Elyson Gums
Atualizado em 07/08/2026
11 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
Você provavelmente viu pesquisas falando que existem páginas 100% feitas com IA na primeira página do Google e que 40% do que é postado no LinkedIn é lixo de IA (AI slop).
Ambas pesquisas usam a mesma base para chegar a essas conclusões: análises feitas com detectores de IA, algoritmos supostamente capazes de diferenciar a escrita humana e de máquinas.
O problema é que os detectores de IA não são precisos e nem confiáveis. Eles frequentemente erram e, mesmo os melhores, não são evidências absolutas de que um texto foi ou não escrito por uma máquina.
Este texto explica como eles funcionam e quais são as melhores abordagens para tentar detectar texto gerado por máquinas. Spoiler: testei as principais opções gratuitas e todas erraram!
Detectores de IA são algoritmos que identificam padrões de redação. Eles comparam os textos com uma base de dados extensa, previamente classificada como “humana” ou “IA”.
Esses padrões podem ser vícios de linguagem da IA (travessão, frases com contraste, expressões típicas), se a linguagem é previsível ou não, se o texto tem um ritmo específico, quais palavras foram escolhidas, entre outros elementos.
Resumindo bastante, é um trabalho de identificar a autoria de um texto. Por mais que a IA não seja humana, sua escrita tem traços característicos, que aprende durante seu treinamento, e que são reproduzidos em todas as respostas.
Nem todos os detectores medem a mesma coisa. Alguns mostram a porcentagem de IA no texto, outros avaliam parágrafos individualmente, ou apenas a probabilidade geral de um documento ter sido gerado por máquina.
A abordagem para chegar a esses resultados também varia, entre métodos estatísticos, redes neurais e análise de marcas d’água.
IAs são sistemas de predição. Por trás de cada resposta, elas executam cálculos complexos para identificar os tokens mais prováveis de aparecer em sequência.
Detectores de IA conseguem medir essas probabilidades a partir de:
Textos de IA são naturalmente mais previsíveis. Ou seja, têm baixa perplexidade e explosão. Humanos variam mais, criam estruturas surpreendentes e dão ritmo aos textos. A IA tenta replicar essa estrutura, mas nem sempre consegue, e o detector consegue identificar essa lacuna.
Detectores de IA avaliam diversos sinais de estilo linguístico: tamanho médio das frases, frequência e estilo de pontuação, uso de palavras de ligação, entre outros.
Geralmente, IAs têm um estilo facilmente identificável. Vem daqui aquelas reclamações de “texto com travessão é IA”.
As marcas d’água de IA são padrões invisíveis para humanos, mas que indicam com clareza que um conteúdo foi criado usando uma tecnologia generativa. Hoje, o SynthID, do Google, é a principal marca d’água do tipo. Inicialmente, ela era aplicada apenas em vídeos e imagens, mas foi expandida para cobrir os textos que saem do Gemini também.
Em agosto de 2026, Anthropic anunciou uma marca d’água em textos gerados pelo Claude. O anúncio oficial descreve da seguinte maneira:
“Quando um modelo Claude compatível gera texto, ele incorpora uma marca-d’água imperceptível diretamente no próprio texto. Você não a verá, e ela não altera o significado, a qualidade ou a legibilidade da resposta do Claude.
Como a marca-d’água faz parte do texto, ela o acompanha quando este é copiado e colado em outro lugar, podendo persistir mesmo após algumas edições. A aplicação da marca-d’água ocorre no nível do modelo, o que significa que ela estará presente independentemente do produto ou da plataforma Claude de onde o texto se origina”.
A Anthropic destaca que a marca d’água não é definitiva para determinar a origem de um texto. Textos sem marca d’água podem ter sido criados na IA, mas editados o suficiente para removê-la. E textos com a marca d’água podem ter sido meramente traduzidos ou revisados usando a LLM.
As IAs transformam texto em sequências numéricas (vetores), que capturam o significado das palavras e frases.
Ao comparar essas sequências, é possível identificar padrões que sugerem o uso de IA. No caso, um documento é comparado com outro, que é reconhecidamente escrito por IA.
Quase sempre os detectores de IA usam uma combinação dos métodos acima, já que cada um deles tem limitações:
Redes neurais são sistemas de IA inspirados no cérebro humano, capazes de treinar e “aprender” a executar uma função.
Eles funcionam como classificadores, capazes de etiquetar textos como “humano” ou “IA”. A cada nova tentativa, elas ficam melhores em identificar os padrões contidos em cada grupo de textos.
