Turnitin e OpenAI estão perdendo: por que os detectores de IA já não distinguem pessoas de modelos

Os modelos de linguagem chegaram a um ponto em que fica cada vez mais difícil dizer, só pelo texto, se ele foi escrito por uma pessoa ou por uma máquina. Por isso, os detectores de IA estão virando um filtro fraco: deixam passar conteúdo sintético e, ao mesmo tempo, erram cada vez mais com autores reais.

Por que os modelos se parecem com humanos

Até pouco tempo atrás, parecia possível reconhecer um texto de máquina pela fluidez estéril, pelas expressões repetitivas e pela estrutura certinha demais. Mas os LLMs atuais foram muito além do primitivo "adivinhe a próxima palavra". Sobre a predição linguística básica, surgiram mecanismos que ajudam a manter o sentido, copiar o tom e adaptar a resposta a um público específico. O modelo aprende a falar com coerência e também a soar como alguém que escreve um trabalho de faculdade, discute num chat ou explica um assunto a um colega.

Várias camadas trabalham para isso ao mesmo tempo. A transferência de estilo ajuda a reproduzir a maneira individual de escrever, o fine-tuning refina a linguagem com exemplos reais, a inferência usa o contexto da conversa e o RLHF ajusta as respostas às expectativas humanas de lógica, educação e naturalidade. Com isso, some a antiga distância entre o texto "de máquina" e o "humano". O modelo pode ser seco e acadêmico, coloquial e irregular ou até propositalmente meio grosseiro, se esse estilo passar melhor por fala real.

Onde os detectores falham

Nesse contexto, os próprios detectores perdem o chão. Um estudo de 2025, citado pelo autor do material, mostrou um resultado praticamente empatado: tanto pessoas quanto algoritmos identificaram textos de IA com precisão de cerca de 57%. Isso já deixa de ser uma ferramenta de controle e vira quase um cara ou coroa.

Outro problema é que o texto pode passar por uma paráfrase adicional, o que apaga ainda mais os rastros estatísticos da geração. Quanto melhor os modelos reescrevem a si mesmos, pior funcionam os sistemas que procuram as assinaturas antigas.

"GPT ou não GPT?" — com frequência demais, a checagem hoje se resume

exatamente a isso.

• Nas pesquisas, a precisão da detecção fica cada vez mais próxima do chute aleatório.
• A paráfrase repetida remove padrões, previsibilidade e outros marcadores visíveis de geração.
• Os falsos positivos atingem mais os autores reais do que quem usa IA em massa.
• A OpenAI encerrou seu AI Classifier após resultados fracos: a ferramenta identificava cerca de 26% dos textos gerados.

O efeito mais doloroso são os erros contra pessoas. Em 2023, nos EUA, um caso de grande repercussão envolvendo o Turnitin atingiu uma estudante cuja redação foi classificada pelo sistema quase inteiramente como trabalho de IA. Depois, uma verificação independente mostrou que o próprio detector está longe de ser infalível e reconhece apenas parte dos textos gerados por máquina.

Essa assimetria é perigosa: o texto gerado pode passar despercebido, enquanto um autor honesto sofre um golpe na reputação. Quando se trata de um diploma, uma publicação científica ou uma avaliação, o custo de um único erro fica alto demais.

O que mudar agora

A principal conclusão para a educação e a ciência é simples: é preciso verificar o processo inteiro de criação do texto, e não só o resultado final. Quanto mais um sistema recompensa volume, estrutura formal e "enrolação" burocrática, mais fácil é enganá-lo com LLMs.

Por isso, vale mais deslocar o foco para a defesa oral, os rascunhos, o histórico de edições, a qualidade das fontes, a reprodutibilidade das conclusões e a capacidade do autor de explicar sua argumentação sem cola. Onde é preciso demonstrar compreensão do tema, e não só entregar muito texto bem alinhado, o modelo tem menos espaço para uma substituição despercebida.

Fora do meio acadêmico, o problema é igualmente prático. Detectores fracos não detêm a desinformação e são quase inúteis contra engenharia social, em que contam velocidade, escala e um tom convincente.

Por isso, redações, empresas e até a troca de mensagens do dia a dia não precisam de um "scanner mágico de IA", e sim de verificação de verdade: checar fatos em várias fontes, confirmar a identidade por um segundo canal e desconfiar de mensagens rápidas demais e polidas demais. Um texto liso pode ser um sinal, mas não uma prova — e é exatamente isso que coloca a verificação humana de novo no centro.

O que isso significa

O detector de IA não pode mais ser visto como um juiz que dá o veredito final sobre um texto. No máximo, é um indicador auxiliar. A confiança agora se desloca da superfície do texto para a origem, o processo de criação e a capacidade do autor de comprovar que realmente entende o que escreveu.