Vannmerking av AI-tekst: kravet gjelder fra 2026

Nøkkelpunkter per 5. oktober 2026:

EUs AI Act krever maskinlesbar merking av AI-generert innhold fra 2. august 2026, og kravet treffer norske bedrifter som bruker AI-systemer i EU (Digi.no).
Den norske loven er utsatt: regjeringen tar sikte på høring høsten 2026 og proposisjon våren 2027, etter i underkant av 150 høringssvar (Aftenposten, 2024).
Deteksjonen er ujevn: OpenAIs textGrain fant 80 prosent av vannmerkene i 200-token passasjer og 95 prosent i 400-token passasjer (OpenAI).
Korte tekster unngår merket: SynthID-Text faller til 50 prosent deteksjon på korte svar, mot nær perfekt treff i de beste tilfellene (IEEE Spectrum).
Boten kan bli 15 millioner euro eller en andel av global årlig omsetning for brudd på åpenhetskravene i artikkel 50 (arXiv).

Hva vannmerking av AI-tekst faktisk er

Vannmerking av AI-tekst er et skjult statistisk mønster som legges inn i modellens ordvalg mens teksten blir produsert. Det er ikke et synlig stempel, ikke en fotnote og ikke et felt i filens metadata. Signalet sitter i selve språket: hvilke ord modellen velger blant alle de ordene den kunne valgt. OpenAI kaller sin variant textGrain og beskriver den som et usynlig statistisk signal i modellens ordvalg (OpenAI).

Forskningen skiller mellom proaktiv og reaktiv deteksjon. Vannmerking er proaktiv: signaturen bygges inn ved produksjon, slik at den kan leses ut igjen senere (arXiv, 2025). Reaktive detektorer gjetter i etterkant, uten nøkkel. Forskjellen er ikke akademisk. Proaktiv merking skjer hos leverandøren og krever ingenting av deg teknisk, mens reaktiv deteksjon er noe du må kjøpe, drifte og forsvare når noen protesterer.

Et signal i ordvalget, ikke et stempel i teksten

Anthropic beskriver sitt tekstvannmerke som usynlig for lesere, uten praktisk innvirkning på kvaliteten eller innholdet i output, og uten ekstra tokenkostnad (Anthropic, 2026). Vannmerket inneholder ingen identifiserende informasjon og kan ikke spores tilbake til en bestemt person, organisasjon eller samtale. Det punktet er verdt å forstå før du tar diskusjonen internt. Et vannmerke svarer på spørsmålet om teksten kom fra en AI-modell, ikke på spørsmålet om hvem som satt ved tastaturet.

Teknikkfamilien er eldre enn regelverket. Den går tilbake til et forslag Scott Aaronson la fram i 2022, og den mest utbredte implementeringen i dag bygger på SynthID-Text, som Google DeepMind publiserte i en Nature-artikkel i 2024 (Anthropic, 2026). Det betyr at markedet ikke improviserer: leverandørene konvergerer på samme grunnmetode.

Forskjellen fra AI-detektorene du har hørt om

De AI-detektorene mange skoler og arbeidsgivere prøvde fra 2023 var gjetteverktøy uten nøkkel. OpenAI måtte trekke en egen klassifiseringsteknologi fra markedet på grunn av lav nøyaktighet (EU-kommisjonen, 2023). Mennesker gjør det ikke bedre. I en studie klarte deltakerne å skille menneskeskrevet fra AI-generert tekst med en treffsikkerhet på 50 til 52 prosent, altså omtrent myntkast.

Vannmerking flytter problemet fra gjetting til noe som kan måles. Men den flytter det ikke hele veien. Leverandøren som satte inn merket er den eneste som kan lese det pålitelig, og tilgangen til detektorene er foreløpig begrenset. Det gir en viktig konsekvens for norske virksomheter: du kan ikke selv verifisere om en tekst du mottok er AI-generert.

Merkeplikt og vannmerke er to forskjellige ting

AI Act pålegger to tiltak som ofte blandes sammen. Det ene er maskinlesbar merking av AI-generert output, som ligger hos leverandøren av modellen. Det andre er synlig avsløring overfor mennesker, som ligger hos den som tar systemet i bruk (arXiv). Teknisk sporbarhet og menneskelig åpenhet er ikke samme plikt, og de oppfylles med ulike virkemidler.

Alura mener vannmerkingen er leverandørens plikt, men at ansvaret for åpenhet mot kunden ligger hos virksomheten som sender teksten. Du kan ikke sette bort det andre ved å velge en leverandør som gjør det første. Kunden din leser ikke vannmerker. Kunden leser setningen der du sier om teksten er skrevet av en maskin.

