Como funcionam os detectores de IA?

Atualizado em 31 de outubro de 2026 · 8 min de leitura

Resposta curta

A maioria dos detectores de IA que você pode usar hoje são classificadores treinados: modelos treinados com grandes conjuntos de textos escritos por humanos e por IA até aprenderem os padrões de escolha de palavras e de estrutura que diferenciam um do outro. É assim que Turnitin, GPTZero e Pangram descrevem seus detectores. Eles leem só o texto que recebem e devolvem uma probabilidade, não uma prova.

Duas outras abordagens vêm principalmente de trabalhos de pesquisa. Métodos zero-shot, como DetectGPT e Binoculars, medem o quanto um texto é previsível para um modelo de linguagem, sem treinamento com exemplos de IA. Marcas d'água são padrões estatísticos ocultos que uma empresa de IA adiciona quando o próprio modelo escreve: o Google DeepMind adicionou uma ao Gemini em 2024, enquanto a OpenAI disse naquele ano que tinha criado uma, mas estava segurando o lançamento.

Quais são as principais formas de detectar texto gerado por IA?

Método	Como funciona	Quem usa	Principal ponto fraco
Classificador treinado	Um modelo treinado com textos humanos e de IA, já rotulados, aprende a diferenciá-los	Turnitin, GPTZero, Pangram, Copyleaks, Sapling e a maioria das ferramentas comerciais	Mais fraco com modelos, temas e estilos que ficaram fora do seu treinamento
Perplexidade e burstiness	Mede o quanto cada palavra é previsível para um modelo de linguagem (perplexidade) e o quanto isso varia (burstiness)	O modelo original do GPTZero, de 2023; a ferramenta de pesquisa GLTR (2019)	Textos humanos simples e previsíveis podem parecer IA
Estatística zero-shot	Compara a probabilidade de um texto segundo um ou dois modelos de linguagem, sem treinamento com exemplos de IA	Métodos de pesquisa: DetectGPT, Fast-DetectGPT, Binoculars	A paráfrase o anula; foi testado sobretudo em modelos mais antigos
Marca d'água	A empresa de IA esconde um padrão estatístico nas palavras que seu modelo escolhe e depois procura esse padrão	SynthID-Text, do Google DeepMind, no Gemini; a OpenAI criou uma, mas segurou o lançamento	Só funciona em modelos que a adicionam; reescrever o texto a enfraquece

Como começou a detecção de texto gerado por IA?

A primeira ideia foi a previsibilidade. Um modelo de linguagem escreve escolhendo palavras prováveis para continuar o texto, então o texto de IA tende a estar cheio de palavras que um modelo teria previsto.

GLTR (2019) coloria cada palavra de acordo com o quanto ela era previsível para um modelo de linguagem. No estudo com usuários feito pelos autores, isso elevou de 54% para 72% a taxa com que as pessoas detectavam texto gerado por IA.
Perplexidade e burstiness (GPTZero, 2023). O GPTZero descrevia a perplexidade como "uma medida de quão provável seria um modelo de IA ter escolhido exatamente o mesmo conjunto de palavras" e a burstiness como "o quanto os padrões de escrita e as perplexidades do texto variam ao longo de todo o documento". A escrita humana tende a variar mais.
Por que essa abordagem foi substituída. Escrita previsível não é exclusividade da IA. Em um estudo de 2023, sete detectores da época sinalizaram redações de estudantes falantes não nativos de inglês com frequência muito maior do que redações de falantes nativos. Quando o ChatGPT reescreveu essas redações com um vocabulário mais rico, a perplexidade delas subiu e a taxa média de falsos positivos caiu de 61,3% para 11,6% (Liang et al.). O GPTZero diz que passou a usar um modelo de aprendizado profundo no outono de 2023 (hemisfério norte), embora um trecho mais antigo da mesma página ainda liste perplexidade e burstiness como um dos sete indicadores do modelo atual.

Como funciona a maioria dos detectores de IA hoje?

A maioria dos detectores comerciais são classificadores treinados: o mesmo tipo de rede neural que está por trás dos chatbots, só que treinada para separar textos humanos e de IA.

