Passe textos mais antigos e canónicos, escritos por humanos, por detetores de IA e eles ainda podem devolvê-los como gerados por IA. Isso revela algo que as páginas de marketing dos fornecedores não revelam: a ferramenta não está a medir aquilo que o seu nome afirma medir.
Essa lacuna é o tema central. Um detetor de texto por IA não deteta autoria por IA. Deteta um tipo de escrita, texto cuja assinatura estatística se assemelha ao resultado de IA com que o detetor foi treinado. Quando a escrita humana calha partilhar essa assinatura, o detetor sinaliza-a, e não consegue distinguir a diferença. As pessoas que perdem bolsas, contratos e reputação académica por causa de uma pontuação percentual estão do lado errado dessa confusão.
É isto que a pontuação representa, porque é que os erros são estruturais em vez de uma falha que a próxima versão vai corrigir, sobre quem recaem, e o que é que uma instituição séria pode usar em alternativa. É por isso que os detetores de IA estão errados no único contexto onde a questão realmente importa: decisões de alto risco sobre pessoas reais.
A versão curta
- Os detetores de IA medem semelhança estatística, não autoria. Uma pontuação de "IA" elevada significa que o texto se parece com a escrita que o detetor foi treinado para associar à IA. Não estabelece que uma máquina o produziu, e não consegue estabelecê-lo.
- A taxa de falsos positivos é um limite mínimo matemático, não uma falha de engenharia. Uma formulação matemática de 2026 argumenta que qualquer detetor útil, baseado apenas em texto e de disparo único, enfrenta acusações falsas a uma taxa definida pelo grau de sobreposição entre a escrita humana e a escrita de IA. Modelos melhores não a eliminam.
- Os erros recaem com maior força sobre os escritores disciplinados. Falantes não nativos de inglês e escritores em estilos disciplinados e restritos, incluindo autores científicos, jurídicos e técnicos, são sinalizados com mais frequência, porque a prosa limpa e previsível partilha o perfil estatístico que os detetores leem como "IA".
- A proveniência é a abordagem que está a substituir a deteção estatística. As marcas de água (SynthID) e as credenciais de conteúdo assinadas (C2PA) registam a origem no momento da geração, em vez de a adivinharem depois. Isso é verificável, mas apenas para o conteúdo em que as ferramentas conformes tocaram.
O Que Este Artigo Não Aborda
- Não é uma classificação de qual detetor é o "melhor". O argumento aqui é que a questão da classificação é a errada.
- Não é um guia para escapar à deteção. Há muitos desses noutros lugares; isto é sobre o que a medição significa.
- Não é aconselhamento jurídico para uma acusação específica. Se está a contestar uma, fale com alguém que trate disso.
- Não é um tutorial. Não há nenhuma ferramenta para instalar nem nenhuma configuração para copiar.
O Que É Que os Detetores de IA Estão Realmente a Medir?
Um detetor de texto por IA mede o quão de perto um texto se assemelha a texto gerado por IA, usando três sinais: perplexidade, irregularidade e classificadores treinados. Reporta uma probabilidade de o texto ter sido escrito por máquina. O que não faz, e estruturalmente não consegue fazer, é verificar quem ou o que produziu o texto. Inspeciona as palavras e infere, nunca o processo que as criou.
Perplexidade é o quão "surpreendido" um modelo de linguagem fica com a palavra seguinte numa sequência. O texto de IA tende a escolher o token seguinte estatisticamente mais provável em cada passo, o que se lê como perplexidade baixa. A escrita humana toma rumos mais estranhos e pontua mais alto. Irregularidade mede a variação no comprimento e na estrutura das frases. Os humanos misturam frases curtas e longas; a IA tende para a uniformidade. Um detetor combina as duas numa pontuação composta. A abordagem de classificador treinado dispensa os sinais escolhidos à mão e, em vez disso, aprende padrões latentes a partir de grandes conjuntos de dados de texto humano e de IA etiquetado.
