Водните знаци на ИИ навлизат в академичната среда. По-големият въпрос е произходът на съдържанието.
The extended version of this blog post with the technical details available here.
| Podcast | Подкаст |
| On 2 August 2026, the transparency provisions of Article 50 of the EU AI Act started to apply. Providers of generative AI systems must make AI-generated or manipulated text, images, audio, and video machine-readable and detectable where technically feasible. The regulation also establishes disclosure requirements for specific uses, including deepfakes and some AI-generated public-interest content (European Parliament & Council of the European Union, 2024; European Commission, 2026). Watermarking has therefore moved from an interesting technical idea to an institutional issue. Anthropic’s decision to introduce invisible watermarks into text generated by supported Claude models brought this debate into public view. Google has used SynthID for generated content for more than two years, while OpenAI is developing a layered provenance approach using technologies such as Content Credentials and SynthID for supported media (Google DeepMind, 2024; OpenAI, 2026). This blog selects only one small part of the numerous reactions to these developments: a LinkedIn poll, its comments, and posts by Keith King and Michael Wade. The poll says one thing. The comments say something more complicated. In Melia Robinson’s LinkedIn poll asking whether people would continue writing with Claude after watermarking, 42% answered yes, 25% no, and 31% “it depends.” The poll therefore suggests more acceptance than rejection. Yet the comments contain much more caution. Support tends to come from people who see watermarking as transparency. AI use does not become a problem simply because others know about it. Human professionals still review the work and remain accountable. Resistance comes from a different concern. A watermark may tell us that AI touched a document, but not what AI did. Did it correct grammar? Translate Bulgarian into English? Challenge an argument? Summarize sources? Generate an entire paper? The debate can therefore be summarized through a sequence of questions: Was AI involved? How much was AI involved? What did AI contribute? What did the human contribute? Who verified the evidence? Who made the intellectual decisions? Who accepts responsibility for the final work? And which of these questions can a watermark answer? Keith King and Michael Wade: Two Useful Perspectives Keith King, a former White House lead communications engineer who also worked with the U.S. Department of State and Joint Chiefs of Staff, approaches the issue mainly through trust and security. His discussion of Google emphasizes the difference between visible disclosure and machine-readable provenance. He argues that the emerging model will depend on several layers of provenance rather than a single visible label (King, 2026). Michael Wade, Professor of Digital and AI Transformation at IMD Business School, approaches the issue through organizational and managerial consequences. His detailed discussion of Claude stresses both the value of transparency and the limits of interpreting a watermark. A detected mark indicates AI processing. It does not establish authorship, responsibility, plagiarism, or misconduct (Wade, 2026). The difference is useful. King focuses on infrastructure for establishing origin and trust. Wade focuses more directly on what organizations should infer from the signal. From Watermarking to Provenance For universities, provenance is the larger concept. Provenance means knowing where something came from, how it was created, which tools changed it, and who takes responsibility for it. C2PA, one emerging provenance standard, explicitly treats provenance as information supporting human judgments about trust rather than a judgment about whether content is “good” or “bad” (C2PA, 2026). This distinction fits academic work well. Scholarship is already moving toward process transparency. Researchers increasingly need to document methods, data, code, analytical decisions, author contributions, and AI assistance. Nature Portfolio, for example, permits some generative AI assistance but requires substantive use to be disclosed and keeps responsibility with human authors (Nature Methods, 2026). Implications for a University of Economics Research integrity should focus on intellectual responsibility. Researchers should disclose material AI contributions and remain responsible for sources, analyses, interpretations, and conclusions. Teaching and assessment should increasingly collect evidence of learning processes. Drafts, data analysis, oral defence, revision records, methodological explanations, and reflection on AI use can provide stronger evidence than trying to determine whether a final