- \n
- A precis\u00e3o humana ao interpretar imagens geradas por IA oscila entre 49% e 62%, dependendo do estudo, o que equivale a, ou est\u00e1 apenas um pouco acima de, o resultado de um lance de moeda. A confian\u00e7a, por sua vez, est\u00e1 muito acima disso.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
- \n
- Voc\u00ea se sai melhor na identifica\u00e7\u00e3o de rostos falsos e pior na identifica\u00e7\u00e3o de paisagens, objetos e cenas de rua falsas. Quase todos os conselhos populares se concentram nos rostos, que \u00e9 justamente a categoria com a qual voc\u00ea j\u00e1 se sai bem.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
- \n
- Verifique a proveni\u00eancia antes de verificar os pixels. Desde maio de 2026, todas as imagens do ChatGPT cont\u00eam tanto uma credencial C2PA quanto uma marca d\u2019\u00e1gua SynthID, e o Google est\u00e1 incorporando a detec\u00e7\u00e3o no Search e no Chrome.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
- \n
- A aus\u00eancia de proveni\u00eancia n\u00e3o prova nada. As capturas de tela e a maioria das plataformas sociais removem os metadados da C2PA; portanto, a aus\u00eancia de uma credencial n\u00e3o constitui prova de nada, seja a favor ou contra.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
- \n
- Os ind\u00edcios que ainda funcionam dizem respeito \u00e0 f\u00edsica, n\u00e3o \u00e0 anatomia. A dire\u00e7\u00e3o das sombras, os reflexos, a profundidade de campo e as rela\u00e7\u00f5es de escala s\u00e3o muito mais dif\u00edceis de manter consistentes para um modelo do que uma m\u00e3o.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
- \n
- Quando o exame oftalmol\u00f3gico n\u00e3o \u00e9 conclusivo, o que ocorre com frequ\u00eancia, o Detector de imagens AI<\/a> fornece o resultado em segundos e n\u00e3o faz diferen\u00e7a se o objeto \u00e9 um rosto ou um estacionamento.<\/li>\n<\/ul>\n\n\n\n
<\/p>\n\n\n\n
\n\n\n\nPor que isso ficou t\u00e3o dif\u00edcil t\u00e3o r\u00e1pido?<\/strong><\/h2>\n\n\n\n
A curva de melhoria vis\u00edvel \u00e9 t\u00e3o acentuada que qualquer pessoa que tenha desenvolvido seus instintos em 2023 est\u00e1 trabalhando com algo que j\u00e1 \u00e9 uma rel\u00edquia do passado. Compare o que o mesmo prompt gerou no DALL-E 2 em 2022 com o que os modelos atuais apresentam, e voc\u00ea ver\u00e1 que mal podem ser considerados parte do mesmo meio.<\/p>\n\n\n\n
O Relat\u00f3rio Internacional sobre Seguran\u00e7a da IA observou, em 2026, que o conte\u00fado gerado por IA tornou-se simplesmente mais dif\u00edcil de distinguir do conte\u00fado real em todos os formatos, e a qualidade da imagem \u00e9 o exemplo mais claro disso.<\/p>\n\n\n\n
Duas coisas aconteceram ao mesmo tempo. Os modelos passaram a identificar melhor os artefatos espec\u00edficos que todos j\u00e1 sabiam procurar, pois esses artefatos eram as reclama\u00e7\u00f5es mais frequentes e, portanto, os primeiros alvos. E a est\u00e9tica mudou. O primeiro ind\u00edcio foi que as imagens geradas por IA pareciam bom demais<\/em>, com aquele aspecto retocado, excessivamente iluminado e levemente artificial.<\/p>\n\n\n\n
Os modelos atuais geram com facilidade algo que se parece com uma foto med\u00edocre tirada com celular, completa com desfoque de movimento, enquadramento ruim, ru\u00eddo do sensor e um polegar no canto. Essa feiura agora faz parte do resultado final, em vez de ser um sinal de autenticidade.<\/p>\n\n\n\n
