Detector de IA acusou seu texto: o que essas ferramentas realmente medem e como contestar?

Fala aí, beleza? Teu texto voltou marcado como "escrito por IA" e agora tu precisa responder alguma coisa

Geralmente chega assim: um print, uma porcentagem, algumas frases destacadas em azul, e a conversa já começa com você em desvantagem

Esse post aqui não é sobre reescrever o texto pra passar no detector

É sobre defesa: o que essas ferramentas realmente medem, o que os próprios fornecedores admitem publicamente sobre erro, e o que funciona como prova de autoria quando alguém te acusa

E se liga nisso, porque é o pulo do gato: quem publica os limites dos detectores são as próprias empresas que vendem detector

Isso significa que você pode levar pra reunião uma citação com fonte, data e nome do fornecedor, em vez de jurar de pé junto que escreveu 🙂

O que um detector de IA realmente mede (e o que ele não mede)

O detector olha para o texto final e devolve uma estimativa de probabilidade

Ele não acessa quem digitou, quando digitou, quantas vezes você apagou o parágrafo de abertura ou de onde saiu aquela citação

Ele vê padrão estatístico, e ponto

A melhor demonstração disso veio da própria OpenAI. Quando ela lançou o AI Text Classifier, publicou o desempenho: identificava corretamente 26% dos textos escritos por IA e rotulava erroneamente 9% dos textos humanos como escritos por IA

Ou seja: acertava um quarto do que queria pegar, e queimava quase um em cada dez textos humanos

A mesma página trazia outra ressalva importante: o classificador era considerado não confiável em textos com menos de 1.000 caracteres, e a confiabilidade aumentava conforme o texto ficava mais longo

Em 20 de julho de 2023 a OpenAI tirou a ferramenta do ar alegando "low rate of accuracy", e disse estar pesquisando técnicas mais eficazes de proveniência para texto

A nota de encerramento segue publicada na página original do anúncio, o que é ótimo pra você: é fonte primária, datada, da empresa que faz o modelo que supostamente escreveu seu texto

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 118 aulas
• 4 projetos
• 9h 33min

Conhecer formação

E por que um texto humano é confundido com IA?

Aqui entra a palavra que você vai ouvir nessa discussão: perplexidade

Grosso modo, é o quanto o seu texto surpreende um modelo de linguagem. Texto muito previsível pontua baixo, e pontuação baixa é lida como sinal de máquina

O estudo de Liang e colegas, publicado na revista Patterns em 2023, sugere exatamente essa explicação para o erro: quem escreve com menor variabilidade linguística produz texto de perplexidade mais baixa, e o detector interpreta isso como IA

Traduzindo pro mundo real: escrever de forma simples, direta e organizada te deixa mais exposto a um falso positivo

Irônico, né? Justamente o que todo professor pede

Taxa de falso positivo declarada por GPTZero, Turnitin e Originality.ai

Antes da tabela, um aviso que vale ouro na contestação: todos esses números são autodeclarados pelo próprio fornecedor ou vêm de benchmarks feitos por ele mesmo

Não são auditoria independente

Repare numa coisa: o modelo mais forte da Originality.ai declara MAIS falso positivo que o modelo mais leve (1,5% contra 0,5%)

Isso mostra que "melhor detector" não é uma linha reta, e que a escolha do modelo usado no seu texto muda o número que caiu na sua mão

Menos de 1% parece pouco, mas por que isso não te protege

Estatística de fornecedor é feita pra soar tranquilizadora no agregado

Só que você não é o agregado, você é o caso individual

Menos de 1% em nível de documento significa cerca de 1 documento humano marcado a cada 100. Numa turma grande, num semestre inteiro, isso é gente real sendo acusada por erro de máquina

E o número que quase ninguém cita é o de frase: o próprio Turnitin publica cerca de 4%, ou seja, há 4% de chance de uma frase destacada como IA ter sido escrita por humano

