A fórmula "não é só X, é Y" virou marca inconfundível de textos de IA

Existe uma maneira simples de checar se um texto foi escrito por IA: procurar a construção "não é só X, é também Y". Se ela aparecer ao menos uma vez, a probabilidade de autoria sintética tende a cem por cento. É essa a conclusão que decorre das observações que o TechCrunch resumiu em abril de 2026. A construção de contraste "não apenas... mas também..." tornou-se uma característica tão marcante dos materiais gerados por IA que deixou de ser apenas um indício indireto: agora é quase uma garantia.

Por que justamente ela? Os modelos de linguagem foram treinados com bilhões de textos, entre eles reportagens longas, análises e materiais de marketing. Nesses gêneros, o recurso é comum: cria a aparência de profundidade e nuance. O modelo o absorveu como sinal de "escrita inteligente" e agora o reproduz automaticamente sempre que precisa reforçar um argumento ou mostrar que um tema foi examinado por todos os lados.

O problema é a dose. Em um texto humano, essa construção aparece raramente e no lugar certo. Quando um modelo de linguagem a usa várias vezes seguidas no mesmo material, já não é estilo: é uma falha que salta aos olhos de qualquer editor.

Essa não é a primeira nem a última "pista" do tipo. Antes dela, pesquisadores já tinham registrado outras marcas de IA: a palavra "delve" (aprofundar-se) em contextos que não combinam com ela, aberturas como "Certainly!" e "Great question!", listas arrumadinhas com exatamente cinco itens e fechamentos no estilo "isso abre novos horizontes para pesquisas futuras". Cada padrão segue a mesma trajetória: primeiro os editores notam, depois ele entra na lista dos detectores, então os desenvolvedores tentam eliminá-lo, e o ciclo recomeça.

A escala do problema é grande. Segundo algumas estimativas, em certos nichos (blogs de marketing, notícias corporativas, fazendas de conteúdo) a fatia de materiais gerados por IA já passa de 60-70%. Esses padrões se espalharam pela internet, e os leitores começam a reconhecê-los de forma intuitiva, mesmo sem conseguir dizer o que exatamente os incomoda.

Para empresas e autores que usam modelos de linguagem no trabalho, isso é um sinal prático em vários níveis.

Primeiro: a edição final não é opcional. Passar o texto por um modelo e publicar na hora é arriscar a reputação. O leitor que percebe uma fórmula repetida tira conclusões não só sobre a qualidade daquele material, mas também sobre a atitude do autor em relação ao público.

Segundo: ajustar prompts funciona. Uma proibição explícita de clichês no prompt de sistema ("não use a construção X", "evite contrastes simétricos") reduz radicalmente a frequência deles. Não é garantia, mas é uma melhora significativa.

Terceiro: a lista de marcas precisa ser atualizada. Os padrões mudam junto com os modelos. O que funcionava como detector há um ano pode já ter sido corrigido nas versões novas. E o inverso também vale: modelos novos trazem clichês novos que ninguém percebeu ainda.

A história do "não é só X, é Y" mostra bem a natureza da corrida entre os modelos de linguagem e quem os edita. Os modelos aprendem rápido recursos estilísticos que parecem convincentes no nível estatístico, mas é justamente por isso que os repetem demais e de forma previsível demais. Um bom editor ainda leva a melhor sobre o algoritmo. Por enquanto.