Tudo indica que os detectores de IA não funcionam. Existem limitações bastante significativas, amplamente documentadas em artigos científicos, e perceptíveis ao usar as ferramentas.
Veja abaixo o que dizem artigos científicos publicados nos últimos três anos:
Vale lembrar que de 2023 para 2026 a visão sobre os detectores mudou bastante. Inicialmente, era “não funciona”, depois passou a ser “funciona em ambientes controlados”. Talvez no futuro tenhamos detectores de fato funcionais.
Meus testes foram bem parecidos. Em 2025 e 2026, fiz alguns freelas de redação para empresas de outros países. Meus contratantes usavam bastante esses detectores para avaliar o trabalho dos redatores.
Aí, por extensão, comecei a usá-los com frequência também, e notei o seguinte:
Outro fenômeno comum era eu escrever um texto em formato mais descritivo, como um item de glossário, e ser marcado como “100% de IA”. Certas sentenças precisavam de quatro a cinco rodadas de reescrita até “passar” pelo detector. Também ocorria de um detector falar que o texto era humano, outro falar que era IA… Enfim, terrível.
Hoje, o diagnóstico é simples, como dito no início deste texto: detectores de IA não são precisos e nem confiáveis.
Eles simplesmente erram muito e tem uma série de limitações que não podem ser ignoradas, como:
Essa combinação gera dois problemas principais, os falsos positivos e os falsos negativos.
Um falso positivo é quando um texto escrito por um humano é marcado como IA. Costuma acontecer quando o estilo de escrita se aproxima do que as LLMs entregam. Alguns autores argumentam que, como os seus trabalhos foram usados para treinar as IAs, é natural que exista essa aproximação.
Já um falso negativo é quando um texto escrito por IA é marcado por humano. Ou seja, é uma falha no próprio detector, geralmente causada por técnicas para fazer um texto soar “mais humano”.
Cada detector de IA tem as suas próprias margens de erro. Geralmente, os números variam entre 1% e 2%, o que parece pouco, mas é muito significativo. A menor margem de erro do mercado é do Pangram, hoje em 0.0041%.
A melhor abordagem é simplesmente aceitar que a detecção de IA é falha. Não há, hoje, uma ferramenta infalível, que permita cravar quem escreveu um texto.
Se alguém estiver motivado a te enganar, sempre haverá artimanhas disponíveis:
Também não dá pra depender da própria capacidade de reconhecer o texto de IA. Hoje, o consenso acadêmico é que os humanos são imprecisos e pouco confiáveis para identificar texto de IA.
Você pode até pensar assim, “putz, mas eu bato o olho nesses posts horríveis do LinkedIn e tá na cara que saiu do Claude”. Eu sou assim também, mas a verdade é que isso não é parâmetro, já que esse tipo de post é feito com esforço mínimo, além da amostragem ser bem limitada.
Aqui na SHH, não usamos detectores de IA. Se nossos analistas suspeitam que algum cliente está usando IA, geralmente é devido à qualidade geral do conteúdo, que tende a ser pobre e limitada em comparação aos benchmarks para cada segmento de mercado que atendemos.
Reunimos os principais indícios, como as estruturas repetitivas, o conteúdo raso, ou a dificuldade em definir o argumento central do texto e levantamos a possibilidade junto dos times de conteúdo do cliente, sem fazer julgamentos.
É uma situação sempre complicada, porque ao mesmo tempo que não dá pra acusar redatores, não dá pra deixar passar, já que na nossa experiência, os textos de IA costumam performar muito pior (no longo prazo).
Dentro do time editorial da SHH, simplesmente não nos preocupamos com isso. Nosso time é enxuto e trabalha junto há bastante tempo. Temos um padrão de qualidade definido e simplesmente confiamos que o coleguinha não vai tentar passar a perna em ninguém, usando a IA sem avisar.
Se você não consegue ter esse nível dentro de confiança dentro do seu time, recomendo fazer o seguinte:
E, quando ver pesquisas com números apocalípticos sobre o uso de IA, desconfie delas. É verdade que o AI slop está rolando solto por aí, mas não acredite sempre em números absolutos, determinados por ferramentas imprecisas.
__
Espero que tenha gostado do guia! Para mais conteúdos escritos por humanos, sobre os assuntos em alta para equipes de SEO e marketing, acompanhe a SEO Happy Hour no Linkedin e inscreva-se em nossa newsletter!
Elyson Gums é redator na SEO Happy Hour. Trabalha com redação e produção de conteúdo para projetos de SEO e inbound marketing desde 2014, em segmentos B2C e B2B. É bacharel em Jornalismo (Univali/SC) e mestre em Comunicação Social (UFPR).
Comentários