Das lernst du
Neue Pflichten, ein altes Missverständnis
Seit dem 2. August 2026 gelten in der EU neue Transparenzpflichten für KI-generierte Inhalte. Anbieter generativer KI-Systeme müssen technisch geeignete, maschinenlesbare Kennzeichnungen ermöglichen. Bei Deepfakes und bestimmten Veröffentlichungen zu Themen von öffentlichem Interesse kann zusätzlich eine sichtbare Kennzeichnung nötig sein.
Das heißt aber nicht, dass jeder von Claude, ChatGPT oder Gemini erzeugte Text automatisch ein nachweisbares statistisches Wasserzeichen enthält. Welches Verfahren ein Anbieter einsetzt, steht in dessen offizieller Dokumentation — und nur dort.
Unabhängig davon hinterlassen KI-Tools und Dateiprogramme andere Spuren: unsichtbare Unicode-Zeichen, ungewöhnliche Leerzeichen, EXIF- und XMP-Metadaten, Dokumenteigenschaften oder C2PA-Herkunftsinformationen. Genau hier setzt das Open-Source-Projekt watermarks-remover an.
Was das Werkzeug kann
Das Projekt unterscheidet drei Bereiche — und die sind sehr unterschiedlich zuverlässig.
Zero-Width-Spaces, bidirektionale Steuerzeichen, ungewöhnliche Leerzeichen. Diese lassen sich zuverlässig finden, zählen und entfernen.
Manche Verfahren beeinflussen, welche Wörter ein Modell wählt. Das Muster steckt nicht als Zeichen in der Datei, sondern verteilt sich über den Text. Es lässt sich durch Umschreiben abschwächen — aber nicht beweisbar tilgen.
Unterstützt werden u. a. PNG, JPEG, WebP, SVG, PDF, DOCX, EPUB, ODT, HTML und Markdown. Je nach Format lassen sich EXIF-, XMP-, Dokument- und bestimmte C2PA-Informationen prüfen oder entfernen.
Die wichtigste Einschränkung
Metadaten zu entfernen ist nicht dasselbe wie ein statistisches Text-Wasserzeichen zu entfernen. Ein bereinigter Text kann von einem KI-Detektor weiterhin als möglicherweise KI-generiert eingestuft werden — solche Detektoren bewerten Stilmerkmale, kein eingebettetes Zeichen. Umgekehrt ist ein positives Detektor-Ergebnis kein Beweis, dass ein Text von einer KI stammt.
Guide zum Mitnehmen
Hol dir den vollständigen Guide als PDF.
Der ganze Artikel zum Mitnehmen — inkl. Checkliste, Befehlen und Ablauf. Damit du ihn nicht noch einmal suchen musst.
Installation & erster Test
Die Anleitung bezieht sich auf Version 0.5.0. Du brauchst git und Python ab 3.10. Projekt herunterladen:
git clone https://github.com/guillaumemeyer/watermarks-remover.git cd watermarks-remover python3 --version
Python sollte mindestens 3.10 anzeigen. Die grundlegenden Textfunktionen brauchen laut Projekt keine zusätzlichen Pakete. Jetzt ein erster Test — untersuchen, dann eine Kopie bereinigen:
python3 service/scripts/inspect_file.py artikel.txt python3 service/scripts/clean_file.py artikel.txt -o artikel.cleaned.txt
Die Originaldatei bleibt erhalten. Weiterverarbeitet wird zunächst nur artikel.cleaned.txt — nachdem du den Inhalt kontrolliert hast.
Dateien untersuchen und bereinigen
Für Bilder und Dokumente gilt derselbe Zweischritt: erst inspect_file.py, dann clean_file.py mit einer neuen Ausgabedatei. Das funktioniert für .png, .docx, .pdf und weitere Formate gleich.
clean_text.py direkt auf PDF-, DOCX- oder Bilddateien anwenden. Dafür ist clean_file.py vorgesehen — reine Textwerkzeuge nur auf Textdateien.
Bei PDFs hängt die Gründlichkeit von Zusatzprogrammen ab: qpdf für die strukturelle Neuerstellung, exiftool für verbleibende Metadaten, c2patool für C2PA-Manifeste. Nach jeder Bearbeitung: Datei öffnen und prüfen, ob Links, Formulare, Signaturen und eingebettete Inhalte erhalten sind.
Deine 2-Minuten-Aufgabe
Nimm eine Datei, die du bald veröffentlichst. Was vermutest du an Spuren?
Danach führst du inspect_file.py aus und vergleichst — so lernst du deine eigenen Quellen kennen.
Statistische Textmuster abschwächen
Das Projekt kann Texte umschreiben lassen — ohne eingerichtetes Sprachmodell erzeugt es zunächst nur eine passende Anweisung (--backend print-prompt), die du dann in einem Modell deiner Wahl nutzt. Das hat aber klare Nachteile:
Nach einer Überarbeitung immer die Unicode-Bereinigung erneut ausführen.
Der empfohlene Arbeitsablauf
Für normale Texte und Website-Inhalte hat sich dieser Ablauf bewährt. Hak ab, was du erledigt hast:
Was nicht funktioniert
Text in einen einfachen Editor kopieren entfernt vielleicht Formatierung und Metadaten — ein statistisches Muster in der Wortwahl aber nicht. Ebenso wenig helfen:
Umgekehrt gilt: Nicht jedes unsichtbare Zeichen ist eine KI-Kennzeichnung. Solche Zeichen stammen oft aus Textverarbeitung, Webseiten, PDF-Konvertierung oder legitimer Typografie.
Rechtliche und redaktionelle Hinweise
Die EU-Transparenzpflichten gelten seit dem 2. August 2026 und betreffen vor allem maschinenlesbare Kennzeichnungen der Anbieter sowie die Offenlegung von Deepfakes und bestimmten KI-Veröffentlichungen zu Themen öffentlichen Interesses. Für redaktionell geprüfte Inhalte können Ausnahmen gelten.
Technische Metadaten zu entfernen hebt eine gesetzliche, vertragliche oder redaktionelle Kennzeichnungspflicht nicht auf. Prüfe bei Veröffentlichungen unabhängig von der Bereinigung, ob die Nutzung von KI offengelegt werden muss. Und: Nutze das Werkzeug nur für Inhalte, die du selbst erstellt hast oder bearbeiten darfst.
Dein nächster Schritt
Nimm heute eine Datei, untersuche sie mit inspect_file.py und bereinige eine Kopie. Der Rest ergibt sich aus dem Bericht.
Solche praxisnahen Systeme schicke ich jede Woche per Newsletter — ein System, ein Tool, ein Prompt. Kurz, konkret, sofort anwendbar.
Passt dazu
Christopher Thanisch
Ich übersetze KI in brauchbare Systeme für den Arbeitsalltag — Systeme statt Hypes.