A receita básica (2019). A OpenAI fez o ajuste fino de um modelo RoBERTa para funcionar como classificador e detectou o texto do seu GPT-2, de 1,5 bilhão de parâmetros, em cerca de 95% das vezes. Classificadores dessa geração envelhecem mal: em um estudo de 2025, um detector RoBERTa de código aberto sinalizou 69% dos currículos escritos por humanos, enquanto GPTZero e Pangram não sinalizaram nenhum no melhor ponto de corte de cada um (Jabarian e Imas).
O Turnitin diz que usa "uma abordagem moderna de aprendizado profundo baseada na arquitetura transformer", treinada com "textos acadêmicos tanto gerados por IA quanto autênticos, de diversas regiões e áreas do conhecimento". Ele dá uma pontuação a cada frase e informa a proporção de frases acima de um ponto de corte.
O relatório técnico de 2026 do GPTZero descreve "uma arquitetura hierárquica e multitarefa que permite uma taxonomia flexível de textos humanos e de IA".
O Pangram treina com o que chama de "hard negative mining with synthetic mirrors" (em tradução livre, "mineração de negativos difíceis com espelhos sintéticos"): forma pares de textos humanos e textos de IA sobre o mesmo tema e retreina o modelo com os próprios erros, o que, segundo a empresa, reduz os falsos positivos. O Pangram diz que analisa "estilo de escrita, escolha de palavras, escolha sintática e estrutura gramatical".
O Copyleaks lista sinais como razões de frequência, classes gramaticais e "dispersão de sílabas", ao lado do aprendizado profundo. O Sapling calcula a probabilidade de cada palavra ou token ter sido gerado por IA e monta as pontuações das frases a partir disso.

Nenhuma dessas ferramentas consulta fontes ou lê seu histórico de edição. O Pangram diz que seu detector "não compara o texto com outros envios em um banco de dados ou na internet, como os verificadores de plágio tradicionais". Essa é outra tarefa: detectores de IA vs. verificadores de plágio.

O que são detectores zero-shot?

Métodos zero-shot dispensam treinamento com exemplos de IA. Eles usam como teste as próprias probabilidades de um modelo de linguagem. Os resultados abaixo são dos autores de cada artigo, com os modelos da época. A AUROC vai de 0,5 (o mesmo que tirar cara ou coroa) a 1,0 (perfeito).

DetectGPT (2023) constatou que "o texto amostrado de um modelo de linguagem (LLM) tende a ocupar regiões de curvatura negativa da função de log-probabilidade do modelo". Ele compara um trecho com cópias levemente alteradas dele mesmo. Em notícias falsas escritas pelo GPT-NeoX (20 bilhões de parâmetros), obteve AUROC de 0,95, contra 0,81 do melhor método zero-shot anterior.
Fast-DetectGPT (2024) substitui a etapa lenta de perturbação por amostragem. Seus autores relatam uma detecção cerca de 75% melhor que a do DetectGPT, com execução cerca de 340 vezes mais rápida.
Binoculars (2024) contrasta dois modelos de linguagem muito próximos entre si. Seus autores relatam que ele detectou mais de 90% das amostras do ChatGPT com uma taxa de falsos positivos de 0,01%, sem treinamento com nenhum dado do ChatGPT.
O problema: a paráfrase. Em um teste de 2023, um parafraseador com IA derrubou a detecção do DetectGPT em textos do GPT-2 XL de 70,3% para 4,6%, com taxa de falsos positivos de 1% (Krishna et al.).

Como funcionam as marcas d'água de IA?

A marca d'água é adicionada no momento em que o texto é gerado, pela empresa que opera o modelo. Só o texto dessa empresa carrega a marca.

O método da "lista verde" (2023). Antes de cada palavra, o modelo sorteia um conjunto de palavras "verdes" e passa a favorecê-las de leve. Um verificador que conhece o segredo consegue então identificar o padrão estatisticamente, a partir de um trecho curto, sem acesso ao modelo (Kirchenbauer et al.).
O SynthID-Text, do Google DeepMind, foi testado em quase 20 milhões de respostas reais do Gemini sem queda mensurável de qualidade e foi adicionado ao Gemini (Nature, outubro de 2024). Seus autores observam que ele depende da cooperação do provedor de IA e que "marcas d'água generativas são enfraquecidas por edições no texto, como a paráfrase feita por um LLM".
A OpenAI disse em 2024 que tinha uma marca d'água para texto "altamente precisa", mas que reescrever o texto com outro modelo ou passá-lo por uma tradução tornava a marca "trivial de contornar por pessoas mal-intencionadas", e que ela "poderia estigmatizar o uso da IA como ferramenta útil de escrita para falantes não nativos de inglês". Até essa atualização, de agosto de 2024, a empresa estava segurando o lançamento.
A paráfrase repetida derrubou a taxa de detecção de um detector de marca d'água de 99,3% para 9,7%, com taxa de falsos positivos de 1%, em um estudo (Sadasivan et al.).
A lei. O AI Act, a lei de IA da União Europeia, exige que os provedores de sistemas de IA que geram texto marquem os resultados "em formato legível por máquina", para que sejam "detectáveis como gerados artificialmente". Sistemas colocados no mercado antes de 2 de agosto de 2026 têm até 2 de dezembro de 2026 para cumprir a regra. Há uma exceção para "uma função de assistência para edição padrão", e a lei não obriga ninguém a passar os textos das pessoas por detectores.