Cada sinal tem a mesma falha, vestida com roupas diferentes. A irregularidade não consegue separar "escritor humano disciplinado" de "IA"; tanto uma peça jurídica como um chatbot produzem variância baixa. Os classificadores treinados no resultado de um modelo não se transferem para o seguinte. O benchmark RAID, uma das maiores avaliações publicadas de detetores de texto por IA, testou mais de 6 milhões de gerações em 11 modelos, 8 domínios, 11 ataques adversariais e 4 estratégias de descodificação. A sua conclusão central é que os detetores são facilmente enfraquecidos por ataques adversariais, alterações de amostragem, penalizações de repetição e geradores nunca vistos. E a perplexidade tem um problema de precisão que vale a pena enunciar claramente.
O problema do modelo-substituto. Para medir a perplexidade de um texto com exatidão, é preciso a distribuição de probabilidade completa (os logits) do modelo exato que o escreveu. Os detetores quase nunca a têm; estimam a perplexidade com um modelo-substituto em vez disso. Quando o modelo que escreve e o modelo que mede diferem, o que é o caso normal, o número da perplexidade carrega um erro sistemático incorporado desde o início. O método estatístico mais sofisticado até à data, Binoculars, reduz esse ruído comparando a perplexidade de dois modelos relacionados, e continua a medir as estatísticas do texto, não a origem dele.
Essa última oração é o ponto central de toda a secção. Todos os métodos aqui, desde um limiar de perplexidade rudimentar até ao Binoculars, estão a ler as propriedades das palavras. Nenhum deles observa o ato de escrever. Medem a semelhança com uma distribuição de treino.
Semelhança não é autoria, esse é o problema inteiro, em cinco palavras.
Porque É Que os Detetores de IA Produzem Tantos Falsos Positivos?
Os detetores sinalizam a escrita humana como IA porque sinalizam qualquer escrita cujas propriedades estatísticas se assemelham ao resultado de IA. Uma formulação matemática de 2026 trata isto como mais do que um erro de afinação: quando o avaliador não conhece a distribuição de escrita individual de cada pessoa, as acusações falsas são inevitáveis, a uma taxa definida pelo grau de sobreposição entre a escrita humana e a de IA. O limite mínimo é real, e não se move.
O artigo é o de Garland, de 2026, "AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits." A teoria de deteção convencional trata a tarefa como um teste entre duas distribuições conhecidas: é assim que se parece a escrita humana, é assim que se parece a escrita de IA, decide qual delas produziu o texto. O argumento de Garland é que o lado humano não é uma distribuição. O estilo natural de cada pessoa é a sua própria distribuição, e o estilo de algumas pessoas sobrepõe-se fortemente ao resultado de IA. Em termos estatísticos, a hipótese nula é composta (um conjunto de muitas distribuições em vez de uma única), e um detetor baseado apenas em texto e de disparo único, a trabalhar contra uma nula composta, não tem forma de evitar acusações falsas.
"Qualquer detetor baseado apenas em texto e de disparo único, com poder útil, tem de produzir acusações falsas a uma taxa governada pela sobreposição distribucional entre a escrita dos estudantes e o resultado de IA." Garland, 2026 (arXiv:2603.20254)
Vale a pena ser preciso quanto à consequência, porque é o que separa isto da habitual formulação "os detetores ainda não são perfeitos". O limite vem da diversidade da população, não da qualidade do modelo. Um detetor melhor, um conjunto de treino maior, um classificador mais inteligente: nenhum deles lhe toca, porque a sobreposição de que depende é uma propriedade da forma como as pessoas escrevem, não do quão bem a ferramenta está construída. A própria linha de orientação de Garland decorre diretamente disto: "as pontuações de deteção não devem servir como única prova em processos por má conduta."
