Como saber se um texto foi escrito por uma IA: os sinais, os detectores e 24 acusações reais

Resumo: hoje não existe jeito confiável de saber se um texto foi escrito por uma IA — nem no olho, nem com detector. Mas temos algo mais interessante que teoria. Enquanto mapeávamos o mercado de cursos de IA, extraímos as avaliações de alunos da Udemy e da Coursera e caímos num filão raro: pessoas de verdade acusando publicamente o autor de um curso pago de vender material feito por máquina. Nenhuma delas rodou um detector. Fomos ver o que de fato os entregou — e não era nada do que os detectores medem.

Por que o problema não tem solução

Um modelo de linguagem foi treinado em textos humanos e está otimizado para produzir texto estatisticamente “normal”. Um bom texto de máquina é, por definição, indistinguível da escrita humana média. A tarefa de “separar IA de gente” esbarra num detalhe: a fronteira de verdade não passa entre máquina e pessoa, e sim entre estilo com assinatura e estilo na média. E na média também escrevem pessoas — principalmente as cansadas, as cautelosas e as que trabalham num segundo idioma.

Some a isso que quase ninguém publica a saída crua do modelo: o texto é editado, ampliado, misturado ao seu. Casos puros de “humano” e de “IA” quase não existem; existe um contínuo. O curso que dissecamos abaixo é exatamente esse híbrido: o roteiro parece escrito por máquina, mas os slides foram montados por uma pessoa, que gravou a voz e vendeu o produto. Aqui “foi uma IA que escreveu isso?” nem tem resposta única. E esse é o caso normal, não o exótico.

Nossos dados: 24 acusações de autoria mecânica, zero detectores

Extraímos as avaliações dos maiores cursos sobre ChatGPT e IA generativa — pesquisa de mercado nossa, medição de 17.07.2026. O subproduto acabou valendo mais que o resultado principal. Nas avaliações negativas aparece uma acusação recorrente: isso aqui foi máquina que fez. E quem faz a acusação é gente que pagou pelo curso e assistiu até o fim.

A versão mais direta cai sobre o Prompt Engineering with ChatGPT Masterclass, da RPATech: 118.803 alunos, 57.836 avaliações, nota 4,48. Não é um produto marginal; é um dos maiores cursos do nicho:

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

E no mesmo curso, um veredito que não dá para encurtar mais:

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Repare no que falta nessas avaliações. Nenhuma porcentagem. Nenhuma menção a GPTZero ou ZeroGPT. Nada sobre perplexidade, ritmo das frases ou a fórmula “não é só X, é Y”. Ninguém rodou detector — bastaram duas coisas: o slide estava entulhado e o falado batia palavra por palavra com o escrito. Isso não é pista de estilo. É pista de processo: é assim que fica um texto que ninguém reescreveu para ser ouvido, porque entre a geração e a gravação não havia gente nenhuma.

O que entrega uma máquina de verdade: não o estilo, e sim o trabalho que faltou

Separamos todas as avaliações negativas em grupos e apareceu um padrão. A reclamação mais frequente sobre videocursos não fala de IA: fala de ler o slide.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (curso de Justin Barnett)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Repare no jeito como o Sachin diz: “sometimes without even knowing the point”. É a definição mais afiada de texto de máquina que já li, e não tem nada a ver com estatística. O texto vira mecânico quando entre ele e o leitor não houve ninguém que o entendesse. Um modelo consegue simular compreensão dentro de cada frase. O que ele não consegue simular é a decisão de jogar metade fora — porque essa decisão exige saber para que você está escrevendo.

Daí sai o segundo grupo: enchimento e repetição.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

E o terceiro: vazio vendido como conteúdo.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Junte tudo. O leitor dá o veredito “máquina” não pelo ritmo das frases, e sim por três coisas: ninguém cortou o texto, o texto não decide nada, o autor não está ali. As três não são propriedades do gerador, e sim de uma edição que não aconteceu. Uma pessoa com prazo estourando e sem vontade entrega exatamente a mesma coisa. É por isso que a acusação acerta e erra ao mesmo tempo.

Uma ressalva honesta contra nós mesmos: isto não é um experimento. Não sabemos se um modelo escreveu aquele curso de fato — a RPATech nunca comentou, e a avaliação do Bradley M. continua sendo a opinião de um espectador. Nossa afirmação é mais modesta: sabemos em que pessoas reais e pagantes baseiam o veredito. São dados sobre o detector chamado “gente”, não sobre o fato da geração.