Ou seja: uma marca d'água pode mostrar que um texto veio de um modelo que marca o que produz. Ela não pode mostrar que um texto sem marca foi escrito por humano.

Por que os detectores de IA erram?

Existe um teto. Sadasivan et al. relacionam a precisão do melhor detector possível ao quanto o texto humano e o de IA são de fato diferentes. À medida que os modelos escrevem de forma mais parecida com pessoas, a detecção fica mais difícil.
Textos curtos. Há menos padrão para medir. O QuillBot exige pelo menos 80 palavras; o Originality.ai, 100; o Turnitin, 300; e o Copyleaks recomenda pelo menos 350. O próprio classificador da OpenAI, de 2023, era "muito pouco confiável em textos curtos (abaixo de 1.000 caracteres)". Ele detectou só 26% dos textos de IA no teste da própria OpenAI e foi retirado em julho de 2023 por baixa precisão.
Modelos e contextos novos. O benchmark RAID (2024) encontrou "um viés claro a favor dos domínios e modelos com os quais os detectores foram treinados". Como os detectores se saem com Claude, Gemini e outros modelos.
Reescrita. Parafraseadores e "humanizadores" são feitos para mudar os padrões que os detectores procuram. O que a pesquisa mostra.
Edição leve com IA. Em um estudo de 2026 da Universidade de Notre Dame, resumos escritos por humanos e levemente editados por IA foram sinalizados em 38% a 80% das vezes, dependendo da ferramenta e da época.
Estilo de escrita. Escrita simples ou padronizada, incluindo alguns textos de falantes não nativos de inglês, pode parecer previsível. A pesquisa sobre falantes não nativos de inglês.

O que isso significa na hora de ler um resultado?

A pontuação de detecção é a estimativa de um modelo sobre padrões no texto, não um registro de como ele foi escrito. O que as pontuações significam em cada ferramenta.
Trechos mais longos e sem edição dão resultados mais confiáveis do que trechos curtos ou muito editados.
Veja quais trechos foram sinalizados, não só o número geral. O AI Checker Plus usa um modelo de detecção treinado e marca cada trecho como gerado por IA, assistido por IA ou escrito por humano, para que você veja o que levou ao resultado.
Trate o resultado como uma evidência entre outras, ao lado de rascunhos, histórico de versões e uma conversa com quem escreveu o texto.

Outras perguntas frequentes

Os detectores de IA usam perplexidade e burstiness?

Alguns usavam. O modelo original do GPTZero, de 2023, media a perplexidade (o quanto as palavras são previsíveis para um modelo de IA) e a burstiness (o quanto isso varia ao longo de um documento). O GPTZero diz que passou a usar um modelo de aprendizado profundo no outono de 2023 (hemisfério norte). A maioria dos detectores atuais, incluindo o do Turnitin, são classificadores treinados com textos humanos e de IA.

Um detector de IA consegue ver como eu escrevi meu texto?

Não. Um detector lê apenas o texto que você fornece. O Pangram, por exemplo, diz que seu detector não compara o texto com um banco de dados nem com a internet e não registra dados do processo de escrita, como recortar e colar. Rascunhos e histórico de versões são provas à parte, que um detector não consegue ver.

O ChatGPT coloca marca d'água nos textos que gera?

A última declaração pública da OpenAI que encontramos, uma atualização de agosto de 2024, dizia que a empresa tinha criado uma marca d'água para texto, mas estava segurando o lançamento, em parte porque traduzir o texto ou reescrevê-lo com outro modelo anula a marca. Pelo AI Act, a lei de IA da União Europeia, sistemas de IA que já estavam no mercado antes de 2 de agosto de 2026 precisam marcar o texto gerado por IA de forma legível por máquina até 2 de dezembro de 2026, então isso pode mudar.

Por que os detectores de IA sinalizam textos escritos por humanos?

Porque eles avaliam padrões estatísticos, não como o texto foi de fato escrito. Trechos curtos, escrita simples e previsível, alguns textos de falantes não nativos de inglês e textos humanos levemente editados com ferramentas de IA: tudo isso pode parecer, para um modelo, texto gerado por IA. Por isso, todos os principais fornecedores dizem que a pontuação não deve ser a única evidência.

Fontes (em inglês)

Pela equipe do AI Checker Plus. Pesquisamos e redigimos estes guias com a ajuda de ferramentas de IA e conferimos cada afirmação nas fontes listadas acima. Esta versão foi traduzida do original em inglês; as citações de fontes em inglês são traduções nossas.