Existe uma diferença importante entre duas perguntas que costumam ser tratadas como uma só: “isso foi gerado por IA?” e “de onde isso veio?”. A primeira é quase insolúvel. A segunda tem caminho.
Por que detectar não funciona
Detectores tentam identificar padrões estatísticos deixados pela geração. O problema é estrutural: os modelos são treinados justamente para produzir saídas indistinguíveis de material humano, e cada geração reduz o sinal que o detector procurava.
Em texto, a situação é pior. Detectores produzem falsos positivos com frequência preocupante, especialmente em textos de quem escreve de forma simples ou não é falante nativo — e um falso positivo numa acusação de plágio tem consequência real. Reescrever levemente o texto costuma bastar para escapar da detecção.
Marca d’água: o sinal plantado na origem
A abordagem alternativa é embutir um sinal no momento da geração. Em imagem, isso significa alterações imperceptíveis nos pixels; em texto, enviesar sutilmente a escolha entre palavras equivalentes segundo um padrão que só quem tem a chave reconhece.
Funciona razoavelmente bem quando o conteúdo chega intacto, e é frágil quando não chega. Recorte, recompressão, captura de tela, filtro e reescrita degradam ou eliminam o sinal. E marca d’água só existe se o gerador quiser colocá-la — modelos abertos rodando localmente não colocam.
Proveniência: registrar em vez de detectar
A terceira via inverte a lógica. Em vez de tentar descobrir depois, anexa-se ao arquivo um registro assinado de origem e edições: com que dispositivo ou ferramenta foi criado, o que foi alterado depois, por quem. É o modelo de credenciais de conteúdo que câmeras e editores vêm adotando.
A vantagem é que isso não depende de adivinhar nada. A limitação é conhecida e séria: a ausência de credencial não prova falsificação. Fotografia legítima tirada em celular antigo, capturada de tela ou repassada por aplicativo que remove metadados chega sem nenhum registro — como a maior parte do que circula.
Comparando as três abordagens
| Abordagem | Onde atua | Resistência à edição | Limitação principal |
|---|---|---|---|
| Detector estatístico | Depois da publicação | Baixa | Falsos positivos e obsolescência rápida |
| Marca d’água | No momento da geração | Média | Só existe se o gerador cooperar |
| Proveniência assinada | Na captura e nas edições | Alta enquanto o arquivo mantém os dados | Ausência de credencial não prova nada |
| Verificação editorial | Na apuração | Não se aplica | Lenta e cara |
O que isso significa na prática
- Não trate resultado de detector como prova. Serve como indício fraco, nunca como decisão.
- Peça procedência, não perícia. Quem publicou primeiro, quando, e o que mais registrou o mesmo evento.
- Em instituições, mude a regra e não a ferramenta. Avaliar processo e defesa oral resiste melhor que caçar texto gerado.
- Preserve os metadados. Se você produz conteúdo, evitar fluxos que apagam credenciais é o que mantém a prova.
- Rotule voluntariamente. Declarar o uso de IA custa pouco e constrói a confiança que o detector não consegue medir.
- Desconfie da certeza. Qualquer ferramenta que diga “100% gerado por IA” está prometendo o que ninguém entrega.
A conclusão desconfortável é que a verificação do conteúdo isolado está perdendo. O que sobra — e funciona — é a velha cadeia de confiança: fonte identificável, registro de origem e responsabilidade de quem publica.