O Tamperlens não detecta texto escrito por IA, e esta página não é propaganda disfarçada. Ela existe porque a pergunta quase sempre é feita com um documento na mão, e documento é verificável de jeitos que um parágrafo colado numa caixinha nunca será.
As três abordagens, e o que cada uma estabelece
| Abordagem | Determinística ou probabilística | O que um resultado positivo estabelece | O que ela nunca estabelece |
|---|---|---|---|
| Detectores comerciais de texto por IA | Probabilística, e mal calibrada fora dos dados em que foi treinada | Que a escrita se parece com a saída de um modelo ajustado por instrução | Quem escreveu. Não existe medida de autoria dentro daquele percentual |
| Marca d'água estatística (SynthID-Text, e a do Claude, que é uma versão dela) | Quase determinística: um teste estatístico com p-valor de verdade, mas só para quem tem a chave | Que um modelo com chave daquele fornecedor provavelmente passou pelo texto em algum momento | Que o modelo escreveu em vez de ter editado; que nenhum humano mexeu; e a ausência não prova absolutamente nada |
| Verificação do arquivo, quando o texto está dentro de um documento | Determinística: a estrutura está no arquivo ou não está | O que os próprios bytes registram: revisões, ferramenta produtora, cobertura de assinatura, fontes, datas, aritmética, procedência assinada | Se um modelo de linguagem redigiu as frases. Ela não olha para a prosa |
Leia só a última coluna e o formato do problema aparece. Os dois métodos que miram na escrita não conseguem responder à pergunta, e o método que devolve fatos mira em outro lugar. A jogada não é procurar detector melhor. É perceber que você está com um arquivo na mão, e perguntar ao arquivo.
1. Detectores comerciais: probabilísticos, e quebrados de um jeito específico
O que eles medem é o resíduo estilístico do ajuste por instrução, não autoria de máquina. Isso já foi demonstrado mecanicamente, não apenas alegado: o texto do modelo base passa pelos detectores como esmagadoramente humano, enquanto o irmão ajustado por instrução é marcado.
Os falsos positivos, com os números
- Quem escreve fora da própria língua: 61,22%. Sete detectores comerciais em redações do TOEFL escritas por humanos, com 19,78% marcadas como IA por todos os sete; os mesmos detectores em redações de nativos, cerca de 5%. Liang e colegas, Patterns (arXiv 2304.02819). Para o leitor brasileiro isso não é curiosidade acadêmica: é o paper submetido a periódico estrangeiro, a carta de motivação, o relatório para a matriz.
- Patentes concedidas: 78,3% no nível das reivindicações. Em 500 patentes europeias concedidas (humanas por definição, e anteriores aos modelos), um detector aberto de referência chamou quatro em cada cinco reivindicações de geradas por máquina (arXiv 2607.13044). As exigências de clareza do direito de patentes fabricam prosa humana de baixa perplexidade.
- Texto humano com uma passada de IA por cima: o caso real, e o pior de todos. Um detector com 93,5% de acerto em texto gerado direto, num ajuste rígido de 1% de falso positivo, cai para 15,1% quando o texto é humano e a IA só revisou (arXiv 2607.29539). Na tarefa de dizer “quem escreveu qual parte”, o melhor sistema do PAN 2025 chegou a 65,06 de F1.
- Nenhuma ferramenta passou de 80% na avaliação acadêmica de referência. Weber-Wulff e colegas, catorze ferramentas em seis classes de documento (International Journal for Educational Integrity 19(1):26). Acerto em texto de IA editado por humano: 30%. Parafraseado: 15%. Conclusão literal: “os sistemas que testamos não deveriam ser usados em ambientes acadêmicos”.
E em português é pior: só que ninguém mediu
E em português é pior, só que ninguém mediu. A base de evidências publicada é quase toda em inglês, e o pouco que existe fora dele aponta na direção ruim: os próprios autores dos detectores acadêmicos registram que, em línguas com menos dados de treino, texto de máquina “costuma ser classificado como humano”. Não existe avaliação independente séria de detecção de IA em português brasileiro, e qualquer taxa de acerto anunciada para textos em português é extrapolação de dados que o fornecedor não tem.
