Como funcionam os detectores de IA? Perplexidade, burstiness e classificadores

Os detectores de IA funcionam medindo o quanto um texto é previsível. A maioria deles passa o texto por um modelo de linguagem e verifica a probabilidade de cada palavra, dadas as palavras anteriores. Um texto que é sempre fácil de prever parece feito por máquina. Um texto com escolhas de palavras mais surpreendentes e irregulares parece humano. Muitas ferramentas comerciais acrescentam por cima um classificador treinado, que aprendeu a diferença a partir de grandes conjuntos de exemplos rotulados.

Essa é a ideia central. Os detalhes explicam por que os detectores são úteis e também por que eles erram.

A pergunta básica que um detector faz

Um detector não entende o seu argumento, não confere os seus fatos e não sabe quem você é. Ele olha a superfície do texto, as palavras e como estão organizadas, e faz uma única pergunta estatística: isto se parece mais com o que um modelo de linguagem produziria ou com o que pessoas produzem?

Para responder, os detectores usam alguns tipos de sinal. A maioria das ferramentas modernas combina vários.

Sinal 1: perplexidade

Perplexidade é uma medida de surpresa. Pegue um modelo de linguagem, dê o seu texto a ele uma palavra por vez e, a cada passo, pergunte qual era a probabilidade da palavra que realmente veio em seguida.

Pense nesta frase: "O gato subiu no ___." Um modelo vai prever "telhado", "muro" ou "sofá" com bastante confiança. Se a próxima palavra for "telhado", a perplexidade é baixa. Se for "manuscrito", a perplexidade é alta.

Modelos de linguagem geram texto escolhendo palavras prováveis. Por isso, a saída deles, medida por um modelo parecido, tende a ter perplexidade baixa do começo ao fim. Pessoas escolhem palavras por muitos motivos: hábito, humor, uma lembrança específica, um jeito meio estranho de dizer algo de que elas gostam. Isso faz a perplexidade subir.

Alguns dos primeiros detectores dependiam muito desse único número. O problema é que muito texto humano também é previsível. Um relatório de laboratório, um resumo jurídico ou uma redação de cinco parágrafos escrita seguindo uma grade de correção podem todos ter perplexidade baixa simplesmente porque o gênero é padronizado.

Sinal 2: burstiness

Burstiness olha como a perplexidade muda ao longo do texto. Uma pessoa pode escrever duas frases simples, depois uma com uma imagem incomum, depois um fragmento. A previsibilidade sobe e desce. Textos de IA tendem a manter um nível constante do início ao fim.

A mesma ideia aparece em medidas mais simples, como o quanto o tamanho das frases varia. Parágrafos humanos muitas vezes misturam uma frase de 30 palavras com uma de 4. Parágrafos de modelos tendem a manter as frases numa faixa estreita.

O GPTZero popularizou a dupla perplexidade e burstiness quando foi lançado, no início de 2023, e os termos pegaram. Os modelos atuais dele usam mais do que essas duas medidas, mas elas continuam sendo um jeito útil de entender o que os detectores procuram.

Sinal 3: classificadores treinados

A abordagem mais comum nos detectores comerciais hoje é um classificador: um modelo de aprendizado de máquina treinado com um grande conjunto de textos rotulados como "humano" e "IA". Ele aprende quaisquer características que separem os dois grupos, inclusive algumas que nenhuma pessoa pensaria em nomear.

Os classificadores costumam ser construídos sobre a mesma tecnologia transformer dos próprios chatbots. Eles podem ser bem bons com textos parecidos com os seus dados de treinamento. Têm dificuldade com textos que não se parecem, por exemplo:

• Textos de um modelo mais novo que o classificador ainda não viu
• Idiomas ou dialetos que eram raros no conjunto de treinamento
• Gêneros pouco representados, como poesia ou documentação técnica
• Textos mistos, em que uma pessoa escreveu algumas partes e a IA escreveu outras

É por isso que os fornecedores retreinam os detectores com frequência, e por isso o mesmo texto pode receber uma pontuação diferente da mesma ferramenta com alguns meses de diferença.

Sinal 4: marcas d'água

A marca d'água é uma abordagem diferente. Em vez de adivinhar depois, a empresa que opera o modelo empurra as escolhas de palavras para um padrão estatístico oculto durante a geração. Um detector correspondente pode então procurar esse padrão.

Os três grandes chatbots já fazem isso com pelo menos parte dos seus textos. O Google marca os textos do app Gemini com o SynthID desde 2024 (como o SynthID funciona). A Anthropic começou a colocar marca d'água nos textos do Claude em agosto de 2026 (o que a Anthropic disse), e a OpenAI está adicionando a marca d'água textGrain aos textos do ChatGPT na União Europeia a partir de outubro de 2026 (onde ela se aplica). Marcas d'água podem ser bastante confiáveis quando estão presentes. O problema é que só a empresa que criou o modelo tem a chave para verificá-las, muitos textos que circulam por aí não têm marca d'água nenhuma, e edição pesada ou tradução enfraquecem o sinal.

