- Violaciones contractuales. Muchos acuerdos con clientes y términos de plataforma requieren la divulgación de IA. Que la marca de agua sea invisible no hace que la obligación sea invisible.
- Falsa atribución. Hacer pasar el trabajo de IA como humano, cuando esto engaña materialmente a alguien, es el daño exacto que las marcas de procedencia existen para prevenir.
También hay una razón práctica para no depender demasiado de todo esto: la detección funciona en ambos sentidos. Un hallazgo de marca de agua no prueba la autoría, y su ausencia no prueba el origen humano. Construir un flujo de trabajo en torno a la derrota de una señal que ya es ambigua a menudo requiere más esfuerzo del que la situación justifica. En caso de duda, divulga. Es más barato que ser descubierto por no divulgar.
Si tu interés aquí es menos sobre ocultar el uso de IA y más sobre ejecutar modelos bajo tus propios términos, con tu propia política de procedencia y sin marca de agua de proveedor en primer lugar, el autoalojamiento es la respuesta más limpia. Cubrimos las opciones actuales en Los mejores LLM locales para ejecutar en 2026.
Preguntas frecuentes
¿Puedo simplemente encontrar y eliminar los caracteres de la marca de agua en el texto de Claude? No. La marca de agua de texto de Claude no está hecha de caracteres ocultos, es un sesgo estadístico en la elección de palabras. No hay nada que buscar y eliminar. (Algunas otras herramientas sí inyectan caracteres invisibles, y la Capa A de watermarks-remover los elimina. Pero ese es un mecanismo diferente a la marca estadística de Claude).
¿Copiar y pegar el resultado de Claude elimina la marca de agua? No. La marca estadística está incrustada en las palabras, por lo que sobrevive al copiar y pegar entre aplicaciones. Solo editar el texto real la degrada.
¿Es watermarks-remover gratuito? Sí. Es de código abierto bajo la licencia MIT. Los scripts centrales de texto y metadatos solo necesitan Python 3.10+ y la biblioteca estándar.
¿Funcionará en la salida de Claude Code? Se ejecutará, pero la marca de agua suele ser ya demasiado débil para importar en el código. El código fuente tiene opciones de tokens restringidas, y los formateadores y linters borran la mayor parte de la señal restante. Normalmente hay poco que eliminar.
¿Elimina las marcas de agua de imágenes como SynthID? No las del tipo de dominio de píxeles. Elimina los metadatos a nivel de archivo (C2PA, EXIF, XMP) de forma limpia, y opcionalmente puede puntuar las marcas de SynthID a través de una configuración externa de SynthID inverso, pero eliminar una marca de agua en píxeles está fuera de su alcance.
¿Es legal eliminar la marca de agua? Eliminar una marca de procedencia del contenido que posees no es inherentemente ilegal, pero puede violar políticas académicas, contratos o términos de plataforma que requieren la divulgación de IA. La herramienta está destinada a la privacidad de tu propio contenido, no a evadir esas obligaciones.
¿Cómo sé si la marca estadística realmente ha desaparecido? En este momento, en gran parte no puedes verificarlo por ti mismo, porque no posees la clave de detección. Anthropic ha dicho que habrá una API de detección, que será la verdadera prueba. La eliminación de caracteres de la Capa A y la eliminación de C2PA, por el contrario, son fáciles de verificar con el inspector y c2patool.