O que confundem com rastro de IA — e por que é um erro

Agora olhe a lista canônica de “sinais” e veja como ela não descreve máquina nenhuma. É isto que costumam apresentar como prova:

• Uma fluidez suspeita. Todas as frases mais ou menos do mesmo tamanho e da mesma complexidade, o ritmo nunca varia.
• Tudo de três em três. Listas de exatamente três itens, parágrafos simétricos, seções do mesmo tamanho.
• A construção “não é X, é Y”. “Isso não é só uma ferramenta, é um jeito de pensar” — cinco vezes por página.
• Zero concretude. Sem nomes, sem datas, sem números, sem casos vividos. Vale para qualquer coisa e por isso não serve para nada.
• Vocabulário denunciador. “Cenário”, “destravar o potencial”, “na era digital”, “é importante notar”.

Nenhum desses pontos separa máquina de gente. Todos separam escrita de fôrma de escrita viva — e de fôrma também escrevem pessoas: cansadas, cautelosas, revisando por apostila ou trabalhando num segundo idioma. Com essa lista você “condena” sem esforço uma pessoa caprichosa. E o contrário também: a saída de um modelo com um bom prompt não mostra nenhum deles. Peça concretude, um exemplo real e uma posição, e a mecanicidade evapora (dá para ver como no texto sobre a fórmula de um prompt forte).

Teste aqui mesmo. O prompt abaixo faz o modelo escrever o mesmo parágrafo duas vezes — uma “à máquina” e outra viva — e depois julgar a própria saída. As duas versões saem da máquina, então qualquer veredito de detector do tipo “é IA / não é IA” vai estar errado por construção metade das vezes:

Escreva duas vezes o mesmo parágrafo de 120 palavras sobre por que o onboarding remoto de novos contratados fracassa.

Versão A: do jeito que escreve uma pessoa cansada que só quer preencher a página — sem nomes, sem números, sem casos, todas as frases mais ou menos do mesmo tamanho.

Versão B: com uma empresa inventada mas concreta, uma falha concreta da primeira semana, um número e frases de tamanhos bem desiguais.

Depois responda em três tópicos: qual versão um detector de IA baseado em perplexidade marcaria como escrita por máquina, por quê, e se esse veredito estaria certo, sendo que você escreveu as duas.

Como um detector funciona por dentro — e por que ele mente

Um detector de IA não “reconhece” texto. Ele mede propriedades estatísticas: o quanto cada palavra seguinte é previsível (perplexidade) e o quanto a complexidade das frases está distribuída de forma irregular (burstiness). A lógica: um modelo, por construção, escolhe a continuação provável, então o texto dele é em média mais previsível e mais parelho. A lógica está certa. O problema é o que se conclui dela.

• Falsos positivos em gente. Quem escreve simples e previsível parece um modelo, estatisticamente. Um vocabulário mais estreito dá perplexidade baixa — e vocabulário estreito é o de um adolescente, o de um advogado cauteloso e o de qualquer um que escreva num idioma que aprendeu em vez de absorver.
• Falsos negativos. Peça ao modelo mais variedade, ou mexa de leve no texto à mão, e o detector se cala. Ele pega previsibilidade, não procedência.
• Sem calibragem. A porcentagem parece científica, mas não dá para conferir: os detectores não publicam método transparente nenhum, e a precisão cai em textos diferentes dos dados de treino. “Probabilidade de 87%” e “nosso aparelho cuspiu o número 87” são afirmações diferentes: vendem a primeira e entregam a segunda.
• Em texto curto é chute. Um parágrafo sozinho não carrega estatística suficiente.
• Uma corrida perdida por definição. Cada melhoria do modelo deixa a saída dele mais parecida com a escrita humana média. O detector não está alcançando um alvo: o alvo está indo embora.

A conclusão é dura, mas necessária: a porcentagem de um detector não pode servir de base para uma acusação — nem na universidade, nem na redação, nem numa contratação. É uma ferramenta com margem de erro desconhecida, distribuída de forma desigual, que bate mais forte em quem já está em posição frágil.

Sobre quem escreve num segundo idioma: o que dá para provar e o que não dá

A tese de que “detectores punem quem escreve num segundo idioma” soa correta, e o mecanismo da perplexidade prevê isso diretamente. Mas não temos medição dos detectores em si, e não vamos inventar uma.

O que temos é um fato vizinho e sólido. Nossa pesquisa de mercado se apoia num estudo controlado randomizado de Bälter, Kann, Mutimukwe e Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2.263 estudantes suecos, o mesmo curso de programação on-line em dois idiomas:

• Evasão em sueco: 57%. Em inglês: 71% (φ = 0,2; p < 0,00001).
• Nota média de quem ficou: 16,9 contra 14,3 — uma diferença desprezível (δ = 0,085).