Então, por enquanto, quase todo detector que você vai encontrar, inclusive os usados em escolas, depende dos métodos estatísticos acima, e não de marcas d'água.

Como as peças viram uma pontuação

Cada ferramenta apresenta os resultados de um jeito:

• Uma única porcentagem, muitas vezes descrita como a parcela do texto que provavelmente foi gerada por IA.
• Destaque de frases ou parágrafos, mostrando quais partes puxaram a pontuação.
• Categorias, como totalmente IA, refinado por IA ou escrito por humano. O Detector de IA da RealWrite usa quatro categorias para você ver a autoria mista em vez de um veredito único.

Seja qual for o formato, o número é uma estimativa de probabilidade, não a constatação de um fato. Uma pontuação de 80% não significa que 80% das palavras foram digitadas por uma máquina. Significa que o modelo está bastante confiante de que o texto se parece com os exemplos de IA que ele conhece.

Por que os detectores de IA erram

Depois que você entende como os detectores funcionam, os pontos em que eles falham ficam fáceis de prever.

Gêneros previsíveis parecem IA

A escrita formal e estruturada tem perplexidade baixa por definição. Resumos acadêmicos, cartas de apresentação, descrições de produtos e redações padronizadas seguem convenções que tornam a próxima palavra fácil de adivinhar. Quem escreve nesses gêneros é sinalizado com mais frequência.

Quem não tem o inglês como língua nativa é mais sinalizado

Pessoas escrevendo numa segunda língua costumam usar um vocabulário menor e mais seguro e padrões de frase mais regulares. São exatamente as características que os detectores associam à IA. Um estudo de Stanford de 2023, liderado por Weixin Liang e publicado na revista Patterns, descobriu que vários detectores populares classificaram como geradas por IA uma grande parte das redações do TOEFL escritas por falantes não nativos, enquanto avaliaram com muito mais precisão as redações de estudantes dos EUA. Tratamos disso em detalhes em falsos positivos em detectores de IA.

Textos curtos não dão sinal suficiente

Medidas estatísticas precisam de dados. Um parágrafo de 100 palavras simplesmente não tem palavras suficientes para uma estimativa confiável. Muitas ferramentas definem um tamanho mínimo por esse motivo, e os resultados perto desse mínimo são os menos estáveis.

A edição borra a fronteira

A escrita real é cada vez mais mista. Alguém faz o rascunho com IA e reescreve metade. Alguém escreve à mão e usa um corretor gramatical para polir. Os detectores foram treinados principalmente com exemplos "puros" de cada lado, então textos mistos caem no meio incerto.

A tradução embaralha o sinal

Um texto escrito em um idioma e traduzido automaticamente para outro ganha parte da regularidade do modelo de tradução. Um texto escrito por IA e depois traduzido perde parte dos seus padrões originais. De qualquer forma, o detector deixa de olhar para o tipo de escrita que foi treinado para avaliar, e fica mais difícil confiar nos resultados.

Corretores gramaticais podem empurrar o texto para "IA"

Sugestões agressivas de gramática e estilo tendem a deixar o texto mais liso e uniforme. Aceite muitas delas e o seu texto original pode começar a se parecer estatisticamente com a saída de um modelo.

Para que os detectores servem

Nada disso significa que os detectores sejam inúteis. Bem usados, são uma segunda opinião rápida. Uma pontuação alta num rascunho é um bom motivo para relê-lo: as frases têm todas o mesmo tamanho? Há frases feitas em todo parágrafo? Há algo específico no texto?

É assim que sugerimos usar qualquer detector, inclusive o nosso. Verifique o rascunho antes de entregar, veja quais partes pontuam alto e revise essas partes para que soem mais como você. A página como funciona mostra esse ciclo na RealWrite.

O que os detectores não devem ser é a única prova numa decisão sobre o trabalho de alguém. Até as empresas que os desenvolvem dizem isso. O Turnitin, por exemplo, avisa os professores que a pontuação de IA dele não deve ser usada como única base para uma medida contra um aluno. Nosso guia sobre o Turnitin explica o que o relatório dele mostra.

Em resumo

• Detectores medem previsibilidade, não sentido.
• Perplexidade é a surpresa no nível da palavra. Burstiness é o quanto essa surpresa varia.
• A maioria das ferramentas comerciais usa por cima classificadores treinados, que precisam ser retreinados o tempo todo.
• Marcas d'água são promissoras, mas raras na prática.
• Gêneros formais, quem escreve numa segunda língua, textos curtos e textos editados são onde os detectores mais erram.

Se quiser ver como o seu próprio texto pontua, você pode fazer uma verificação grátis com a RealWrite. E se estiver avaliando ferramentas, nosso comparativo dos melhores detectores de IA coloca as principais opções lado a lado.