Cada trecho azul do relatório carrega essa chance embutida

Se o seu relatório tem vinte frases destacadas, você não está olhando pra vinte provas. Está olhando pra vinte apostas, cada uma com margem de erro declarada pelo fabricante

O que o fornecedor já assume que não funciona bem

O Turnitin não atribui percentual nem destaques quando o score fica acima de 0% e abaixo de 20%: aparece um asterisco, e nada mais

O motivo publicado é direto: o teste mostrou incidência maior de falsos positivos na faixa de 1% a 19%

O modelo de detecção de escrita por IA também declara não detectar de forma confiável poesia, roteiros, código, texto de formato curto ou escrita não convencional

Tome cuidado com esse ponto, porque ele é decisivo se o seu material não for redação corrida. Trabalho com trechos de código, roteiro ou texto curto está fora do terreno em que a ferramenta se diz confiável

E não é só o fabricante que puxa o freio: a Vanderbilt University desativou o detector de IA do Turnitin em agosto de 2023, e explicou publicamente por quê (o comunicado está linkado logo na próxima seção)

O viés contra quem não escreve em inglês nativo

O estudo do Patterns testou sete detectores e encontrou algo pesado: cerca de 61% das redações de autores não nativos de inglês foram classificadas como geradas por IA, com erro unânime dos sete em cerca de 20% dos textos

O Turnitin publica número bem diferente do seu próprio teste, em amostras que cumpriam o mínimo de 300 palavras: 0,014 (1,4%) para English Language Learners e 0,013 (1,3%) para nativos

Antes que você compare esse 1,4% com o "menos de 1%" da tabela, se liga: são condições de teste diferentes

O "menos de 1%" é em nível de documento e vale só para documentos com mais de 20% de escrita atribuída a IA. Já o 1,4% e o 1,3% saem de amostras selecionadas por outro critério, o mínimo de 300 palavras

Ou seja, não são o mesmo indicador, e o "menos de 1%" não vale como se fosse a margem de erro de qualquer texto que entra na ferramenta

O GPTZero, por sua vez, declara ter reduzido o falso positivo em redações TOEFL para 1,1%, após uso de dados educacionais rotulados e pré-classificação de texto

E aqui tem um detalhe que vale citar na contestação: esse 1,1% é MAIOR que o teto de 1% que a mesma empresa declara de forma geral

São medições diferentes (uma é o teto geral, a outra é um conjunto específico de redações de não nativos), mas o recado é o mesmo do estudo: o número piora justamente no grupo mais exposto ao erro

Dados conflitantes é justamente o tipo de coisa que você leva pra mesa: um estudo revisado por pares apontando viés grave, e números bem menores publicados pelas empresas que vendem a ferramenta, sem auditoria externa que confirme

As frases dos próprios fornecedores que você pode citar na contestação

Essa é a parte mais útil do post. Cada item aqui é uma linha de argumento pronta, com fonte

• Turnitin, sobre punição: o modelo pode não ser sempre preciso e não deve ser usado como única base para ações adversas contra o estudante, exigindo escrutínio adicional, julgamento humano e as políticas da instituição
• Turnitin, sobre o tipo de texto: o modelo não detecta de forma confiável poesia, roteiros, código, texto de formato curto ou escrita não convencional
• GPTZero, sobre o status do resultado: os resultados são probabilísticos, não devem ser tratados como prova absoluta de intenção nem usados como única evidência para punição acadêmica, e a classificação frase a frase, isolada, não deve ser usada para afirmar que o texto contém IA (está no FAQ da própria empresa)
• OpenAI, sobre o próprio detector: desativou o AI Text Classifier em 20 de julho de 2023 por baixa taxa de acurácia
• Vanderbilt University, sobre auditabilidade: desativou o detector de IA do Turnitin em agosto de 2023, citando falta de transparência sobre os padrões usados, impossibilidade de auditar as métricas e falsos positivos tratados como inevitabilidade, não como possibilidade (comunicado publicado pela universidade)

