Deteção de IA: o que está e não está verificado

Lemos trabalhos recentes de 2026. Fica aqui só o que encontrámos numa fonte primária: o resumo do artigo ou o texto da lei. Os números dos autores são dos autores, e por isso não os repetimos.

O que está confirmado

• Os benchmarks aproximaram-se da vida real. O DetectRL-X (ACL 2026) põe os detetores à prova em 8 línguas e 6 áreas, com textos de 4 modelos comerciais. Os textos não são só gerados: também são «polidos», alargados, resumidos e, a seguir, parafraseados e estragados com ruído. Mede-se o peso do género, do modelo, do ataque e do comprimento. São justamente os casos em que os detetores se saem pior.
• O ritmo da «surpresa» como indício. Os autores do DivEye medem como a imprevisibilidade das palavras sobe e desce ao longo do texto. Dizem que o método ganha até 33,2% aos detetores sem treino, acrescenta até 18,7% a outros detetores e aguenta bem a paráfrase. É uma afirmação dos autores, e o resumo não fala de suporte multilingue.
• Três classes em vez de duas. A descrição do GPTZero apresenta um esquema hierárquico «humano / IA» com categorias mais finas. O resumo não dá números de precisão, e quem o escreve é o fabricante.
• Palavras misturadas. O preprint Luminol-AIDetect compara a perplexidade do texto com a da sua cópia, com as palavras trocadas de ordem. Os autores falam de 18 línguas e 11 tipos de ataque, mas o artigo ainda está em revisão.
• Marcação por lei. O artigo 50.º, n.º 2, do Regulamento da UE sobre IA obriga a que os resultados dos sistemas que geram, entre outras coisas, texto sejam marcados num formato que uma máquina leia. Há exceções: as funções de apoio à edição normal e os casos em que o sistema não altera de forma substancial os dados de entrada. Pelo texto do artigo, vale a partir de 2 de agosto de 2026. Para os sistemas que já estavam no mercado, o prazo da marcação é 2 de dezembro de 2026, segundo o calendário de aplicação.

O que deixámos de fora e porquê

• Números como «o Binoculars chega a cerca de 55% em textos do Claude» e «perde 12,7 pontos com paráfrase». Só os vimos no resumo de um motor de pesquisa e não os confirmámos nas fontes primárias.
• O que se diz sobre os fornecedores que já põem marcas de água no texto (e os planos de empresas concretas). As fontes contradizem-se e não há fontes primárias.
• Um possível adiamento de prazos no pacote «Digital Omnibus». Não encontrámos confirmação.
• A ideia de que misturar palavras ou os indícios de ritmo vão ajudar em ucraniano ou em português. Nos artigos não vimos essa afirmação. É só uma hipótese nossa, ainda por testar.

O que isto muda na verificação de textos

Nada disto desfaz a conclusão anterior: não há um teste único e fiável, e os detetores falham mais com textos mistos e com paráfrases. Na nossa medição preliminar, o texto humano editado por um modelo quase passou despercebido: foram assinalados cerca de 0,5%, com 1% de falsos positivos. Por isso damos uma estimativa com a sua incerteza e avisamos quando o sinal não chega, em vez de dar uma «percentagem de participação da IA».

O que ler a seguir

Para ver como funcionam as várias abordagens, leia Como se verifica hoje um texto quanto a IA. Para perceber porque é que os resultados falham, veja Por que os detetores de IA se enganam. E, para experimentar num texto seu, use a verificação.