Leia com calma: o inglês não estragou a compreensão, fez as pessoas irem embora. E, o que mais importa aqui, a fluência autodeclarada não protegia: quem achava o próprio inglês bom desistia igual.

Isso não fala de detectores diretamente. Fala do seguinte: o custo de trabalhar num idioma que não é o seu é real, mensurável e invisível para quem paga por ele. Um detector que penaliza perplexidade baixa é mais uma camada do mesmo imposto, cobrada de quem já paga. É um argumento, não uma prova, e não estou vendendo como se fosse a segunda.

A pista que funciona: conferir os fatos

O mais forte que achamos foi uma avaliação em que alguém não chutou: pegou.

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (curso de Justin Barnett)

O erro não estava só na aula, estava também na prova — ou seja, a resposta errada contava como certa. Isso é pista. Não “87% de probabilidade”, e sim uma afirmação falsa e concreta que dá para colocar na mesa, e que o autor não sabe explicar porque não foi ele que a inventou.

Nenhum detector teria achado nada disso: a prosa da aula é impecável. Achou uma pessoa que conhecia o assunto. A regra é simples: se o texto tem fatos, confira os fatos, não o estilo. Um link que não leva a lugar nenhum, uma arquitetura trocada, um número sem fonte — isso é pista dura, e também é a impressão digital de uma alucinação de IA.

O prompt dessa conferência roda aqui mesmo:

Confira estas quatro afirmações e marque cada uma como VERDADEIRA, FALSA ou NÃO VERIFICÁVEL SEM FONTES, com uma frase de justificativa em cada:

1. Midjourney, DALL-E e Stable Diffusion são construídos sobre a arquitetura GAN.
2. Perplexidade, em modelagem de linguagem, mede o quanto um texto é previsível para um modelo.
3. Um texto que recebeu “100% IA” de um detector prova que o autor usou IA.
4. A marca-d'água permite detectar a saída de qualquer modelo.

Depois diga quais desses quatro erros você esperaria encontrar num curso on-line feito às pressas, e por que justamente esses.

E as marcas-d'água?

Tecnicamente dá para embutir na geração uma marca estatística imperceptível e conferir depois: o modelo desloca de leve a escolha das palavras segundo uma regra secreta, e esse deslocamento é reconhecido mais tarde. O Google DeepMind empurra uma abordagem assim com o nome SynthID. Os limites do método são estruturais, não são detalhe de implementação:

• A marca só existe onde alguém a colocou. Um modelo sem marca-d'água — inclusive qualquer um rodando localmente — simplesmente não está no jogo.
• A marca não sobrevive a tudo. Parafrasear, passar por tradução de ida e volta ou editar pesado à mão diluem o deslocamento estatístico.
• Ninguém é obrigado. Não existe padrão obrigatório no setor, e um padrão voluntário identifica os honestos.
• A ausência de marca não significa nada. Mesmo uma marca-d'água perfeita responde “sim, este é o nosso modelo” — nunca “não, isto é uma pessoa”.

É uma tecnologia útil para plataformas, não um detector universal para você.

O que fazer no lugar do detector

Se você dá aula, edita textos ou lidera um time, “foi IA que escreveu?” quase sempre é a pergunta errada. As de verdade são: “o autor entende o que entregou?” e “o texto cumpre a função dele?”. As duas dá para checar.

• Conversa. Duas perguntas de acompanhamento sobre o conteúdo respondem tudo o que detector nenhum responde.
• Processo. Rascunhos, histórico de versões, entregas parciais. Você vê o caminho, não só o resultado.
• Uma tarefa que a IA não fecha sozinha. Contexto local, experiência pessoal, dados da aula, ligação com um caso concreto.
• Conferência de fatos. Veja o caso do Jose C. acima: uma afirmação verificável vale mais que dez pontos percentuais de confiança.
• Regras abertas. Diga antes o que pode: “IA vale para rascunho e conferência, não para a conclusão final”. Uma regra transparente já resolve metade do problema.

A objeção é óbvia: conversa não escala, e detector é um clique. Objeção justa. Mas olhe o que acontece quando o sistema inteiro é construído em volta do que escala:

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698.444 matriculados)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

É a mesma doença do detector, vista do outro lado: correção automática que mede a coisa errada porque medir a certa sai caro. O “100% correct” automático e o “87% IA” são parentes. Os dois entregam um número no lugar de um julgamento.

E não é preguiça da plataforma: é um limite estrutural. Para conferir um prompt, é preciso um modelo dentro da aula. A Coursera não tem: a Prompt Engineering Specialization da Vanderbilt exige que o aluno compre à parte uma assinatura paga do ChatGPT e faça os exercícios em outro lugar. A plataforma não consegue fisicamente ver o que saiu dali, então carimba um aprovado automático. É exatamente por isso que no nosso curso de IA o modelo mora dentro da aula — e pelo mesmo motivo os blocos de prompt deste artigo têm um botão de rodar em vez de pedir que você copie tudo para outro canto.