paragraph contains AI traces. Plagiarism and AI detection should remain separate issues. An AI watermark does not prove plagiarism or cheating. Universities should never convert a detection signal automatically into a misconduct decision. Academic publishing requires researchers to follow journal-specific AI policies and document substantial AI assistance where required. The important question becomes what the researcher contributed and verified. Data sharing and research provenance should expand beyond manuscripts. Researchers should document datasets, transformations, analytical code, model use, prompts where methodologically important, and human decisions needed to reproduce the research. Administrative policy and institutional communications also need attention. Universities increasingly produce public reports, news, marketing materials, policy documents, and educational resources with AI assistance. Human editorial responsibility and appropriate disclosure should become part of institutional communication procedures. A Recommended Institutional Model A University of Economics should therefore avoid building an “AI detection policy.” A stronger model combines provenance, proportional disclosure, process documentation, human verification, and accountability. The institutional principle can be simple: Do not ask only, “Was AI used?” Ask, “How was AI used, what evidence documents the process, and who is responsible for the result?” Watermarking makes this conversation harder to avoid. That may become its most important contribution to academia. | На 2 август 2026 г. започнаха да се прилагат разпоредбите за прозрачност на член 50 от Акта на ЕС за изкуствения интелект. Доставчиците на системи с генеративен ИИ трябва да гарантират, че генерираните или манипулирани чрез ИИ текст, изображения, аудио и видео могат да бъдат разпознавани от машини и идентифицирани като такива, когато това е технически възможно. Регламентът установява и изисквания за оповестяване при определени приложения, включително дийпфейкове и някои видове генерирано от ИИ съдържание от обществен интерес (European Parliament & Council of the European Union, 2024; European Commission, 2026). Следователно водните знаци се превърнаха от интересна техническа идея в институционален въпрос. Решението на Anthropic да въведе невидими водни знаци в текст, генериран от поддържаните модели Claude, изведе този дебат на преден план. Google използва SynthID за генерирано съдържание вече повече от две години, докато OpenAI разработва многослоен подход към проследяването на произхода чрез технологии като Content Credentials и SynthID за поддържаните видове медийно съдържание (Google DeepMind, 2024; OpenAI, 2026). Този блог разглежда само малка част от многобройните реакции към тези развития: анкета в LinkedIn, коментарите към нея и публикации на Keith King и Michael Wade. Анкетата казва едно. Коментарите разказват една по-сложна история. В анкетата на Melia Robinson в LinkedIn, в която се задава въпросът дали хората биха продължили да пишат с Claude след въвеждането на водни знаци, 42% отговарят „да“, 25% „не“, а 31% „зависи“. Следователно анкетата показва по-скоро приемане, отколкото отхвърляне. Коментарите обаче съдържат значително повече предпазливост. Подкрепата обикновено идва от хора, които възприемат водните знаци като форма на прозрачност. Използването на ИИ не се превръща автоматично в проблем само защото другите знаят за него. Човешките специалисти продължават да преглеждат работата и да носят отговорност за нея. Съпротивата произтича от друго опасение. Водният знак може да ни покаже, че ИИ е участвал в обработката на даден документ, но не и какво точно е направил. Коригирал ли е граматиката? Превел ли е текста от български на английски? Оспорил ли е даден аргумент? Обобщил ли е източници? Генерирал ли е цялата научна статия? Следователно дебатът може да бъде обобщен чрез поредица от въпроси: Използван ли е ИИ? До каква степен е използван ИИ? Какъв е приносът на ИИ? Какъв е приносът на човека? Кой е проверил доказателствата? Кой е взел интелектуалните решения? Кой поема отговорност за крайния резултат? И на кои от тези въпроси може да отговори водният знак? Keith King и Michael Wade: две полезни гледни точки Keith King, бивш водещ инженер по комуникациите в Белия дом, работил също с Държавния департамент на САЩ и Обединения комитет на началник-щабовете, разглежда въпроса основно през призмата на доверието и сигурността. В дискусията си за Google той подчертава разликата между видимото обозначаване и машинно четимата информация за произхода. Според него възникващият модел ще разчита на няколко слоя информация за произхода, а не на един единствен видим знак (King, 2026). Michael Wade, професор по дигитална и AI трансформация в IMD Business School, разглежда въпроса през организационните и управленските