Kravet i AI Act artikkel 50 og datoen som gjelder

EUs AI-forordning ble vedtatt i 2024 og innføres trinnvis fram til august 2028 (Digi.no). Reglene trådte i kraft trinnvis fra august 2024, forbudene mot systemer med uakseptabel risiko kom i februar 2025, og åpenhetskravene er neste trinn. For tekst er datoen 2. august 2026: fra da krever AI Act vannmerker for AI-modeller som lanseres etter dette tidspunktet (IEEE Spectrum).

Plikt	Hvem rammes	Konkret krav
Artikkel 50(2)	Leverandør av generativt AI-system	Output skal merkes maskinlesbart og gjenkjennelig som AI-generert
Artikkel 50(4)	Deployer, altså virksomheten som bruker systemet	Må avsløre at innhold som utgjør deep fakes er kunstig generert
Åpen kildekode	Ingen generelt fritak	Åpen kildekode-systemer er ikke unntatt fra åpenhetskravene i artikkel 50
Sanksjon	Leverandør og deployer	Bot opp til 15 millioner euro eller en andel av global årlig omsetning

Tabellen er bygget på den juridiske analysen i arXiv-gjennomgangen av artikkel 50. Legg merke til at de to pliktene har forskjellige adressater. Det er den fordelingen som avgjør hva du selv må gjøre.

Maskinlesbar merking: artikkel 50(2)

Artikkel 50(2) krever at leverandører av generative AI-systemer merker output maskinlesbart og gjenkjennelig som kunstig generert (arXiv). For tekst er det nettopp vannmerking i ordvalget som gjør dette mulig, siden en tekststreng limt inn i et e-postfelt ikke har metadata å bære merket i. Denne plikten er grunnen til at Anthropic og OpenAI nå ruller ut tekstvannmerker, ikke fordi markedet ba om det.

Erfaringen fra bildesiden bør dempe optimismen. En studie av 50 mye brukte generative AI-systemer for bilder fant at bare 38 prosent hadde tilstrekkelig vannmerking, og at en langt mindre andel hadde tilstrekkelig merking av deep fakes (arXiv). Flertallet av verktøyene på markedet var altså ikke i nærheten da studien ble gjort. Antar du at leverandøren din er i orden fordi den er stor og kjent, antar du for mye.

Avsløring mot mennesker: artikkel 50(4)

Artikkel 50(4) retter seg mot deployere av generative systemer som lager deep fakes, og krever at de avslører at innholdet er kunstig generert (arXiv). Ordlyden er altså tydeligst der innholdet imiterer virkeligheten. For ren forretningstekst er plikten mindre eksplisitt, og det er der norske ledere lett trekker feil konklusjon.

Pressedekningen av ikrafttredelsen er mer kategorisk enn lovteksten. Både Aftenposten, 2024 og Digi.no beskriver transparenskravet som at bedrifter må merke AI-generert innhold tydelig. Når forventningen i markedet er strengere enn minimumsforpliktelsen, er det forventningen du må planlegge for. Kunden klager ikke til Nkom, kunden klager på LinkedIn.

Åpen kildekode gir ikke fritak

En vanlig antakelse er at egne modeller kjørt på egen infrastruktur faller utenfor. Den holder ikke: åpen kildekode-systemer er ikke unntatt fra åpenhetskravene i artikkel 50 (arXiv). Velger du en åpen modell fordi du vil ha kontroll på data, har du samtidig flyttet leverandørplikten til deg selv. Det er en reell kostnad som sjelden står i business casen.

For norske virksomheter som jobber med egne språkmodeller eller finjusterte varianter, blir dette konkret raskt. Hvis du bygger på norsk språkteknologi i egen drift, er det ingen leverandør å peke på når noen spør hvordan output merkes maskinlesbart.

Les også: AI for tekstanalyse og NLP på norsk: Sentimentanalyse, klassifisering og innsikt fra norske tekster. Norske NLP-modeller oppnår 85–95 % nøyaktighet på sentimentanalyse og 90–98 % på tekstklassifisering.

Teknikken bak: ordvalg, statistiske signaler og detektorer

Probabilistisk vannmerking for tekst justerer fordelingen over hvilke ord modellen plukker, slik at det oppstår et skjult mønster uten at lesbarheten påvirkes (arXiv, 2025). Jo flere ord teksten inneholder, jo flere valg finnes det å bygge mønsteret i, og jo sikrere blir detektoren. Det er hele mekanismen i en setning, og den forklarer også alle svakhetene lenger ned i artikkelen.