A extrapolação que importa para documento comercial. Nota fiscal, contrato, carta de banco e papelada de cadastro são mais formulaicos e de entropia mais baixa que uma reivindicação de patente, e ainda são curtos e quase nunca em inglês, os dois outros regimes em que todo método degrada para o chute. Espere algo na faixa de 60% a 85% de falso positivo. Esse número é extrapolação a partir dos resultados de patentes e de segunda língua, não medição de documentos comerciais, e a gente diz isso em vez de maquiar.
O que os fornecedores fizeram quando os números chegaram
Citação e atualização em Turnitin. Instituições que desligaram, verificadas uma a uma: Vanderbilt, Washington State, Waterloo e cerca de duas dezenas de outras. Nenhuma religou.
Aquela atualização aumentou o tamanho mínimo do documento, redefiniu retroativamente a promessa de falso positivo para documentos com mais de 20% de IA, e divulgou uma taxa de falso positivo por frase: sendo que um décimo das frases falsamente marcadas não ficava nem perto de qualquer trecho de IA. Frase marcada é justamente aquilo em que o professor se apoia para acusar, e esse número não é publicado em lugar nenhum hoje.
Desde 2024 os escores entre 1% e 19% são suprimidos por completo, e em agosto de 2026 a distinção entre “gerado por IA” e “modificado por IA” foi abolida, “para reduzir o risco de interpretação excessiva”.
- ~750trabalhos por ano marcados errado: a conta da própria Vanderbilt antes de desligar
- ⅓das audiências disciplinares da Washington State terminou em “não responsável”
- 100%de IA: o que o teste interno da Waterloo marcou sobre texto humano
- 0instituições religaram
As fontes: Vanderbilt (75 mil trabalhos por ano × a taxa de 1% que o próprio fornecedor anunciava), Washington State (fevereiro de 2026), Waterloo. Cerca de duas dezenas de universidades foram verificadas uma a uma como tendo desligado, e o Inside Higher Ed conta “pelo menos uma dúzia” com nome e sobrenome.
O resultado perverso
Os detectores marcam quem usou IA de forma declarada e honesta, e deixam passar quem quis burlar. Um estudo de 2026 mediu refinamento leve e declarado sendo marcado em 64% a 80% dos casos, contra menos de 4% para texto passado por “humanizador” (arXiv 2608.11256). A função de reescrita do Grammarly já foi demonstrada convertendo texto inteiramente humano em marcação total de IA. Quem declara o uso corre mais risco do que quem esconde, o inverso do que a ferramenta é comprada para fazer.
E o custo não cai igual para todo mundo. Numa pesquisa representativa nos Estados Unidos, 10% dos adolescentes relataram ter sido falsamente acusados de usar IA, 20% entre negros, 7% entre brancos. Lido junto com os 61,22% acima, é uma ferramenta cujos erros caem sobre quem tem menos condição de contestar.
Taxas de sinalização em arXiv 2608.11256 (2026); os números de acusação falsa vêm de pesquisa representativa nos EUA.
Veredicto: percentual de detector nunca é prova. No melhor dos casos é um indício fraco, que serve para você ir olhar alguma coisa verificável.
O fato mais informativo da categoria inteira
Em 31 de janeiro de 2023 a OpenAI lançou um classificador de texto por IA e publicou o desempenho medido: ele “identifica corretamente 26% do texto escrito por IA (verdadeiros positivos)… enquanto rotula incorretamente texto escrito por humano como escrito por IA em 9% das vezes”. As notas de lançamento diziam com todas as letras: “não deve ser usado como ferramenta primária de decisão”. Em 20 de julho de 2023 a OpenAI retirou o produto “devido à sua baixa taxa de acurácia”.
Três anos depois, a organização com mais dados de treino e o maior incentivo comercial para vender detecção de texto entrega marca d'água para imagem e áudio e metadados C2PA em arquivos, e nada para texto. Quando o fornecedor mais bem posicionado mediu, matou e nunca voltou, o sinal é mais forte que qualquer benchmark.
2. Marca d'água estatística: um teste de verdade, trancado com a chave dos outros
Essa é a única ideia genuinamente sólida da categoria, e ela está basicamente indisponível para você. Enquanto o modelo escreve, ele combina as últimas palavras com uma chave secreta para semear um gerador pseudoaleatório e enviesar qual das próximas palavras igualmente boas vai sair. Em texto que ninguém marcou, essas palavras aparecem na taxa do acaso: então contá-las dá um escore z e um p-valor de verdade. É essa a vantagem estrutural sobre um detector: uma taxa de falso positivo calibrada, em vez de um chute.
