Detectores de IA funcionam parcialmente: acertam padrões estatísticos típicos de texto de máquina, mas erram o suficiente para nunca servirem como prova isolada. A resposta curta para quem precisa decidir hoje é usar o resultado como indício, nunca como veredito. A ferramenta estima a probabilidade de um texto ter sido escrito por um modelo de linguagem a partir de medidas como a previsibilidade das palavras — e é exatamente essa estimativa que falha quando o autor humano escreve de forma simples, técnica ou em segundo idioma. Este guia separa o que está documentado em fontes verificáveis do que é mito, mostra os números reais de erro publicados por pesquisadores e pela própria indústria e traz um procedimento de cinco testes para avaliar qualquer detector antes de tomar uma decisão com base nele.
O que os detectores medem
A maioria dos detectores públicos avalia algo próximo da perplexidade: o quão surpreso um modelo de linguagem fica ao ler cada palavra do texto. Texto de máquina tende a escolher palavras prováveis, com frases equilibradas e vocabulário previsível — perplexidade baixa. Escrita humana imprevisível gera perplexidade alta. O problema aparece no meio do caminho: redações simples de estudantes, textos de quem escreve em inglês como segunda língua e documentos técnicos repetitivos também têm perplexidade baixa, e o detector os trata como suspeitos. A métrica confunde “texto previsível” com “texto de IA”, e as duas coisas não são sinônimos. Um estudo da Universidade Stanford publicado no arXiv mostra que esses sistemas classificam consistentemente amostras de escrita de autores não nativos como geradas por IA, enquanto textos de nativos são identificados com precisão — e que instruções simples de reescrita bastam para burlar os detectores.
Quando eles erram
Os números do estudo de Stanford dão a dimensão do problema. Nos testes, os detectores classificaram 61,22% das redações do TOEFL escritas por estudantes não nativos como texto gerado por IA — o TOEFL é o exame de inglês para falantes de outras línguas. Pior: os sete detectores avaliados marcaram por unanimidade 19% dessas redações, e 97% delas foram marcadas por pelo menos uma das ferramentas, segundo o relato da Stanford HAI sobre a pesquisa. Redações de alunos americanos da oitava série, no mesmo teste, foram avaliadas como quase perfeitas. O efeito prático é conhecido: quem escreve com vocabulário mais limitado ou frases mais curtas corre mais risco de falsa acusação, o que penaliza justamente quem está aprendendo. Por isso já explicamos em detalhe 3 motivos para não confiar cegamente em detectores de IA — a recomendação segue válida e bem fundamentada.
O caso do detector da OpenAI
Se os detectores fossem confiáveis, a empresa que criou o GPT manteria o seu. A própria OpenAI desativou seu classificador de texto em 20 de julho de 2023, citando baixa taxa de acerto, e declarou estar pesquisando técnicas de proveniência mais eficazes para identificar conteúdo gerado por máquina. O episódio, registrado pela imprensa especializada a partir da nota oficial da empresa, é o alerta mais direto do mercado: quando o fabricante do modelo não consegue distinguir seu próprio resultado com confiança suficiente para mantê-lo no ar, exigir essa certeza de uma ferramenta de terceiros é irreal. Para o leitor, a consequência é objetiva: uma porcentagem exibida numa interface não é evidência de fraude, e nenhuma decisão séria deveria se apoiiar somente nela.
Como testar antes de confiar
Antes de aceitar o veredito de qualquer detector, rode estes cinco testes, na ordem:
- Cross-check em duas ferramentas: cole o mesmo texto em detectores diferentes. Resultados divergentes fortes indicam que a medição é instável.
- Controle humano: submeta um texto 100% seu, escrito sem IA. Se a ferramenta marcar seu texto, você mediu o falso positivo na prática.
- Controle de máquina: gere um texto curto com um chatbot e teste. A ferramenta precisa acertar esse caso mínimo; errar aqui é eliminatório.
- Avalie trechos longos: frases isoladas têm taxa de erro maior que blocos completos. Desconfie de marcações pontuais em texto humano.
- Decida com evidência combinada: histórico de versões, processo de escrita e uma conversa com o autor pesam mais que a nota do detector.
Uma ressalva: esses testes valem para texto. Detectores não se transferem para outras mídias — na edição de imagens com IA, máscara, texto e direitos de uso seguem uma lógica própria, sem nota de probabilidade comparável.
Limites declarados pelo Turnitin
O Turnitin, detector adotado por instituições de ensino, publica seus próprios números — úteis para calibrar expectativas. A empresa declara uma taxa de falso positivo por documento menor que 1% e de aproximadamente 4% por sentença, o que significa que cerca de uma em cada vinte e cinco frases destacadas pode ter sido escrita por humano. A documentação oficial recomenda usar o indicador para iniciar uma conversa, não para fechar uma conclusão, e observa que os erros se concentram perto de trechos que realmente contêm texto de IA.
| Métrica do Turnitin | Valor declarado | Leitura prática |
|---|---|---|
| Falso positivo por documento | inferior a 1% | Raro no documento inteiro, mas possível |
| Falso positivo por sentença | em torno de 4% | 1 frase destacada em cada 25 pode ser humana |
| Onde os erros aparecem | 54% ao lado de trecho real de IA | Marcações isoladas no meio de texto humano pesam menos |