Metode og situasjon	Deteksjonsrate	Kilde
Vannmerker i bilde og video	99 prosent	IEEE Spectrum
Rød og grønn liste, svar på rundt 200 tokens	98,4 prosent, null falske positive	IEEE Spectrum
SynthID-Text, beste tilfelle	95 prosent	IEEE Spectrum
SynthID-Text, korte svar	50 prosent	IEEE Spectrum
textGrain, passasjer på 200 tokens	80 prosent	OpenAI
textGrain, passasjer på 400 tokens	95 prosent	OpenAI
textGrain etter at 10 prosent av ordene er byttet til synonymer	66 prosent, ned fra 92 prosent	OpenAI
textGrain etter at 25 prosent av ordene er byttet	17 prosent	OpenAI

Tallene er hentet fra IEEE Spectrum og OpenAI. Les tabellen som en kurve, ikke som en liste: deteksjonen er nesten perfekt for bilder, god for lange tekster og ustabil for alt som er kort eller redigert. Det er i den siste kategorien mesteparten av kundekommunikasjon ligger.

Grønn og rød liste

Den mest siterte metoden deler vokabularet i en grønn og en rød liste for hvert steg, og dytter modellen mot de grønne ordene. Kirchenbauer og kolleger oppnådde en deteksjonsrate på 98,4 prosent uten falske positive i svar på rundt 200 tokens (IEEE Spectrum). Problemet oppstår når teksten krymper. I en tweet på 20 ord må 50 eller 60 prosent av ordene komme fra den grønne listen for at deteksjonen skal være pålitelig, og da begynner teksten å bli merkelig.

Forsker Vinu Sankar Sadasivan peker på at vannmerker særlig sliter når antallet potensielle ordvalg er lite. Det gjelder faktaopplysninger, tall, navn, standardfraser og juridisk formulert tekst. Med andre ord: akkurat de tekstene en bedrift sender ut mest av.

SynthID-Text og textGrain

Googles tekstvannmerke brukes på output fra Gemini-modellene, og Anthropics vannmerke er bygget på samme tilnærming (IEEE Spectrum). Googles eget SynthID-Text-papir fant ingen signifikant forskjell i brukerfeedback på tvers av 20 millioner svar. Det er det sterkeste argumentet mot påstanden om at merking ødelegger kvaliteten, og det er et argument basert på volum, ikke på løfter.

OpenAI oppgir at textGrain i deres evalueringer matchet eller overgikk andre testede tilnærminger, inkludert SynthID for tekst, målt mot en fast og lav terskel for falske positive (OpenAI). En lav andel falske positive høres trygt ut. Spredt over hundrevis av tekster i en personalsak eller en klagesak er hver enkelt feil likevel en uriktig anklage.

Hva OpenAI og Anthropic har rullet ut så langt

Anthropic kunngjorde 11. august at alle fremtidige Claude-modeller vil generere tekst med et vannmerke som identifiserer den som AI-generert (IEEE Spectrum). OpenAI har rullet ut tekstvannmerking i ChatGPT og Codex med EU først, og sier samtidig at dette ennå ikke blir global standard (The Verge). Det er verdt å merke at utrullingen er geografisk og produktvis, ikke universell.

Leverandør	Status på tekstvannmerking	Tilgang til detektor
Anthropic, Claude	Alle fremtidige modeller vannmerkes, med overgangsperiode for modeller lansert før fristen	Deteksjons-API beskrevet av leverandøren
OpenAI, ChatGPT og Codex	Usynlig vannmerking rulles ut i EU i løpet av de kommende ukene	Søknadsbasert, først godkjente forskere og ekspertorganisasjoner
OpenAI, API	Tilbys globalt, men er av som standard	Samme søknadsordning
Google, Gemini	SynthID brukes på output fra Gemini-modellene	Ikke oppgitt i kildene
Øvrige store modellutviklere	Har signert samme Code of Practice og vil implementere egne vannmerker	Varierer

Oppsummeringen bygger på Anthropic, 2026, OpenAI og IEEE Spectrum. Den viktigste linjen er den tredje.

Anthropic: vannmerke i alle nye modeller

Anthropic er eksplisitt om hvorfor: selskapet implementerer vannmerking for å oppfylle EUs AI-forordning (Anthropic, 2026). Modeller lansert før datoen i august får en overgangsperiode. Selskapet understreker også at vannmerking ikke er spesifikt for Claude, og at andre store modellutviklere har signert samme kodeks og vil gjøre det samme. Det gir en forutsigbarhet du kan planlegge etter.

Leverandøren er samtidig åpen om begrensningene, inkludert at vannmerket bare gjelder ord modellen selv velger. Når Claude korrekturleser menneskeskrevet tekst, er det lite for vannmerket å feste seg til. Det er en nyttig ærlighet, og den har direkte konsekvenser for hvordan du kan bruke merket internt.