Repare no padrão: você não precisa atacar a ferramenta com opinião

Basta ler em voz alta o que o fabricante escreveu sobre ela

O que serve como prova de autoria (e o que não serve)

A acusação é sobre o texto final. E o texto final, sozinho, é justamente o terreno em que a ferramenta erra

Então a defesa forte não disputa o score: ela muda o assunto pro processo, que o detector nunca viu

Serve como prova:

• histórico de versões do documento, com carimbo de data e evolução do texto
• rascunhos datados, inclusive os feios e incompletos (quanto mais bagunçado, melhor)
• notas e registro de pesquisa: links salvos, PDFs baixados, prints, fichamento
• linha do tempo do processo de escrita, mostrando sessões de trabalho em vez de um bloco surgido do nada
• contribuição por editor, quando o documento foi compartilhado

Não serve (e às vezes piora):

• rodar o texto em outro detector pra comparar scores: você acaba de aceitar que o score decide a questão, e ainda entrega uma segunda aposta probabilística pro outro lado
• reescrever o texto depois da acusação: não responde nada e sujeita você à pergunta óbvia de por que mexeu
• jurar que escreveu: sem lastro, é palavra contra relatório
• apoiar-se só no "esse é meu estilo": estilo não é documento

A lógica é a mesma de qualquer ambiente onde prova precisa ser verificável: quem monta automação em setor regulado já vive de observabilidade e trilha de auditoria, porque registro do processo vale mais que juramento sobre o resultado

Seu texto merece o mesmo tratamento

Como reunir o histórico de versões do seu documento

Aqui vai o passo a passo com o que dá pra fazer hoje, sem depender de ferramenta paga

1. Abra o documento no Google Docs e clique em "Última edição", no canto superior direito. Isso abre o histórico de versões, e de lá você escolhe uma versão anterior pra visualizar. Erro comum deste passo: tentar fazer isso com permissão de leitura ou comentário. É preciso ter permissão de editor pra ver as versões anteriores
2. Nomeie as versões que importam. Dentro do histórico, em "Mais", existe a opção "Nomear esta versão". Nomeie os marcos reais do trabalho, tipo "primeiro esqueleto", "depois da pesquisa", "revisão final". Erro comum deste passo: sair nomeando tudo. O limite é de 40 versões nomeadas por documento, então gaste com o que conta a história
3. Confira em que tipo de arquivo você está trabalhando. Documentos, Planilhas e Apresentações Google têm histórico de versões próprio, que é diferente do histórico de PDFs, imagens e demais arquivos apenas armazenados no Drive. Erro comum deste passo: achar que subir o PDF final pro Drive gera a mesma trilha. Não gera
4. No Word guardado no OneDrive ou SharePoint, abra o arquivo e vá em Arquivo > Histórico de Versão. Selecione a versão pra abri-la, e use "Restaurar" só se realmente quiser voltar a ela. Erro comum deste passo: clicar em Restaurar por curiosidade e mexer no estado atual do arquivo bem no meio de uma acusação
5. Saiba quantas versões você tem direito de recuperar. Com conta Microsoft pessoal dá pra recuperar as 25 últimas versões. Em conta corporativa ou de estudante, o número depende da configuração da biblioteca, então vale perguntar ao time de TI antes de contar com isso
6. Pare de editar o documento acusado. Erro comum e talvez o mais caro de todos: continuar mexendo no arquivo depois da acusação e sujar a linha do tempo, misturando trabalho original com ajuste feito sob pressão. Se precisar trabalhar no texto, trabalhe numa cópia

E se eu escrevi tudo no bloco de notas?