Se a acusação sobrou para você

A situação é real e desagradável: o detector cuspiu uma porcentagem e o texto é seu. O que ajuda:

• Histórico de versões. Google Docs, Word, qualquer editor com salvamento automático. É a melhor prova que existe — o processo de escrita é mais difícil de falsificar que o resultado. Ligue o salvamento automático antes de precisar dele.
• Rascunhos e anotações. Guardar dá preguiça; são justamente eles que salvam você.
• Disposição para explicar. Se você entende o próprio texto, uma conversa encerra o assunto em dois minutos.
• Desmontar a ferramenta com calma. Peça que mostrem não a porcentagem, mas o trecho específico que a disparou e o método por trás do número. Detector nenhum entrega os dois — e essa ausência já é a resposta.
• Trocar a pergunta. “Me pergunte sobre o conteúdo” é a única frase que tira a conversa do chute e leva para a checagem. Para quem acusa, recusar fica constrangedor.

O prompt que prepara você para essa conversa não é “engane o detector”, e sim “veja se você sustenta o próprio texto”:

Este é o parágrafo de um estudante:

“As áreas verdes urbanas melhoram os indicadores de saúde mental. Estudos demonstraram que o acesso a parques reduz o estresse e melhora o bem-estar geral. Na era digital, é importante notar que os urbanistas precisam considerar holisticamente o cenário do desenvolvimento urbano para destravar o potencial da infraestrutura verde.”

Não julgue se foi uma IA que escreveu. Em vez disso, escreva cinco perguntas que eu poderia fazer ao autor em dois minutos de conversa e que revelariam se ele entende o que entregou. Para cada pergunta, diga o que a resposta de quem sabe conteria e como soaria a resposta de quem está blefando.

Como escrever com IA sem soar como máquina

E a conclusão mais prática. Se você usa IA de forma honesta — como rascunho —, a mecanicidade não sai com truque, sai com substância. Esta é a citação para guardar se você está atrás da jogada mágica:

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— fórum da OpenAI, tópico “Prompt to insert content without sounding like AI”

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— comentário no Hacker News

Ressalva: são três fontes de fóruns povoados por usuários avançados, não por público de massa. A amostra é pequena, e o que sai dela é hipótese, não medição. Mas a hipótese fecha com todo o resto: a pessoa da primeira citação estudou todas as “melhores práticas contra o estilo de IA” e fracassou. Porque brigava com o estilo. O estilo é o sintoma. A doença é o vazio.

Este é um rascunho. Se você tiver o seu, ponha no lugar deste.

“A IA está transformando o jeito como os times trabalham. É importante notar que as organizações precisam destravar o potencial dessas ferramentas. Na era digital, as empresas que não se adaptarem correm o risco de ficar para trás dos concorrentes num cenário em constante mudança.”

Tarefa: deixe o texto mais concreto sem alongá-lo.
Regras:
- risque toda frase que continuaria verdadeira se você trocasse “IA” por qualquer outra tecnologia;
- cada afirmação sobrevivente precisa de um exemplo ou de um número, senão é riscada;
- alterne frases longas com frases curtas.
Termine com uma lista à parte chamada “Precisa da experiência do autor”: os pontos que só uma pessoa consegue preencher.

Essa última regra é a chave. Um texto deixa de parecer de máquina exatamente quando contém o que o modelo não tem: o seu caso concreto, o seu número, a sua posição. É por isso que este artigo traz nomes, datas e estrelas — não para dar ar de seriedade, mas porque isso não se gera.

O essencial

Detectores de IA não são sensor de verdade: são um palpite probabilístico com margem de erro desconhecida, que bate mais forte em quem escreve simples e num segundo idioma. Os “sinais de estilo de máquina” separam escrita de fôrma de escrita viva, não máquina de gente. E quem pega texto de máquina de verdade — Bradley M. e Jose C. nos nossos dados — não pega pelo estilo: pega por um texto que ninguém cortou, por um erro factual, pela ausência do autor. Então é isso que vale checar. O único jeito confiável de saber se tem gente atrás de um texto é conversar com ela sobre o conteúdo.

Mais sobre o tema: IA na escola e cola — o que o professor faz na prática; alucinações de IA — de onde vêm os links inexistentes que servem de pista de verdade; a fórmula de um prompt forte — tirar a mecanicidade na entrada, e não na saída; IA no trabalho — sobre rascunhos e edição.