Tamb\u00e9m vale a pena ser franco sobre o que os n\u00fameros revelam em rela\u00e7\u00e3o \u00e0s ferramentas de detec\u00e7\u00e3o em compara\u00e7\u00e3o com as pessoas. Os detectores autom\u00e1ticos atingem uma taxa de 90% a 96% em condi\u00e7\u00f5es de laborat\u00f3rio, embora esse n\u00famero caia substancialmente na pr\u00e1tica, quando confrontados com modelos que o detector ainda n\u00e3o tenha visto.<\/p>\n\n\n\n
Mesmo depois dessa queda, ainda n\u00e3o chega nem perto. Uma ferramenta que tenha um dia med\u00edocre ainda supera um ser humano cauteloso que esteja tendo um bom dia.<\/p>\n\n\n\n
Os sinais que deixaram de funcionar<\/strong><\/h2>\n\n\n\n
Antes de apresentarmos os sinais \u00fateis, vale a pena eliminar aqueles que ainda circulam e que, neste momento, podem induzir voc\u00ea ao erro. Cada um dos itens abaixo j\u00e1 foi genuinamente confi\u00e1vel em algum momento. Hoje, por\u00e9m, nenhum deles constitui uma base segura para se formar um julgamento.<\/p>\n\n\n\n
Conto antigo<\/strong><\/th> Por que funcionou<\/strong><\/th> Situa\u00e7\u00e3o em 2026<\/strong><\/th><\/tr><\/thead> Conte os dedos<\/strong><\/td> Os primeiros modelos de difus\u00e3o n\u00e3o levavam em conta a estrutura da m\u00e3o e geravam rotineiramente seis ou sete dedos<\/td> Praticamente obsoleto. Os modelos atuais representam as m\u00e3os corretamente na grande maioria das vezes.<\/td><\/tr> Procure por texto ileg\u00edvel<\/strong><\/td> Placas, lombadas de livros e etiquetas apareceram como ru\u00eddos em forma de letras<\/td> Quase em desuso para textos curtos. Ainda \u00e9 um tanto \u00fatil para par\u00e1grafos densos e escritas incomuns.<\/td><\/tr> Parece muito perfeito<\/strong><\/td> As primeiras pe\u00e7as apresentavam um brilho uniforme e uma superf\u00edcie imposs\u00edvel<\/td> Invertido. Agora, os modelos imitam a fotografia amadora, o granulado e a ilumina\u00e7\u00e3o ruim, quando solicitado.<\/td><\/tr> Verifique os dentes e as orelhas<\/strong><\/td> As estruturas finas e repetitivas confundiram os primeiros modelos<\/td> Est\u00e1 praticamente resolvido e se concentra nos rostos, \u00e1rea em que voc\u00ea j\u00e1 tem o melhor desempenho.<\/td><\/tr> Marca d\u2019\u00e1gua no canto<\/strong><\/td> Alguns geradores apresentavam marcas vis\u00edveis<\/td> Cortadas de forma insignificante ou simplesmente ausentes. A aus\u00eancia n\u00e3o significa nada.<\/td><\/tr> A busca reversa por imagem n\u00e3o encontra nada<\/strong><\/td> Fotos reais geralmente deixam rastros na internet<\/td> Isso \u00e9 fraco. Fotos privadas de verdade tamb\u00e9m n\u00e3o deixam rastros, e agora as imagens geradas tamb\u00e9m s\u00e3o indexadas.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n O padr\u00e3o que une todos os seis \u00e9 que eles descrevem falhas de capacidade<\/em> em vez de falhas estruturais. Uma falha de capacidade \u00e9 algo em que o modelo tinha dificuldade e que poderia ser corrigido por meio do treinamento, e todas essas falhas foram corrigidas por meio do treinamento.<\/p>\n\n\n\n
Os indicadores que vale a pena conhecer s\u00e3o aqueles baseados no funcionamento desses sistemas, e n\u00e3o no que por acaso eles n\u00e3o conseguiram fazer bem em um determinado ano; falarei sobre eles em breve.<\/p>\n\n\n\n