O registo empírico alinha-se com a matemática. A OpenAI construiu um classificador para o resultado dos seus próprios modelos, viu-o identificar texto de IA apenas 26% das vezes enquanto sinalizava falsamente humanos 9% das vezes, e desativou-o em julho de 2023, invocando a sua baixa fiabilidade "dado que os educadores poderiam estar a fazer juízos sobre estudantes com consequências potencialmente duradouras." Um estudo de 2026 revisto por pares no International Journal of Educational Integrity colocou o Turnitin em 61% e o Originality.ai em 69% de exatidão em condições reais num conjunto de dados misto, muito longe dos 99% das páginas de marketing. Um benchmark da hCaptcha concluiu que nenhum detetor público que testou superou o acaso. A Curtin University desativou posteriormente a funcionalidade de deteção de escrita por IA do Turnitin a partir de 1 de janeiro de 2026, invocando a necessidade de confiança, clareza, justiça e avaliação preparada para o futuro.
Depois multiplique pela escala. A Vanderbilt desativou o detetor do Turnitin depois de fazer as contas com base no seu próprio volume: a uma taxa de falsos positivos alegada de 1% em 75,000 submissões anuais, cerca de 750 estudantes por ano seriam erradamente sinalizados. Essa é a estimativa baixa, retirada do próprio número otimista do fornecedor.
A taxa de falsos positivos é um limite mínimo definido pelo quão diferentemente as pessoas escrevem, não um teto que a próxima versão baixa.
Quem É Que É Falsamente Sinalizado Com Mais Frequência?
Sim, os detetores são tendenciosos, e sistematicamente. Escritores não nativos de inglês e escritores em estilos disciplinados e restritos (jurídicos, científicos, técnicos) são sinalizados com mais frequência porque a sua escrita pode carregar o perfil de perplexidade baixa e irregularidade baixa que os detetores leem como "IA". A tendência não é sobre quem eles são; é que a prosa cuidada, simples e previsível pode parecer estatisticamente com o resultado de máquina.
A prova fundacional é o estudo de 2023 de Liang et al. na Patterns. Sete detetores amplamente usados foram testados contra 91 redações do TOEFL de falantes não nativos de inglês e 88 redações de alunos do oitavo ano dos EUA de falantes nativos. Os detetores classificaram erradamente mais de metade das redações não nativas (uma taxa média de falsos positivos de 61.3%) enquanto pontuavam quase na perfeição no conjunto de falantes nativos. Os sete detetores sinalizaram unanimemente 19.8% das redações do TOEFL escritas por humanos como sendo de autoria de IA.
A experiência que encerra o caso é a intervenção. Quando os investigadores usaram o ChatGPT para enriquecer o vocabulário das mesmas redações não nativas de modo a soarem mais como de um nativo, a taxa de falsos positivos caiu de 61.3% para 11.6%. Tornar o texto mais tocado pela IA fez os detetores sinalizá-lo menos, porque aquilo a que estavam a reagir desde sempre era a previsibilidade do vocabulário, não a autoria. O sinal que impulsionava a acusação era a perplexidade, e a perplexidade nunca foi uma medida de quem escreveu as palavras.
O padrão não se detém na proficiência linguística. BAID, o primeiro benchmark sistemático de tendência, avaliou detetores em sete eixos sociolinguísticos (demografia, idade, nível de escolaridade, dialeto, formalidade, inclinação política e tema) ao longo de mais de 200,000 amostras, e encontrou disparidades consistentes nos sete. Rashidi et al. descobriram que um detetor de texto por IA identificou erradamente até 8% de resumos científicos conhecidos como escritos por humanos como sendo gerados por IA, usando resumos publicados entre 1980 e 2023, porque a escrita médica e científica assenta em vocabulário restrito, formulações comedidas e estrutura padronizada. A escrita jurídica é formulaica por natureza. The Authors Guild expôs a versão desta questão relativa aos escritores profissionais de forma clara: quanto mais refinado e controlado é o estilo de um escritor, mais se assemelha ao resultado que estas ferramentas foram construídas para sinalizar.
Os escritores com maior probabilidade de serem falsamente acusados são aqueles que escrevem das formas mais disciplinadas e restritas, exatamente o oposto do que a "batota" preveria.
Se os Detetores Funcionam, Porque É Que Qualquer Pessoa Consegue Contorná-los?
