Karine Sales
Atualizado em 25/06/2026
7 min de leitura
O Google muda mais rápido do que você consegue acompanhar? Não se preocupe, isso é comum pra muita gente.
Se inscreva na nossa Newsletter e fique por dentro das novidades de SEO.
Inscreva-se
O Google publicou um paper detalhando um novo sistema interno para combater o AI slop – conteúdo produzido em massa por inteligência artificial, geralmente de baixa qualidade.
Batizado de S-CTS (Scalable Cluster Termination System), o novo sistema foi desenvolvido por uma equipe de engenheiros do Google e parece ter sido pensado especificamente para o YouTube, embora ainda não tenham afirmado isso.
O objetivo central é resolver um problema que a moderação tradicional não consegue: atores maliciosos usam IA para criar variações únicas de um mesmo golpe ou spam, o que engana sistemas de detecção baseados em hash e metadados, já que cada vídeo gerado tem uma “assinatura digital” diferente, mesmo sendo essencialmente a mesma fraude repetida em escala.
Em vez de analisar cada vídeo isoladamente, o Google decidiu mudar o foco da moderação para o comportamento de grupos de contas, identificando clusters coordenados que agem de forma sincronizada e produzem conteúdo com padrões sintéticos semelhantes.
A seguir eu te conto mais sobre esse novo sistema da big tech.
O S-CTS é construído sobre dois classificadores que trabalham em conjunto.
O primeiro, chamado de Ψ_A, é responsável por detectar redes de bots e contas coordenadas. Ele analisa sinais internos de infraestrutura, ou seja, a forma como as contas interagem com os sistemas do Google por trás dos bastidores, além de séries temporais de eventos e metadados específicos de conteúdo gerado por IA.
Com isso, o sistema consegue apontar com alta confiança quando um grupo de contas provavelmente é controlado pelo mesmo indivíduo ou script automatizado.
O segundo classificador, o Ψ_C, avalia o conteúdo em si – tanto texto quanto vídeo – em busca de marcas de produção gerada artificialmente. Para isso, o sistema usa embeddings de texto, que são representações matemáticas de palavras e frases capazes de capturar o significado e identificar narrativas repetitivas e roteirizadas, típicas de conteúdo gerado automaticamente.
No lado visual, são aplicadas técnicas de extração de características para detectar artefatos visuais característicos de produção por IA.
Um cluster só é classificado como malicioso quando os dois sinais aparecem juntos, indicando alta confiança de coordenação entre contas e presença de conteúdo gerado por IA.
Essa combinação é o que torna o sistema mais preciso do que abordagens que olham só para o conteúdo ou só para o comportamento das contas isoladamente.
A parte mais inovadora do sistema é a camada de modelos de linguagem (LLMs). O Google criou uma arquitetura em duas etapas, chamada de Synthetic Content Rater:
Para viabilizar isso em larga escala, o Google usa duas técnicas de otimização.
A LoRA, sigla para Low-Rank Adaptation, é um método de ajuste fino que permite especializar um modelo de IA gigante sem precisar retreiná-lo por completo, reduzindo drasticamente o custo computacional.
Já a APO, ou Automatic Prompt Optimization, permite ajustar rapidamente os comandos dados ao modelo sempre que surge uma nova tendência de spam de IA.
Com base nessa pontuação semântica, o sistema toma decisões automatizadas, aprovando ou removendo conteúdo sem intervenção humana quando a confiança é alta, e só envia para revisão manual os casos ambíguos.
O próprio artigo do Google reconhece pontos sensíveis no funcionamento do S-CTS.
A mais relevante delas aparece nos números de desempenho divulgados. Enquanto a maioria das categorias de decisão automática apresenta precisão entre 88% e 95%, a categoria de conteúdo chocante envolvendo segurança infantil, na decisão de aprovação automática, registrou apenas 72% de precisão – um índice bem abaixo dos demais e que levanta dúvidas sobre a confiabilidade do sistema justamente na vertical mais sensível.
Os autores também admitem que faltam dados de treinamento em escala para os modelos generativos mais recentes. Isso significa que a eficácia da LoRA e da APO para detectar conteúdo gerado por esses modelos ainda não foi totalmente validada empiricamente.
No campo ético, o Google levanta a preocupação de que a classificação de “slop” é suscetível ao que chamam de drift de definição – o risco de o sistema acabar penalizando artistas e criadores legítimos que usam IA generativa de forma criativa.
Para mitigar isso, o sistema exige que o comportamento seja coordenado e em massa antes de agir, funcionando como uma salvaguarda contra punições a criadores individuais que estão apenas experimentando novas ferramentas.
Outro ponto levantado é o risco de viés. Como a LoRA faz um ajuste fino leve sobre um modelo de fundação muito maior, ela pode preservar vieses já presentes nesse modelo-base, exigindo monitoramento constante para garantir que o sistema capture as nuances corretas sem amplificar distorções existentes.
Para quem trabalha com SEO e produção de conteúdo, esse tipo de sistema reforça a tendência de que as plataformas de busca estão ficando mais sofisticadas em distinguir uso criativo de IA, da produção em massa de baixa qualidade.
É importante destacar que o S-CTS foi desenhado especificamente para plataformas de vídeo — o próprio artigo fala em “online video platforms” (OVP), como seria o YouTube. Não há, no documento, qualquer menção a planos de implementação desse sistema na Pesquisa Orgânica do Google.
Ainda assim, vale notar que parte da arquitetura já lida com texto: o classificador Ψ_C usa embeddings de texto para detectar narrativas roteirizadas e repetitivas, o mesmo tipo de sinal que poderia, em tese, ser aplicado a conteúdo textual fora do contexto de vídeo.
O requisito de comportamento coordenado como condição para penalização é um dado importante para criadores e marcas que usam IA generativa de forma pontual e editorial. O sistema do Google não foi desenhado para punir quem usa essas ferramentas com responsabilidade, mas sim quem opera em escala industrial para gerar spam e golpes.
Isso fortalece o valor de conteúdo original, com curadoria humana e voz editorial própria, que é exatamente o tipo de produção que diferencia uma estratégia de conteúdo sólida de um fluxo automatizado de baixa qualidade.
Curiosamente, pouco tempo depois da publicação deste paper, o Google anunciou o Spam Update de Junho de 2026, uma atualização de spam aplicada globalmente.
O foco do update está em aprimorar o SpamBrain – sistema de IA que detecta spam na busca.
Não há confirmação de que o novo sistema de detecção de IA em massa e o spam update estejam diretamente conectados, mas a proximidade entre os dois anúncios é um indício de que o Google segue atento, em várias frentes, às tentativas de manipulação dos seus sistemas.
___
Acompanhe nossos perfis no Linkedin, YouTube e nossa newsletter para não perder as principais novidades do mercado de SEO.
Jornalista e criadora de conteúdo digital, atua há mais de 8 anos desenvolvendo estratégias e textos otimizados para blogs, sites e redes sociais.
Karine Sales
21/08/2026
Karine Sales
20/08/2026
Karine Sales
19/08/2026
Comentários