OpenAI: EU først, API som opt-in

OpenAI lanserer tekstvannmerking for API-kunder globalt, men funksjonen er av som standard (OpenAI). For virksomheter som bygger egne løsninger på API, er det den mest beslutningsrelevante setningen i hele denne artikkelen. Default-innstillingen er altså ikke compliance. Den er status quo.

Selskapet åpner samtidig for søknader om tilgang til detektoren, foreløpig begrenset til godkjente forskere og ekspertorganisasjoner. En vanlig norsk SMB får derfor ikke sjekket tekst selv i overskuelig framtid. Du kan dokumentere at merking er slått på, men du kan ikke etterprøve resultatet.

Dette må du sjekke i egen stack

Gå gjennom hvert sted AI produserer tekst som forlater huset, og still tre spørsmål til leverandøren: er merking på for vår konto, gjelder den modellversjonen vi faktisk kaller, og hva skjer når vi sender output gjennom egne maler og redigeringssteg. Et verktøy som er compliant i produsentens standardoppsett kan være umerket i ditt. Svarene bør stå skriftlig, med dato.

Norge, EØS og en lov som er utsatt til 2027

Norge har ennå ikke innlemmet AI-forordningen. Loven var planlagt vedtatt våren 2026 med ikrafttredelse sensommeren 2026, men regjeringen vil nå sende endringene fra EUs forenklingspakke på høring høsten 2026 og har ambisjon om å legge fram proposisjon våren 2027 (Digi.no). Fra proposisjon til ikrafttredelse går det ytterligere tid. Praktisk betyr det at norsk rett ligger minst et år bak EU på dette punktet.

Departementet mottok i underkant av 150 høringssvar om forslaget til ny lov, og Nkom skal være det nasjonale koordinerende tilsynet (Aftenposten, 2024). Tilsynsapparatet er altså under oppbygging samtidig som kravene i EU allerede gjelder. Det er et vindu, ikke et fritak.

Loven som gled

Forsinkelsen er ikke dramatisk i seg selv. EUs eget løp er også trinnvis, med full innføring fram til august 2028. Men forsinkelsen skaper en asymmetri som er lett å misforstå i et norsk styrerom: kravet eksisterer i markedet du selger til, lenge før det eksisterer i loven du er underlagt. Den som planlegger etter norsk ikrafttredelse, planlegger etter feil klokke.

Hva som gjelder likevel

Digitaliseringsministeren peker på at eksisterende regelverk fortsatt gjelder ved utvikling og bruk av AI, inkludert personvernregelverket, straffeloven og åndsverkloven (Aftenposten, 2024). Det er et vesentlig poeng. Villedende kundekommunikasjon, feil behandling av persondata eller uklar rettighetssituasjon rundt innhold er problematisk uansett om en AI-lov finnes.

Særlig rettighetsbildet er i bevegelse parallelt med merkekravene, og de to sporene møtes i samme dokumenter. Vi har gått gjennom dette separat i artikkelen om AI og opphavsrett og i gjennomgangen av rettssaker om AI-innhold. Merking og rettigheter er ikke samme spørsmål, men de treffer samme tekst.

Når EU-kravet treffer en norsk SMB

Hovedregelen er enkel: siden Norge ikke har en AI-lov, gjelder ikke de nye kravene her, men norske bedrifter må følge EU-regelverket dersom AI-systemene deres skal brukes i EU (Digi.no). Har du kunder, brukere eller mottakere i EU, er du i praksis innenfor. Det gjelder de fleste norske B2B-selskaper med eksportambisjoner.

Alura mener norske virksomheter bør merke AI-generert kundekommunikasjon nå, selv om den norske loven først ventes etter 2027. Begrunnelsen er ikke juridisk forsiktighet alene. Merkepraksis er billigst å etablere mens volumet er lavt, og dyrest å rulle ut i etterkant over arkiverte flater, maler og innarbeidede rutiner.

Rammeverk i fire steg for AI i kundedialog

Rammeverket under er bygget for en virksomhet uten eget compliance-team. Det forutsetter ingen ny programvare og ingen jurist i første runde. Poenget er å komme fra uklarhet til dokumenterte valg, slik at spørsmålet fra en kunde, en revisor eller et tilsyn kan besvares med et dokument istedenfor en diskusjon.

Steg	Spørsmålet du svarer på	Hva du produserer	Hvem eier det
1. Kartlegg	Hvor produserer AI tekst som forlater huset?	Liste over flater, systemer og modellversjoner	Produkt- eller tjenesteeier
2. Klassifiser	Er teksten uendret AI-output, AI-utkast redigert av menneske, eller menneskeskrevet?	Tre kategorier med klare kriterier	Fagansvarlig for flaten
3. Merk	Hva ser kunden, og hva ligger maskinlesbart i output?	Standardformuleringer og skriftlig leverandørbekreftelse	Kommunikasjon og innkjøp
4. Dokumenter	Kan du vise hva som ble merket og hvorfor?	Beslutningslogg med dato og ansvarlig	Daglig leder eller compliance

Rekkefølgen er ikke tilfeldig. De fleste virksomheter starter på steg tre, lager en setning om AI-bruk til nettsiden, og oppdager senere at de ikke vet hvilke flater setningen faktisk dekker.

