Detector de IA funciona?

Detector de IA não mede autoria. Mede previsibilidade

Os detectores de código aberto, e os estudos que testam os comerciais, trabalham com duas contas. A primeira pergunta, palavra por palavra, o quanto aquela palavra era esperada ali — quanto mais previsível o texto, mais suspeito. A segunda olha a variação: gente escreve em ondas, com uma frase longa depois de três curtas, e a máquina tende a manter o mesmo fôlego do começo ao fim. Os produtos pagos não publicam o método, e mais adiante isso vira um problema concreto para quem é acusado por um deles.

Repare no que isso quer dizer. O programa não sabe quem escreveu, não tem acesso a modelo nenhum e não compara com banco de textos gerados. Ele mede se o texto é fácil de adivinhar. Um texto humano simples, direto, de vocabulário pequeno, é fácil de adivinhar. É o texto de quem está aprendendo a língua, de quem escreve técnico, de quem foi treinado a escrever curto.

O estudo de Stanford que aparece na tabela mediu isso de propósito: as redações que os sete detectores acusaram por unanimidade eram justamente as mais previsíveis do lote. Não era um defeito de implementação de um fabricante. Era a régua fazendo exatamente o que ela foi feita para fazer.

A OpenAI desligou o detector dela mesma

Em janeiro de 2023 a OpenAI publicou um classificador de texto gerado. Nos testes da própria empresa, ele marcava como provavelmente de IA 26% dos textos que realmente eram de IA, e acusava texto humano 9% das vezes. Seis meses depois o produto saiu do ar com uma nota no alto do anúncio original: “As of July 20, 2023, the AI classifier is no longer available due to its low rate of accuracy.”

Quem tinha o modelo, os dados de treino e o incentivo comercial inteiro para acertar desistiu de detectar e foi pesquisar outra coisa: marcar a origem do texto no momento em que ele é gerado. Vale guardar essa frase para a próxima vez que um site prometer 99% de precisão em qualquer texto de qualquer modelo.

Quem paga a conta é quem escreve simples

O trabalho de Weixin Liang e colegas, publicado na revista Patterns em julho de 2023, é o número mais duro desta página. Sete detectores populares, 91 redações de TOEFL escritas por estudantes não nativos e 88 redações de alunos americanos do oitavo ano. O resultado está no artigo: as redações dos americanos passaram quase todas, e as dos estrangeiros foram acusadas em 61,22% dos casos, em média. Dezoito das 91 foram condenadas pelos sete detectores ao mesmo tempo, e 89 das 91 foram acusadas por pelo menos um.

A segunda metade do experimento é a que fecha o argumento. Os pesquisadores pediram ao ChatGPT que enriquecesse o vocabulário das redações dos estrangeiros, sem mudar o conteúdo: a taxa de acusação despencou de 61,22% para 11,77%. Depois fizeram o inverso, pedindo que o vocabulário das redações dos americanos ficasse mais simples: a acusação subiu de 5,19% para 56,65%.

Ou seja, dá para virar humano ou virar máquina aos olhos do detector trocando palavras, sem trocar quem escreveu. O texto de IA passa editado; o texto de gente reprova por ser simples. Para leitor brasileiro isso não é curiosidade acadêmica: é a descrição do que acontece com um aluno daqui entregando trabalho em inglês.

O que a maior empresa do ramo publica sobre o próprio erro

A Turnitin é o detector que a universidade compra, e a empresa é mais transparente do que a fama sugere. Ela declara menos de 1% de falso positivo por documento — e só para documentos com 20% ou mais de escrita de IA — mas cerca de 4% por frase. É a frase que aparece grifada na tela do professor, e uma em cada 25 dessas marcas é engano.

No mesmo texto a empresa escreve que o professor deve usar aquilo para iniciar uma conversa, não para tirar uma conclusão, e em outro post reforça que não determina má conduta, apenas entrega dado para o professor decidir. Quem transformou esse número em veredito não foi o fabricante.

Em agosto de 2023 a Vanderbilt University fez a conta que faltava e desligou o detector: 75.000 trabalhos recebidos em um ano, 1% de erro declarado, 750 estudantes potencialmente acusados sem ter feito nada. A universidade também registrou que o Turnitin não explica como decide, o que deixa o acusado sem ter o que contestar.

E existe um teto matemático para isso melhorar

Um grupo da Universidade de Maryland provou um limite, e ele é simples de enunciar: quanto mais o texto de máquina se parece com o de gente, menor é o desempenho do melhor detector que pode existir — não do melhor detector de hoje, do melhor possível. Quando as duas escritas ficam próximas o bastante, qualquer detector se aproxima do cara ou coroa.

Na prática do mesmo estudo, mandar um segundo programa reescrever o texto derrubou de 96,5% para 25,2% a capacidade dos detectores de separar um lado do outro, e derrubou também os que usam marca d’água. A conclusão desconfortável é que o detector fica pior conforme os modelos melhoram, e que quem quer trapacear é justamente quem escapa: passa o texto por uma reescrita e some do radar. Quem não sabe que detector existe entrega do jeito que escreveu.

