OpenAI 推出 textGrain，直接回應《歐盟 AI 法案》的要求：生成式 AI 的輸出必須能以機器可讀的方式辨識。從原理上來說，textGrain 會微調模型選擇 token 的方式，讓生成的文字序列帶有可偵測的統計模式。這種浮水印對讀者不可見，預計由 OpenAI 選擇性開放存取權限的偵測器來辨識。對產品與法遵團隊而言，眼前的意義很明確：業界現在有了可用於標示模型參與文字生成的成熟機制，但其特性與法律效力有限，而且會因情境而異。

實證評估顯示，textGrain 在理想條件下表現良好：文章越長、用詞越靈活，偵測率就越高。在採取保守的誤報率目標時，對篇幅較長且不受限的文字，偵測率可接近 95%；但對較短、約 200 個 token 的段落，則會降至約 80%，而在數學等用詞選擇受限的領域，偵測率更低。編輯或部分改寫會大幅降低可偵測性：只要將一定比例的詞換成同義詞，偵測表現就可能從強轉弱。這些特性也讓它在實際應用與法遵情境中，存在可預期的盲點。

OpenAI 的推行計畫在法規義務與技術審慎之間取得平衡。全球 API 客戶可以選擇啟用帶有浮水印的輸出；在歐盟，符合資格的 ChatGPT 與 Codex 輸出則會自動加入 textGrain。OpenAI 暫不公開偵測器，而是先向通過核准的研究人員與專業機構開放，讓他們研究其效能與限制。這種限制偵測器存取權限的做法，反映出誤報或漏掉浮水印可能誤導執法或平台內容審核的風險，也再次凸顯：偵測結果應搭配其他訊號一併判讀。

實際上，文字的來源追溯比影像或音訊更困難，因為文字很容易編輯、壓縮、翻譯與改寫，而這些操作都會迅速削弱統計訊號。影像浮水印與檔案憑證即使遇上中繼資料遭移除或檔案重新壓縮，也可能保留下來；文字則沒有固定的「容器」，語意也能在不留下持久來源資訊的情況下被重新改寫。決策者應注意，浮水印必須納入多層次的來源追溯架構：中繼資料、使用者揭露、行為訊號與平台控管，都是 textGrain 仍不可或缺的配套。