Steg 1 og 2: kartlegg og klassifiser

Kartleggingen skal fange alt som går ut: svar i kundeservice, tilbudstekst, nyhetsbrev, produktbeskrivelser, chatbot-replikker, automatiske purringer og innhold i sosiale kanaler. Noter også hvilken modell og hvilket grensesnitt som brukes, siden merkestatusen følger modellversjon og produkt, ikke leverandørnavnet. Et regneark holder i denne fasen.

Klassifiseringen er der arbeidet faktisk ligger. Uendret AI-output er enkel å håndtere. Den tunge kategorien er AI-utkast som et menneske har redigert, fordi den er både juridisk uklar og teknisk ustabil: redigering svekker vannmerket (OpenAI). Velg en terskel internt, skriv den ned, og vær konsekvent. En dårlig begrunnet terskel som følges, er bedre enn en god terskel ingen kjenner.

Steg 3 og 4: merk og dokumenter

Merkingen har to lag. Det maskinlesbare laget bestiller du hos leverandøren og får bekreftet skriftlig. Det menneskelesbare laget skriver du selv, og det skal stå der kunden faktisk ser det, ikke i personvernerklæringen. En kort setning nederst i et automatisk svar gjør jobben bedre enn et avsnitt i en policy ingen åpner.

Dokumentasjonen er den delen som blir glemt og den som betyr mest hvis noe går galt. Logg hvilke flater som merkes, hvilken formulering som brukes, hvem som besluttet, og når. Når den norske loven kommer, er oppgaven da å justere et eksisterende system, ikke å rekonstruere historikk.

Praktisk: dette gjør du mandag morgen

Tabellen under er en startmal du kan kopiere rett inn i et møte. Den dekker de flatene der norske SMB-er oftest har AI i produksjon uten at det er besluttet noe sted. Juster kategoriene til din virksomhet, men behold kolonnen helt til høyre: den er grunnen til at noen prioriterer arbeidet.

Flate	Typisk AI-bruk	Anbefalt merking mot kunden	Risiko hvis du lar det stå
Chatbot på nettsiden	Hele dialogen genereres	Tydelig at kunden snakker med en AI-assistent, og hvordan hen får et menneske	Høy: kunden blir villedet i sanntid
Kundeservice på e-post	AI-utkast redigert av agent	Merk om svaret er sendt uendret, oppgi menneskelig avsender ellers	Middels: tillitstap ved avsløring
Nyhetsbrev og blogg	AI-utkast, menneskelig redigering	Redaksjonell linje publisert ett sted, konsekvent fulgt	Middels: omdømme og synlighet
Tilbud og kontraktstekst	AI-generert standardtekst	Intern merking og menneskelig godkjenning, ikke nødvendigvis kundemerking	Høy: feil i forpliktende dokument
Produkttekst i nettbutikk	Volumgenerering	Generell opplysning om AI-assistert innhold	Lav til middels: forbrukertillit

Flatene øverst i tabellen er de som haster. Flatene nederst er de som er mest arbeid, fordi de har mest volum.

Inventaret de fleste mangler

Det vanligste funnet i en slik kartlegging er ikke en policy-mangel. Det er at ingen vet hvor mange steder AI faktisk skriver. Markedsavdelingen har et verktøy, kundeservice har en annen integrasjon, og en utvikler har koblet på et API for et pilotprosjekt som aldri ble avsluttet. Inventaret er derfor første leveranse, og det er også det som gir raskest innsikt i hvor eksponert du er.

Har du allerede jobbet med tekstanalyse i kundedialogen, finnes mye av oversikten i systemene dine. Vi har beskrevet hvordan slike data henger sammen i gjennomgangen av kundeforståelse fra norske tekster. Samme logg som gir deg innsikt, gir deg også sporbarheten du trenger.

Formuleringer som fungerer

God merking er kort, konkret og plassert der handlingen skjer. «Dette svaret er generert av en AI-assistent og ikke lest av en saksbehandler» gjør jobben. «Vi benytter kunstig intelligens i deler av vår virksomhet» gjør ikke. Den første gir kunden grunnlag for å vurdere svaret, den andre er en ansvarsfraskrivelse i markedsføringsspråk.