Aqui existe um esquema só, não dois. A documentação da própria Anthropic afirma que “a marca d'água de texto do Claude é uma versão da abordagem SynthID-Text publicada pelo Google DeepMind”, então o artigo da Nature 634, 818-823 é a especificação técnica dos dois: quase toda a cobertura de agosto de 2026 tratou o mecanismo como não revelado. Modelos Claude lançados a partir de 2 de agosto de 2026 já saem marcando, no mundo todo, por causa do Artigo 50(2) do AI Act europeu.
A tranca: detectar exige a chave
Ou seja: hoje, para um terceiro com um parágrafo suspeito na mão, a resposta não é “roda o teste da marca d'água e vê”. O teste não pode ser rodado.
O que um positivo provaria, e o que ele jamais provaria
Envolvimento, não autoria. A Anthropic descreve a semântica com precisão: a marca d'água “só consegue determinar que o Claude provavelmente esteve envolvido com o conteúdo em algum momento”, e “não distingue ‘o Claude escreveu isto' de ‘o Claude editou isto pesadamente'”. Ela não diz nada sobre quem forneceu o conteúdo, os fatos ou a intenção.
Tudo abaixo remove ou falsifica a marca
- Passagem curta não tem sinal suficiente. Mesmo um esquema sem distorção do estado da arte detecta só cerca de um quarto das respostas de aproximadamente cem tokens a p ≤ 0,01, antes de qualquer adversário aparecer.
- Re-tokenizar destrói a marca, de graça. Insira um caractere entre cada palavra e depois apague: o texto fica idêntico para quem lê e re-tokenizado para o detector, o que destrói os contextos de n-gramas que semeiam todo esquema baseado em hash. A OpenAI cita esse ataque no próprio texto em que explica por que nunca lançou marca d'água para texto.
- Paráfrase e tradução degradam ou removem. Um modelo parafraseador elimina a marca abaixo de cerca de 800 tokens, e modelo de pesos abertos nunca teve marca nenhuma: ela vive no laço de amostragem, não nos pesos.
- Dá para roubar, apagar e forjar. Consultar a API marcada já aproxima o material da chave: “por menos de US$ 50 um atacante consegue tanto forjar quanto apagar esquemas do estado da arte antes considerados seguros, com taxa média de sucesso acima de 80%” (Jovanović, Staab e Vechev, ICML 2024). A forja é a direção para a qual ninguém se prepara. E um resultado companheiro mostra que dois oráculos fracos bastam para remover a marca dos três esquemas principais (Zhang e colegas, ICML 2024).
Uma marca que se forja por menos de US$ 50 não sustenta uma decisão contra ninguém. Nem processo disciplinar, nem demissão, nem acusação de fraude. Marca d'água é um obstáculo real e útil contra uso indevido de baixo esforço, em escala de plataforma. Ela não é instrumento de prova, e nunca foi construída para ser.
3. Quando o texto está dentro de um arquivo, o chão fica firme
Texto solto não tem recipiente, e é por isso que o C2PA não tem tipo de ativo para texto. Um parágrafo é uma sequência de bytes, e copiar e colar descarta tudo menos os caracteres. Não existe onde, dentro de um parágrafo, guardar uma assinatura que sobreviva a um Ctrl+C.
Um PDF é um recipiente com história
Documento é outra coisa, e a história dele não é palpite:
- Revisões. Editor de PDF salva anexando, então o histórico de revisões mostra o que mudou: veja atualização incremental vs reescrita completa.
- A ferramenta que produziu. Produtor e criador nomeiam o software que escreveu os bytes, uma ferramenta que cria é um fato diferente de uma que consome.
-
Metadados que precisam concordar entre si. O dicionário Info e
o pacote XMP, carimbos de criação e modificação, o par
/IDdo trailer: veja forense de metadados em PDF. - Cobertura da assinatura digital. Se ela ainda cobre o que assinou é aritmética, não opinião, sinais de assinatura e, para certificado ICP-Brasil, o que o validador do ITI verifica.
- Aritmética do que está impresso. Totais que não fecham, dígitos verificadores que não recalculam, sinais de números e estrutura. Isso sobrevive a qualquer reescrita, porque é propriedade das afirmações, não do recipiente.