Contornar um detetor é rotineiro, não engenhoso. Os detetores já pontuam baixo, e a manipulação adversarial baixa-os ainda mais; a paráfrase adversarial corta as taxas de verdadeiros positivos dos detetores numa média de 88%. A corrida ao armamento é assimétrica por construção: um detetor tem de defender todos os caminhos de evasão em simultâneo, enquanto uma ferramenta de contorno só tem de vencer o único padrão que o detetor mede no momento.
Os números vêm diretamente da investigação. Perkins et al. (2024) mediram a exatidão dos detetores em 39.5% em texto gerado por máquina, caindo para 17.4% assim que se aplicaram técnicas de evasão. Cheng et al. (2025) descobriram que a paráfrase adversarial reduziu as taxas médias de verdadeiros positivos em 87.88% nos vários tipos de detetores, e cortou o Fast-DetectGPT em 98.96%. Sadasivan et al. (2023) mostraram que a paráfrase recursiva pode reduzir acentuadamente o desempenho dos detetores, incluindo para detetores baseados em marcas de água, mantendo o texto legível. Em torno destas conclusões situa-se toda uma contra-indústria de ferramentas "humanizadoras" cuja função é reescrever texto de IA até este pontuar como humano, e a existência dessa indústria é em si prova sobre o que os detetores medem. Não se consegue construir uma ferramenta fiável para derrotar uma medida de autoria. Consegue-se construir uma para derrotar uma medida de estatísticas de texto, e as pessoas fizeram-no.
A assimetria é estrutural, e nota-se na cadência de lançamentos. Quando o Turnitin lançou uma funcionalidade de deteção de contornadores de IA em agosto de 2025, uma tentativa de apanhar texto que tivesse sido passado por humanizadores, os fornecedores de humanizadores começaram rapidamente a anunciar as suas próprias alegações de contorno. Cada atualização de detetor define um novo alvo; cada alvo é atingido.
Há uma inferência que o leitor pode tirar de tudo isto, e vale a pena marcá-la como inferência e não como facto. Lidos desta forma, os detetores estão sobretudo a apanhar pessoas que submetem resultado de IA em bruto e não editado: os utilizadores menos motivados e menos cuidadosos. Aqueles que uma política mais quer apanhar são aqueles que mais facilmente escapam.
A corrida ao armamento não é uma lacuna temporária que os fornecedores vão fechar. É assimétrica por conceção.
O Que Estão as Instituições a Fazer Agora?
Uma lista crescente de universidades (Vanderbilt, Yale, Curtin, o University of Waterloo, e mais) desativou ou restringiu o detetor de IA do Turnitin, invocando o volume de falsos positivos, a tendência contra falantes não nativos, as pontuações instáveis e a falta de transparência. Outras mantiveram-no apenas como sinal consultivo, nunca como base única para uma acusação. O veredito institucional está a chegar de forma independente dos artigos académicos, e concorda com eles.
O raciocínio está documentado e é específico. Vanderbilt invocou quatro fundamentos quando desativou a funcionalidade em agosto de 2023: a aritmética das 750 falsas acusações por ano, a tendência contra falantes não nativos, a ausência de qualquer explicação de como o Turnitin chega ao seu veredito, e preocupações de privacidade quanto à submissão de dados a terceiros. A Curtin University anunciou que, a partir de 1 de janeiro de 2026, a funcionalidade de deteção de escrita por IA do Turnitin seria desativada em todos os campus e períodos letivos, mantendo-se ativas as verificações regulares de correspondência de texto. A University of Waterloo descontinuou a funcionalidade de deteção de IA do Turnitin a partir de setembro de 2025, após consulta académica interna. A University of Texas at Austin não aprova software de deteção de IA, não tem contratos centrais nem ordens de compra com funcionalidades de deteção de IA ativas, e classifica este software como de alto risco para aquisição. As orientações do corpo docente de instituições incluindo MIT e Stanford chegam à mesma lição prática: os detetores de IA têm taxas de erro elevadas, falsos positivos e riscos de tendência, pelo que não devem ser tratados como prova decisiva.