Unngå å merke mer enn du kan holde. Skriver du at all AI-generert tekst merkes, må det stemme på tvers av alle flater i tabellen over. En merkepraksis som er delvis implementert og fullt kommunisert, er dårligere enn ingen kommunikasjon i det hele tatt.

Les også: AI og opphavsrett: Juridiske utfordringer med AI-generert innhold i Norge. Når AI trenes på beskyttede verk og skaper nytt innhold, utfordres opphavsretten.

Når vannmerket svikter

Vannmerking har sterke tekniske begrensninger og ulemper, konkluderte EPRS-briefingen allerede før forordningen var ferdig forhandlet (EU-kommisjonen, 2023). Survey-litteraturen peker på de samme svakhetene: robusthet mot adversarielle angrep, manglende standardisering på tvers av innholdstyper, og etiske spørsmål om personvern og eierskap (arXiv, 2025). Dette er ikke barnesykdommer som forsvinner med neste modellgenerasjon. De følger av metoden.

Korte tekster

Kortere eller mer begrenset tekst er vanskeligere å oppdage (OpenAI). Tallene viser hvor bratt kurven er: 80 prosent deteksjon i passasjer på 200 tokens, og klart høyere treff i passasjer på dobbel lengde. Og for korte svar faller SynthID-Text ned til 50 prosent (IEEE Spectrum). En chatbot-replikk, et SMS-varsel eller en produkttittel ligger langt under grensen der merket er lesbart.

Konsekvensen er ubehagelig for regelverkets logikk. De tekstene som sendes i størst volum og med minst menneskelig kontroll, er samtidig de som er dårligst dekket av det tekniske tiltaket. Her er det den synlige merkingen din som gjør hele jobben.

Redigering, synonymer og korrektur

Redigering svekker vannmerket, og OpenAIs egne tall viser hvor lite som skal til: deteksjonsraten falt fra 92 til 66 prosent da 10 prosent av ordene ble byttet med synonymer, og videre ned til 17 prosent ved 25 prosent synonymbytte (OpenAI). En normal redaksjonell gjennomgang kan altså fjerne signalet uten at noen forsøker å skjule noe.

Den omvendte situasjonen er like viktig. Vannmerket gjelder bare ord modellen selv velger, og når modellen korrekturleser menneskeskrevet tekst, er det lite for vannmerket å feste seg til (Anthropic, 2026). AI-assistert språkvask gir derfor i praksis umerket output, selv om verktøyet er fullt compliant.

Hvorfor et vannmerke ikke er bevis

Alura mener deteksjonsrater som varierer fra 50 til 95 prosent gjør vannmerking uegnet som bevis i personalsaker eller kontraktstvister. Et negativt funn betyr ikke at teksten er menneskeskrevet, bare at signalet ikke ble funnet. Og siden detektoren opererer med en terskel som tillater en viss andel falske positive, vil et positivt funn av og til være feil. Ingen av utfallene tåler vekten av en oppsigelse.

Til sammenligning ligger vannmerker for bilde og video rundt 99 prosent (IEEE Spectrum). Avstanden mellom modalitetene er stor nok til at du bør behandle tekstmerking og bildemerking som to ulike verktøy med ulik bevisverdi. Bruk tekstvannmerket som et signal i et større bilde, aldri som konklusjon.

Kostnad og risiko: hva står på spill

Maksimal bot for brudd på åpenhetskravene er 15 millioner euro, alternativt en andel av global årlig omsetning (arXiv). For en norsk SMB er det omsetningsandelen som er den reelle størrelsen, ikke eurobeløpet. Samtidig gjelder ikke kravene i Norge før loven er på plass, så den umiddelbare risikoen for de fleste norske virksomheter er ikke bot. Den er markedstilgang, anskaffelser og tillit.

Botnivået og hvem som faktisk rammes

Åpenhetskravene plasserer de tyngste pliktene hos leverandørene av modellene. Det betyr at en norsk virksomhet som kjøper AI som tjeneste, sjelden er den som først får et tilsynsspørsmål om maskinlesbar merking. Men bildet endres straks du finjusterer, hoster selv eller videreselger AI-generert innhold som en del av din egen leveranse. Da flytter du deg oppover i kjeden.

Den mer sannsynlige kostnaden på kort sikt er kommersiell. Store europeiske kunder begynner å stille merkekrav i anbud, og et nei eller et uklart svar er nok til å falle ut. Det er en kostnad som ikke dukker opp i noe regelverk, men i tapte tilbud.

Hva merking faktisk koster deg

Teknisk er svaret nær null. Vannmerking krever ikke ekstra tokens og blir ikke dyrere (Anthropic, 2026). OpenAIs egne benchmarktall viser også at ytelsen holder seg: Artificial Analysis Intelligence Index ligger på 49,57 poeng uten vannmerke mot 49,76 med (OpenAI). Variasjonen går i begge retninger på tvers av testene, som er det man forventer av støy.