последствия. Неговият подробен анализ на Claude подчертава както стойността на прозрачността, така и ограниченията при интерпретирането на водния знак. Наличието на такъв знак показва, че съдържанието е било обработено от ИИ. То не установява авторство, отговорност, плагиатство или нарушение (Wade, 2026). Тази разлика е полезна. King се фокусира върху инфраструктурата за установяване на произход и доверие. Wade се концентрира по-пряко върху това какво организациите могат и не могат да заключат въз основа на този сигнал. От водни знаци към проследимост на произхода За университетите по-широкото понятие е произходът и проследимостта на съдържанието. Произходът означава да знаем откъде идва дадено съдържание, как е създадено, кои инструменти са го променили и кой носи отговорност за него. C2PA, един от развиващите се стандарти за проследимост на произхода, изрично разглежда тази информация като средство, което подпомага човешките преценки за доверие, а не като оценка дали съдържанието е „добро“ или „лошо“ (C2PA, 2026). Това разграничение е особено подходящо за академичната работа. Научната дейност вече се движи към по-голяма прозрачност на процеса. От изследователите все по-често се очаква да документират методите, данните, кода, аналитичните решения, приноса на отделните автори и използването на ИИ. Nature Portfolio например разрешава някои форми на използване на генеративен ИИ, но изисква същественото му използване да бъде оповестено, а отговорността остава на човешките автори (Nature Methods, 2026). Последици за един икономически университет Научната етика и интегритет следва да се фокусират върху интелектуалната отговорност. Изследователите трябва да декларират съществените приноси на ИИ и да запазят отговорността за източниците, анализите, интерпретациите и заключенията. Преподаването и оценяването трябва все повече да събират доказателства за самия процес на учене. Чернови, анализ на данни, устна защита, история на редакциите, методологични обяснения и рефлексия върху използването на ИИ могат да предоставят по-надеждни доказателства от опита да се установи дали в крайния текст има следи от ИИ. Плагиатството и откриването на използване на ИИ трябва да останат отделни въпроси. Водният знак на ИИ не доказва плагиатство или измама. Университетите не трябва автоматично да превръщат сигнал от система за откриване в решение за академично нарушение. Академичното публикуване изисква изследователите да спазват специфичните политики за ИИ на съответните списания и да документират съществената помощ от ИИ, когато това се изисква. Основният въпрос става какъв е приносът на изследователя и какво именно той е проверил. Споделянето на данни и проследяването на произхода на изследването трябва да обхващат повече от самия ръкопис. Изследователите трябва да документират наборите от данни, трансформациите, аналитичния код, използваните модели, промптовете, когато те са методологично значими, както и човешките решения, необходими за възпроизводимостта на изследването. Административните политики и институционалните комуникации също изискват внимание. Университетите все по-често създават публични отчети, новини, маркетингови материали, политически документи и образователни ресурси с помощта на ИИ. Човешката редакционна отговорност и подходящото оповестяване трябва да станат част от процедурите за институционална комуникация. Препоръчителен институционален модел Следователно един икономически университет трябва да избягва изграждането на „политика за откриване на ИИ“. По-силен модел би комбинирал проследимост на произхода, пропорционално оповестяване, документиране на процеса, човешка проверка и ясна отговорност. Институционалният принцип може да бъде прост: Не питайте само: „Използван ли е ИИ?“ Питайте: „Как е използван ИИ, какви доказателства документират процеса и кой носи отговорност за резултата?“ Водните знаци правят този разговор по-труден за избягване. Именно това може да се окаже най-важният им принос за академичната среда. |
References
C2PA. (2026). Content Credentials: C2PA technical specification.
European Commission. (2026). Code of Practice on Transparency of AI-generated Content.
European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence. Official Journal of the European Union.
Google DeepMind. (2024). Watermarking AI-generated text and video with SynthID.
King, K. (2026). Google is making visible AI watermarks optional [LinkedIn post].
Nature Methods. (2026). Using AI responsibly in scientific publishing, 23, 271. https://doi.org/10.1038/s41592-026-03020-1
OpenAI. (2026). Advancing content provenance for a safer, more transparent AI ecosystem.
Robinson, M. (2026). Will you write with Claude after Anthropic adds watermarks to its text outputs? [LinkedIn poll].
Wade, M. (2026, August 12). The ultimate Claude AI watermarking FAQ [LinkedIn article].