Por baixo da linguagem das políticas estão pessoas. Marley Stevens, uma estudante da University of North Georgia, foi sinalizada pelo Turnitin num trabalho que escreveu ela própria, ficou em regime de vigilância académica, e perdeu a sua HOPE Scholarship; ela diz que apenas tinha passado o texto pelo Grammarly. Na UC Davis, uma estudante acusada de usar IA foi mais tarde ilibada depois de mostrar o histórico de edições do Google Docs, e um teste separado conduzido por estudantes reportou que o GPTZero sinalizou falsamente 40% de 247 documentos sem IA. Estes não são os casos extremos que a taxa de erro arredonda. Aos volumes a que estas ferramentas funcionam, são a taxa de erro tornada visível.
O Que É Que Substitui a Deteção Estatística?
A resposta emergente é a proveniência: em vez de inspecionar texto acabado e adivinhar a sua origem, registar um sinal de origem verificável no momento da geração. Duas abordagens estão a convergir, a marca de água SynthID da Google DeepMind e a norma C2PA Content Credentials, emparelhadas com provas mais antigas como o histórico de rascunhos e o trabalho feito na aula. A proveniência não adivinha melhor. Muda a questão para uma que pode ser respondida.
SynthID funciona empurrando as probabilidades dos tokens à medida que um modelo gera texto, deixando um padrão estatístico que um verificador pode mais tarde procurar. A Google implementou o SynthID em imagens, texto, áudio e vídeo gerados; a sua implementação em imagens e fotogramas de vídeo já foi usada para marcar mais de 10 mil milhões de imagens e fotogramas de vídeo, e a Google fornece agora um portal SynthID Detector para os meios suportados. Os seus limites estão documentados: funciona melhor em resultados mais longos e variados, tem mau desempenho em respostas curtas ou puramente factuais (só há uma forma correta de escrever a capital de França, por isso não há nada para modular), e a sua confiança degrada-se sob reescrita ou tradução pesada. Também não consegue ver texto de qualquer modelo que não o implemente.
C2PA Content Credentials adotam a abordagem complementar: metadados assinados criptograficamente anexados no momento da criação, registando que ferramenta fez o conteúdo e quando. A OpenAI juntou-se ao comité diretor da C2PA em maio de 2024. Em maio de 2026, expandiu a sua pilha de proveniência para resultados de imagem suportados, emparelhando as C2PA Content Credentials com a marca de água SynthID da Google DeepMind e apresentando em pré-visualização ferramentas de verificação. As duas camadas apoiam-se mutuamente. Os metadados assinados são ricos mas podem ser removidos ao voltar a carregar, ao passo que uma marca de água SynthID sobrevive a capturas de ecrã e a mudanças de formato mas carrega menos informação. O senão é o mesmo que limita todos os esquemas de proveniência: verifica conteúdo de ferramentas que participam, e nada diz sobre conteúdo de ferramentas que não participam. A cobertura é voluntária, e só cresce à medida que a adoção cresce.
É por isso que o campo não se detém nas marcas de água. As alternativas em que as orientações universitárias e o consenso da comunidade continuam a assentar são procedimentais: exigir histórico de rascunhos e commits de versão, integrar componentes curtos feitos na aula ou orais, e conceber avaliações que sejam difíceis de fingir sem envolvimento genuíno. E quando um sinal de facto surge, tratá-lo como a abertura de uma conversa, não o encerramento de um caso.
Essa é a conclusão concreta que um avaliador pode levar às partes interessadas. A deteção estatística pergunta "este texto parece IA?", uma questão que, segundo Garland, não tem resposta fiável. A proveniência pergunta "uma ferramenta conforme assinou isto?", uma questão que tem uma resposta verificável, para o subconjunto de conteúdo em que essas ferramentas tocaram. A troca é uma cobertura mais estreita por uma afirmação que se consegue realmente sustentar, o que é a melhor posição em que se pode estar quando a reputação de uma pessoa está em jogo.