A marca d’água é o caminho que sobrou, e não resolve a sala de aula

A alternativa séria não é adivinhar depois, é marcar na hora. Em 2024 o Google publicou o método que usa nos modelos dele: na hora de escolher a próxima palavra, o gerador desloca de leve a probabilidade de cada opção, e o padrão que sobra é reconhecível depois por quem tem a chave, sem que o leitor perceba diferença.

Funciona, e ainda assim não serve para o professor que recebeu um trabalho. A marca só existe se quem gerou o texto a aplicou, então qualquer outro modelo sai limpo; o próprio Google diz que ela fica fraca em texto curto e em resposta factual, e que reescrever ou traduzir derruba a confiança da detecção. A marca prova a origem quando está lá; quando não está, não prova nada — e é sempre a ausência que sobra para quem foi acusado.

No Brasil a acusação costuma vir sem prova nenhuma

A reportagem da Aos Fatos de julho de 2023 já registrava a cena: um grupo de alunos de Ciência da Computação no Rio levou zero porque o professor disse que era ChatGPT, sem apresentar nada. A mesma equipe testou as ferramentas e colou um trecho de Era dos Extremos, livro de 1994: o ChatGPT respondeu que o texto tinha sido escrito por ele. Três detectores especializados, no caminho inverso, deram texto de IA como humano.

Em março de 2026, USP, Unesp e Unicamp publicaram diretrizes de uso de IA e o caminho escolhido foi outro: declarar o uso — qual ferramenta, qual versão, quais comandos — em vez de caçar quem usou. As reportagens registram professores voltando a prova oral e apresentação em sala, e o motivo declarado para não apostar em detecção automática é o mesmo desta página: acusação equivocada.

A régua daqui também erra, e o erro está publicado

Seria fácil terminar este texto vendendo a nossa ferramenta como a que funciona. Ela não é um detector, e é bom dizer isso com todas as letras: o analisador de texto com cara de IA não estima probabilidade de autoria, não diz quem escreveu e não tem como saber. Ele mede lero-lero — muleta, fórmula pronta, hesitação, ausência de dado. Um texto gerado com direção tira nota alta aqui, com razão, e um texto humano cheio de encheção de linguiça tira nota baixa, também com razão.

O que ela cobra mais caro está no código e é isto: medo de afirmar vale 34, pouco dado conferível vale 20, não nomeia nada vale 17 de um teto de 85 para a forma inteira. Nenhuma delas pergunta quem digitou.

E ela já reprovou gente. Ao rodar a régua contra um corpus de 40 textos humanos, duas crônicas de Machado de Assis saíram com 75,3 e 75,0, logo abaixo do corte de 76 que separa a faixa limpa. O motivo era um só: crônica de jornal de 1880 não traz número, e a medida de dado conferível cobrava isso de um texto de 621 palavras. A regra escrita antes da medição diz que, nesse caso, o errado é o peso e nunca o texto — a medida ganhou um piso de tamanho e as crônicas voltaram para a faixa. Hoje os 40 textos humanos passam, o pior deles em 88,5, e seis artigos gerados sem direção nenhuma ficam entre 41,6 e 75,2.

O que essa medição prova é uma frase só, e ela é menor do que parece: a régua não reprova texto de gente. Ela não prova, e não tem como provar, que separa texto gerado de texto escrito à mão. Um detector que fosse honesto teria que publicar as duas frases separadas do mesmo jeito.

Te acusaram. E agora?

Primeiro: peça o critério por escrito. Se a acusação vier de um programa, o número dele não é prova, e o próprio fabricante escreve isso na documentação — vale imprimir a página da Turnitin e levar.

Depois: mostre o processo em vez de defender o resultado. Histórico de versões do Google Docs ou do Word, rascunhos, anotações, referências que você leu. Nenhum detector olha para isso, e é justamente o que um professor consegue avaliar.

Se você é quem avalia, a saída que as universidades brasileiras estão adotando custa menos briga: combine o que pode e o que não pode antes da entrega, peça a declaração de uso, e tire parte da avaliação da entrega escrita em casa.

De onde saiu cada número desta página

A nota da OpenAI está no post original dela, linkado acima. Uma confissão de método, porque este blog cobra isso dos outros: a página da OpenAI recusa leitura automatizada, então a citação em inglês foi lida na cobertura do Search Engine Land, que a reproduz inteira, e os 26% e 9% foram conferidos em duas coberturas independentes. Todo o resto foi lido na fonte: o estudo de Stanford e o de Maryland em PDF, os dois posts da Turnitin, o post da Vanderbilt e as reportagens brasileiras.

Os números da nossa régua saem do código e da medição de calibração dela, e os pesos citados acima são lidos do módulo no momento em que esta página é gerada — se alguém recalibrar a ferramenta, este parágrafo muda junto. A prosa desta página foi analisada no próprio analisador em 9 de agosto de 2026: tirou 100, sem um ponto de desconto. Não é vaidade, é a única demonstração honesta que cabe aqui — a régua daqui aprova este texto sabendo que ele foi escrito por uma IA, com direção humana, e é isso que ela mede.

Se você chegou aqui depois de uma acusação, ou depois de gerar um texto e querer tirar a cara de máquina dele, o analisador mostra a conta aberta e devolve o comando pronto para reescrever. Ele não vai dizer quem escreveu — nada vai.