Innvendingen finnes likevel, og den er prinsipiell heller enn teknisk. John Gruber kaller vannmerket en pervertering av skriving og bestrider påstanden om at det ikke endrer tekstens mening eller kvalitet (IEEE Spectrum). Argumentet fortjener å bli hørt: en modell som styres mot bestemte ord, skriver per definisjon ikke det den ellers ville skrevet. For de fleste forretningstekster er dette uten betydning. For tekst der hvert ord er valgt bevisst, er det en reell innvending.

Markedet beveger seg raskere enn lovgiverne

EUs Code of Practice on Transparency of AI-Generated Content ble signert i juli 2026 og har 190 underskrivere (Anthropic, 2026). Det er frivillig i formen, men den effektive virkningen er en de facto standard: når leverandørene i praksis har bundet seg, blir merket output normalen uavhengig av hvor nasjonal lovgivning står.

Reguleringen er global, ikke bare europeisk

EU er ikke alene. Kina la i august 2023 fram krav om merking og vannmerking av AI-generert innhold, og har allerede forbudt AI-genererte bilder uten vannmerker. USAs administrasjon er pålagt å utvikle effektive mekanismer for merking og opprinnelse, og G7 vedtok i oktober 2023 prinsipper som ber selskaper utvikle pålitelige mekanismer for innholdsautentisering (EU-kommisjonen, 2023). Retningen er samstemt selv om virkemidlene varierer.

På standardsiden fikk CEN-CENELEC frist i januar 2025 for å levere en serie europeiske standarder, blant annet om åpenhet og informasjonsformidling til brukere av AI-systemer. Standardene er det laget som gjør kravene operative for innkjøpere. Det er der merkekravene etter hvert møter deg som en kolonne i et anbudsdokument.

Still kravet i anskaffelsen

Alura mener du bør kreve i anskaffelser at AI-leverandøren dokumenterer hvordan output merkes maskinlesbart. Formuleringen bør være konkret: hvilken metode, hvilke modellversjoner, om merking er på som standard, og om det finnes en detektor du eller en tredjepart kan bruke. Et svar som bare viser til leverandørens generelle policy er ikke dokumentasjon.

Forskningsmiljøene gjør en del av jobben for deg. Forskerne bak adopsjonsstudien deler verktøy for deteksjon av vannmerker i bilder offentlig (arXiv). For tekst finnes ingen tilsvarende åpen mulighet ennå, siden detektortilgangen er søknadsbasert. Det gjør leverandørens skriftlige bekreftelse til den eneste dokumentasjonen du realistisk kan skaffe.

Vanlige feil norske virksomheter gjør med merking

Feilene nedenfor koster lite å rette nå og mye å rette senere. De har også et fellestrekk: de kommer av å behandle merking som et teknisk spørsmål istedenfor et kommunikasjonsspørsmål. En tredje feil er verdt å nevne kort: å skrive merkepolicyen i personvernerklæringen, der ingen kunder leter, og tro at plikten dermed er oppfylt.

Å vente på den norske loven

Den vanligste feilen er å lese forsinkelsen av den norske loven som en utsettelse av arbeidet. Men transparenskravet gjelder allerede i EU, og norske bedrifter må følge EU-regelverket hvis systemene brukes der (Aftenposten, 2024). Forsinkelsen gir deg tid til å gjøre arbeidet rolig, ikke tid til å utsette det.

Det praktiske problemet med å vente er at merkepraksis må inn i maler, systemer og rutiner. Skal det gjøres etter at loven er vedtatt, konkurrerer arbeidet med alt annet som også må på plass samtidig. Da blir det gjort dårlig.

Å behandle vannmerket som et kontrollverktøy

Den nest vanligste feilen er å tenke på vannmerking som en måte å avdekke AI-bruk hos ansatte, studenter eller leverandører. Det er ikke det teknologien er bygget for. Vannmerket inneholder ingen identifiserende informasjon og kan ikke spores til en bestemt person eller organisasjon (Anthropic, 2026), og detektorene er dessuten ikke allment tilgjengelige.

Et beslektet feilgrep er å kjøpe en kommersiell AI-detektor og bruke den som fasit. Historien om klassifiseringsverktøy som ble trukket fra markedet på grunn av lav nøyaktighet bør være tilstrekkelig advarsel (EU-kommisjonen, 2023). Styr etter rutiner og åpenhet, ikke etter deteksjon.

Spørsmål og svar om vannmerking av AI-tekst

Spørsmålene under er de som oftest kommer opp når merkekrav diskuteres i en norsk ledergruppe.