O ponto cego sobre o qual ningu\u00e9m escreve<\/strong><\/h2>\n\n\n\n
Essa \u00e9 a parte que mais me surpreendeu, e ela muda o que voc\u00ea realmente deveria suspeitar.<\/p>\n\n\n\n
Quando os pesquisadores analisam a precis\u00e3o da detec\u00e7\u00e3o humana por tema, surge um padr\u00e3o consistente. Em uma an\u00e1lise de aproximadamente 287 mil avalia\u00e7\u00f5es de imagens realizadas por mais de 12.500 participantes, a precis\u00e3o geral ficou em torno de 62%, mas o desempenho foi melhor em retratos e significativamente pior em paisagens e cenas urbanas<\/strong>.<\/p>\n\n\n\n
Outros estudos observaram o mesmo padr\u00e3o, com maior precis\u00e3o em imagens que retratam pessoas e menor precis\u00e3o em objetos e paisagens.<\/p>\n\n\n\n
A explica\u00e7\u00e3o n\u00e3o \u00e9 nada misteriosa. Os seres humanos possuem um mecanismo neural espec\u00edfico para o processamento de rostos e anos de pr\u00e1tica em seu uso. Voc\u00ea percebe quando h\u00e1 algo de errado em um rosto, mesmo que n\u00e3o consiga explicar exatamente o que \u00e9. Voc\u00ea n\u00e3o possui um instinto equivalente para saber se a \u00e1rea de carga de um armaz\u00e9m parece correta.<\/p>\n\n\n\n
Agora compare isso com os conselhos que todo mundo d\u00e1. Conte os dedos. Observe os olhos. D\u00ea uma olhada nos dentes, nas orelhas e na linha do cabelo.<\/p>\n\n\n\n
Cada um desses pontos em que voc\u00ea se depara \u00e9 a categoria em que seu julgamento, sem aux\u00edlio, j\u00e1 \u00e9 mais preciso e onde o aprimoramento do modelo tem sido mais intenso. Enquanto isso, as categorias em que voc\u00ea est\u00e1 praticamente \u00e0s cegas n\u00e3o recebem nenhuma cobertura.<\/p>\n\n\n\n
O que significa que as imagens que voc\u00ea deve encarar com mais desconfian\u00e7a s\u00e3o justamente as menos dram\u00e1ticas:<\/p>\n\n\n\n
- \n
- Fotos de produtos. Um \u00fanico objeto em um fundo liso n\u00e3o oferece praticamente nada para se comparar e \u00e9 muito f\u00e1cil de produzir.<\/li>\n\n\n\n
- Interiores vazios. Quartos, escrit\u00f3rios, sal\u00f5es de restaurantes, an\u00fancios de apartamentos. Nenhum rosto para despertar seus instintos e uma geometria complexa que seus olhos n\u00e3o conseguem avaliar.<\/li>\n\n\n\n
- Ruas e paisagens. Exatamente a categoria em que os estudos constataram que as pessoas t\u00eam mais dificuldade e exatamente o que \u00e9 usado para alega\u00e7\u00f5es falsas de localiza\u00e7\u00e3o e cenas inventadas em not\u00edcias.<\/li>\n\n\n\n
- Documentos e capturas de tela. Recibos, faturas, pain\u00e9is de controle, registros de bate-papo. Esses itens s\u00e3o analisados quanto ao conte\u00fado e quase nunca quanto \u00e0 autenticidade.<\/li>\n\n\n\n
- Multid\u00f5es e fotos tiradas de longe. Rostos pequenos demais para acionar o processamento facial, de modo que seu melhor recurso nunca \u00e9 ativado.<\/li>\n<\/ul>\n\n\n\n
Um retrato gerado de uma pessoa inexistente \u00e9 o tipo de situa\u00e7\u00e3o para a qual voc\u00ea est\u00e1 preparado. Uma foto gerada de uma rua alagada com uma legenda que menciona o nome de uma cidade \u00e9 aquela que passa despercebida por voc\u00ea, e \u00e9 tamb\u00e9m a que tem mais chances de causar danos reais.<\/p>\n\n\n\n
Primeira etapa: verifique a proveni\u00eancia antes de verificar os pixels<\/strong><\/h2>\n\n\n\n