Aí a trilha é fina, e é bom saber disso antes de sentar na reunião

Texto escrito em formato sem histórico de versões não gera linha do tempo, e a defesa vai precisar se apoiar em rascunhos datados, e-mails de envio parcial, mensagens com o orientador ou cliente, e no seu material de pesquisa

Existe também um caminho específico de produto: o GPTZero oferece o Writing Report, chamado de GPTZero Authorship, que reproduz o processo de escrita de documentos do Google Docs em vídeo, com linha do tempo de atividade, maiores blocos copiados e colados, duração média das revisões e contribuição por editor

Sacou a ironia? Quem vende detector também vende a ferramenta que mostra o processo de escrita 😀

Como montar a contestação, do e-mail à reunião

Tom aqui é de defesa objetiva, sem acusar a instituição nem o cliente. Você quer o procedimento correto, não briga

1. Peça o relatório completo e a metodologia usada. Nome da ferramenta, data da análise, score exibido, trechos destacados. Erro comum deste passo: responder ao print. Print de porcentagem não é relatório
2. Mande o pedido por escrito, curto e sem drama. Um modelo simples:

Olá, professor(a),

Recebi a sinalização de uso de IA no meu trabalho entregue nesta disciplina.

Para responder de forma adequada, peço:
1) o relatório completo gerado, com data da análise;
2) o nome da ferramenta e o score exibido;
3) a política institucional aplicável a esse tipo de sinalização.

Tenho o histórico de versões do documento e o material de pesquisa
disponíveis para verificação.

Obrigado pela atenção,

3. Verifique se o documento cumpria os requisitos do modelo. No caso do Turnitin, o AI Writing Report pede mínimo de 300 palavras de prosa em formato de escrita longa. Erro comum deste passo: assumir que o relatório é válido só porque foi gerado
4. Cheque se o score veio como asterisco. Se o resultado ficou acima de 0% e abaixo de 20%, o próprio fornecedor não exibe percentual nem destaques, por causa da incidência maior de falsos positivos na faixa de 1% a 19%. Erro comum deste passo: aceitar uma leitura de "deu alguma coisa" em cima de um indicador que a ferramenta se recusa a quantificar
5. Pergunte a data do relatório e peça reenvio se ele for antigo. O Turnitin atualiza periodicamente o modelo pra cobrir LLMs mais recentes, e a atualização não refaz relatórios já gerados: é preciso reenviar o documento pra ver o score do modelo atualizado. Erro comum deste passo: discutir por semanas um número produzido por uma versão que nem é mais a vigente
6. Apresente o processo, não a opinião. Histórico de versões, rascunhos datados, notas de pesquisa, e se fizer sentido o relatório de autoria. Erro comum deste passo: chegar com discurso emocionado e nenhum arquivo aberto na tela
7. Anexe as declarações do próprio fornecedor sobre limite de uso. Aquela lista da seção anterior, com link e data de consulta, vale mais que qualquer argumento seu em primeira pessoa
8. Consulte a política escrita da instituição ou o contrato, no caso de trabalho freelance. Prazo de recurso, instância que julga e formato da defesa mudam de lugar pra lugar, e eu não vou inventar trâmite pra você. Erro comum deste passo: perder prazo enquanto discute mérito por WhatsApp

Conclusão

Se tem uma coisa pra levar daqui é essa: a briga pelo score é uma briga ruim, porque ela acontece no único terreno em que a ferramenta tem alguma autoridade

A briga boa é a do processo documentado, que nenhum detector viu e nenhum deles consegue reproduzir

E olha, os fornecedores facilitaram sua vida sem querer: o Turnitin escreveu que o indicador não pode ser base única de ação adversa, o GPTZero escreveu que o resultado é probabilístico, a OpenAI desligou o próprio classificador por baixa acurácia e a Vanderbilt University desativou o detector por não conseguir auditar as métricas

Próximo passo prático, hoje mesmo, mesmo que ninguém tenha te acusado de nada: escreva em ferramenta com histórico de versões, nomeie os marcos do trabalho e guarde suas notas de pesquisa numa pasta com data

Prova de autoria se constrói antes da acusação, nunca depois…

E se você está do outro lado da situação, ou seja, ainda vai entregar e quer que o texto soe seu de verdade, o caminho é o mesmo de sempre: escreva o rascunho antes de pedir qualquer ajuda pra IA, e deixe a trilha do processo registrada desde a primeira linha

Até o próximo post! =)