- Procedência assinada, onde existir. Manifestos C2PA podem ser embutidos em PDF 1.7 e 2.0, e verificar um é conferir uma assinatura: praticamente zero falso positivo, impossível de forjar sem a chave e, diferente da marca d'água de texto, qualquer um verifica.
Nada disso responde “um modelo de linguagem escreveu estas frases?”, e nada disso finge responder. O que responde são perguntas que aguentam contestação: escrito uma vez ou reescrito; ferramenta produtora batendo com o que o documento diz ser; números concordando entre si. O guia irmão, como identificar um PDF gerado por IA, percorre a versão documental.
E degrada com honestidade. Ausência de manifesto quer dizer “nenhuma declaração”, não “escrito por humano”. Relatório silencioso quer dizer que o arquivo não registrou nada, não que nada aconteceu.
O que nada disso consegue te dizer
Não existe teste de autoria humana. Todo método acima é ou um palpite de semelhança, ou a busca por uma marca que a máquina deixou. Nenhum dos dois tem forma negativa que signifique “uma pessoa escreveu isto”. Percentual baixo de detector e marca d'água ausente são a mesma não-resposta.
- Ausência de marca d'água não significa nada. Modelos de pesos abertos nunca emitem marca. Versões mais antigas ainda estão em transição. Paráfrase, tradução, uma passada de inserir-e-apagar caractere ou simplesmente redigitar já removem.
- Percentual de detector não é prova contra uma pessoa, e agir com base nele é discriminatório na prática. Essas ferramentas erram com quem escreve em segunda língua cerca de doze vezes mais que com nativos, e a carga de acusação falsa recai mais pesado sobre pessoas multilíngues, com deficiência e neurodivergentes. Tribunais já começaram a dizer isso, e a responsabilidade caiu sobre as instituições que usaram a ferramenta, não sobre quem a vendeu.
- Marca d'água positiva também não é autoria. É envolvimento, pela definição do próprio fornecedor, e é forjável por menos de US$ 50.
- Escrito com IA não é o mesmo que fraudulento. Redigir uma proposta ou um relatório com ajuda de um assistente é legítimo, e cada vez mais é só o que o editor de texto faz sozinho. Fraude é uma pergunta sobre fatos: se o pagamento existiu, se os totais fecham, se o arquivo foi alterado depois de emitido.
- O Tamperlens não pontua texto. Você envia um documento e recebe sinais estruturais sobre o arquivo, com a evidência de cada um e as causas benignas. Você nunca vai receber um número dizendo que uma máquina escreveu as palavras, porque não temos como produzir esse número de forma honesta.
Então o que fazer
Se você está com um arquivo, verifique o arquivo. O verificador gratuito relata o que a estrutura registrou (revisões anexadas depois da criação, a ferramenta que produziu, metadados que se contradizem, cobertura de assinatura, aritmética que não fecha), cada um com a evidência e a explicação inocente.
Se você está com um texto solto, nenhuma ferramenta vai resolver. Peça o arquivo de origem e verifique ele. Confira as afirmações com quem as emitiu. Se a preocupação é de processo e não de fraude, as perguntas que têm resposta são sobre rascunhos, fontes e a capacidade de discutir o próprio trabalho, não sobre um percentual.
Pergunte ao arquivo
Abra a amostra “Assinada e depois modificada”: um laudo pré-calculado sobre um documento cuja assinatura já não cobre os bytes que estão embaixo dela. É a primeira linha da tabela lá em cima com a evidência junto, e é fato sobre o arquivo em vez de palpite sobre a prosa. Sem conta, sem upload. Seu próprio arquivo entra no mesmo verificador: o arquivo é enviado por HTTPS, processado em memória e nunca gravado em disco, num servidor em Helsinque, na Finlândia (privacidade).
A Tamperlens reporta sinais de risco, não veredictos de autenticidade, e nunca vai devolver um número dizendo que uma máquina escreveu as palavras.
Relacionados
- Como identificar um PDF gerado por IA: a versão documental desta pergunta, onde as respostas são verificáveis.
- Guia das famílias de sinais : todo sinal estrutural que o motor reporta, com a causa benigna de cada um.
- Como saber se um PDF foi editado, as conferências manuais e as automáticas.
- Precisão e falsos positivos: nossas próprias taxas de erro, medidas e publicadas em vez de alegadas.
- A credencial de IA dentro do PDF: o que encontramos ao procurar procedência assinada em arquivos reais.