Må vi merke AI-generert kundekommunikasjon i Norge nå?

Juridisk: ikke etter en norsk AI-lov, siden den ikke finnes ennå og proposisjonen først ventes våren 2027 (Digi.no). Praktisk: ja, hvis du har mottakere i EU, og i realiteten også hvis du bare har norske kunder, fordi forventningen i markedet nå er formet av EU-reglene. Personvernregelverket, straffeloven og åndsverkloven gjelder uansett.

Hvem har ansvaret, leverandøren eller oss?

Begge, men for ulike ting. Leverandøren skal merke output maskinlesbart etter artikkel 50(2), mens den som bruker systemet har avsløringsplikten etter artikkel 50(4) (arXiv). I praksis betyr det at du bestiller det tekniske og skriver det menneskelige selv.

Blir teksten dårligere av vannmerking?

Målingene tyder ikke på det. Google fant ingen signifikant forskjell i brukerfeedback på tvers av 20 millioner svar (IEEE Spectrum), og OpenAI rapporterer at vannmerking ikke ser ut til å påvirke ytelsen på tvers av benchmarks (OpenAI). Kritikken som finnes er prinsipiell: en modell som styres mot bestemte ord, skriver ikke helt fritt.

Kan vi bruke vannmerket til å sjekke om noen har brukt AI?

Nei, ikke på en måte som holder. Detektortilgangen er søknadsbasert og foreløpig begrenset til godkjente forskere og ekspertorganisasjoner (OpenAI), og deteksjonsraten svinger kraftig med tekstlengde og redigering. Et negativt funn er ikke et bevis på at teksten er menneskeskrevet.

Hva med tekst vi har redigert kraftig?

Da er vannmerket antakelig svekket eller borte. Ved 25 prosent synonymbytte falt deteksjonsraten til 17 prosent i OpenAIs egne tester. Det betyr at du ikke kan la det maskinlesbare laget avgjøre hva som skal merkes mot kunden. Sett en intern terskel for hvor mye menneskelig bearbeiding som skal til før teksten regnes som din egen, og dokumenter valget.

Oppsummering og neste steg

Kravet er på plass i EU, teknologien er rullet ut av de store leverandørene, og den norske loven kommer etter. Vannmerking løser et avgrenset problem godt: lange, ubearbeidede AI-tekster kan spores tilbake til modellen som skrev dem. Den løser ikke det problemet norske virksomheter faktisk har, som er å være tydelige nok mot kunden i korte, redigerte og hyppige tekster.

Derfor er den praktiske konklusjonen enklere enn regelverket. Du trenger oversikt over hvor AI skriver, en beslutning om hva som merkes, en skriftlig bekreftelse fra leverandøren, og en logg som viser hva du valgte og når. Det er fire leveranser, ikke et prosjekt.

De tre beslutningene du bør ta nå

Først: bestem hvilke flater som skal merkes mot kunden, og skriv formuleringen. Deretter: sjekk om merking er slått på hos leverandøren, siden API-tilgang leveres med funksjonen av som standard (OpenAI). Til sist: bestem at vannmerket aldri skal brukes som bevis internt, og si det høyt før noen prøver.

Når proposisjonen kommer våren 2027 og loven etter hvert trer i kraft, blir oppgaven å justere noe som allerede virker. De som venter, skal bygge alt samtidig som tilsynet begynner å spørre. Forskjellen mellom de to situasjonene er arbeidet du gjør i løpet av en uke nå.

I Alura kombinerer vi teknisk AI-kompetanse med praktisk forståelse for GDPR, EU AI Act og Datatilsynets forventninger. Vi hjelper norske virksomheter å bygge AI som tåler en revisjon, uten å bremse innovasjonen.

Bestill en compliance-vurdering: vi kartlegger dine AI-systemer mot gjeldende og kommende krav, og leverer en handlingsplan som faktisk er gjennomførbar. Uforpliktende.

Kilder

Digi.no. Nye EU-regler for AI: Norge og EØS henger ennå langt etter | Digi.no
Aftenposten (2024). Nye EU-regler for AI, Norge og EØS henger ennå langt etter
OpenAI. OpenAI outlines approach to EU text provenance rules
IEEE Spectrum. How AI Watermarks for Text Balance Clarity and Control - IEEE Spectrum
arXiv. Adoption of Watermarking Measures for AI-Generated content and Implications under the EU AI Act
arXiv (2025). Watermarking for AI Content Detection: A Review on Text, Visual, and Audio Modalities
Anthropic (2026). How Claude's text watermarking works \ Anthropic
EU-kommisjonen (2023). Generative AI and watermarking - European Parliament
The Verge. OpenAI rolls out text watermarking in ChatGPT and Codex, starting in the EU