Exatidão Anunciada vs. Conclusões Independentes
As alegações de exatidão dos fornecedores e as medições independentes não estão próximas. A tabela abaixo confronta o número anunciado de cada ferramenta com o que os testes independentes encontraram. Não é um guia de compra; não há coluna de "recomendado", porque o argumento deste artigo é que a formulação por trás de uma coluna dessas está errada. É um registo da lacuna.
| Ferramenta | Exatidão / FPR anunciada pelo fornecedor | Conclusão independente |
|---|---|---|
| GPTZero | 99% de exatidão, 1% de taxa de falsos positivos | 16% de taxa de falsos positivos em redações escritas por humanos num estudo de 78 redações |
| Turnitin | <1% de taxa de falsos positivos | 61% de exatidão global num estudo de 2026 do International Journal for Educational Integrity |
| ZeroGPT | 98.5% de exatidão de deteção | 83% de falsos positivos em resumos médicos escritos por humanos num estudo de cirurgia do pé e tornozelo |
| Originality.ai | 99%+ de exatidão / alegações de baixos falsos positivos, consoante o modelo | 76% de exatidão global na revisão de 2024 da Scribbr; 69% de exatidão global num estudo de 2026 em contexto académico |
| Copyleaks | Mais de 99% de exatidão | A exatidão caiu para 71% em texto humanizado gerado pelo DeepSeek num estudo de detetores de 2025 |
| classificador da OpenAI | N/A | 26% de taxa de verdadeiros positivos, 9% de taxa de falsos positivos; descontinuado em 20 de julho de 2023 por baixa exatidão |
Estes números não são diretamente comparáveis como pontuações de benchmark porque cada teste usou conjuntos de dados, limiares e condições de escrita diferentes. O ponto é a lacuna recorrente entre as alegações controladas dos fornecedores e as avaliações mais confusas do mundo real ou independentes.
Perguntas frequentes
O Que É Que um Detetor de Texto por IA Deteta Realmente: IA, ou um Tipo de Escrita?
Deteta um tipo de escrita. Um detetor mede se o texto se assemelha estatisticamente ao resultado de IA: perplexidade baixa e irregularidade baixa, ou uma correspondência aos padrões aprendidos de um classificador treinado. Não consegue verificar autoria. Uma pontuação elevada significa que a escrita se parece com o texto de IA com que a ferramenta foi treinada, não que uma máquina o produziu.
Porque É Que a Minha Redação Escrita por Humano Foi Sinalizada Como Gerada por IA?
Porque a sua escrita partilha o perfil estatístico de perplexidade baixa que os detetores leem como IA, um perfil comum na escrita polida, técnica ou de não nativos de inglês. O detetor reage ao vocabulário previsível e à estrutura frásica uniforme, não à autoria. Uma sinalização é uma afirmação sobre as estatísticas do seu texto, não prova de que usou IA.
Os Detetores de IA São Tendenciosos Contra Falantes Não Nativos de Inglês?
Sim, de forma mensurável. Liang et al. (2023) encontraram uma taxa média de falsos positivos de 61.3% em redações do TOEFL de escritores não nativos, contra quase zero em redações de falantes nativos. O benchmark BAID encontrou mais tarde disparidades semelhantes em sete eixos, incluindo dialeto, formalidade e tema. A causa é estatística: o vocabulário restrito lê-se como perplexidade baixa, que os detetores interpretam erradamente como IA.
Porque É Que o Mesmo Texto Obtém Pontuações de Deteção de IA Diferentes em Análises Repetidas?
Porque as pontuações dos detetores são estimativas baseadas em modelos, não observações diretas de autoria. Os limiares, o comportamento do classificador, o pré-processamento e as atualizações da ferramenta podem todos afetar a percentagem final, pelo que uma pontuação deve ser tratada como um sinal fraco em vez de uma medição estável.
O Que É Que as Organizações Devem Usar em Vez de Detetores de Texto por IA?
Ferramentas de proveniência (marca de água SynthID e C2PA Content Credentials) para conteúdo de geradores conformes, emparelhadas com provas de processo como histórico de rascunhos, commits de versão e trabalho feito na aula, mais avaliações reformuladas para exigir envolvimento genuíno. Qualquer resultado de detetor deve iniciar uma conversa, nunca servir como única prova numa decisão que afete a reputação de alguém.