Quase ningu\u00e9m faz isso, e agora essa \u00e9 a resposta mais r\u00e1pida dispon\u00edvel para uma parcela cada vez maior de imagens. O setor passou os \u00faltimos dois anos desenvolvendo um sistema que classifica o conte\u00fado gerado no momento da cria\u00e7\u00e3o e, a partir de 2026, ele abrange uma parte significativa do que voc\u00ea encontra.<\/p>\n\n\n\n
O que s\u00e3o esses dois sistemas<\/strong><\/h3>\n\n\n\n
Existem dois mecanismos diferentes, e eles s\u00e3o constantemente confundidos entre si.<\/p>\n\n\n\n
As Credenciais de Conte\u00fado, baseadas no padr\u00e3o C2PA, s\u00e3o metadados assinados criptograficamente e anexados a um arquivo. Elas registram a origem de uma imagem, quais ferramentas foram utilizadas nela e quem assinou essa declara\u00e7\u00e3o. Pense nisso como uma cadeia de cust\u00f3dia, em vez de uma resposta do tipo \u201csim\u201d ou \u201cn\u00e3o\u201d.<\/p>\n\n\n\n
A especifica\u00e7\u00e3o chegou \u00e0 vers\u00e3o 2.3 em janeiro de 2026, e n\u00e3o se destina apenas \u00e0 IA. Fabricantes de c\u00e2meras e ag\u00eancias de not\u00edcias utilizam o mesmo padr\u00e3o para certificar que uma fotografia \u00e9 aut\u00eantica, o que \u00e9, sem d\u00favida, o uso mais importante.<\/p>\n\n\n\n
O SynthID \u00e9 diferente. Trata-se de uma marca d\u2019\u00e1gua impercept\u00edvel que o Google DeepMind incorpora nos pr\u00f3prios pixels no momento da gera\u00e7\u00e3o, e que resiste ao recorte, \u00e0 recompress\u00e3o e \u00e0 recodifica\u00e7\u00e3o em baixa qualidade, ao contr\u00e1rio dos metadados.<\/p>\n\n\n\n
O Google informa que mais de 100 bilh\u00f5es de arquivos de m\u00eddia receberam essa marca d\u2019\u00e1gua. A desvantagem \u00e9 que ela n\u00e3o fornece praticamente nenhuma informa\u00e7\u00e3o al\u00e9m do fato de ter sido criada por IA, e sua detec\u00e7\u00e3o requer a infraestrutura do pr\u00f3prio Google, em vez de uma especifica\u00e7\u00e3o aberta.<\/p>\n\n\n\n
O que mudou em 2026<\/strong><\/h3>\n\n\n\n
O ponto importante \u00e9 que essas abordagens deixaram de ser concorrentes. Em maio de 2026, a OpenAI e o Google anunciaram um modelo conjunto no qual as imagens geradas pelo ChatGPT e pela API da OpenAI apresentam ambos<\/em> uma credencial C2PA e uma marca d\u2019\u00e1gua SynthID.<\/p>\n\n\n\n
Considerando que o ChatGPT \u00e9 o maior gerador de imagens para o consumidor em termos de n\u00famero de usu\u00e1rios, uma grande parcela das imagens geradas por IA diariamente agora cont\u00e9m dois sinais independentes de proveni\u00eancia. A Kakao, a ElevenLabs e a Nvidia anunciaram a ado\u00e7\u00e3o dessas tecnologias no mesmo dia, e o Google informou que a detec\u00e7\u00e3o de C2PA e SynthID ser\u00e1 incorporada diretamente ao Search e ao Chrome.<\/p>\n\n\n\n
Regulation is moving in the same direction. The EU AI Act\u2019s Article 50 transparency and labeling obligations became binding on 2 August 2026, with penalties reaching into the tens of millions of euros. <\/p>\n\n\n\n
In the United States, the TAKE IT DOWN Act has imposed a 48 hour takedown duty since May 2026. Whatever you think of the enforcement prospects, disclosure is now a legal requirement in major markets rather than a voluntary courtesy.<\/p>\n\n\n\n
Como verificar de fato<\/strong><\/h3>\n\n\n\n
- \n
- Abra a imagem em um visualizador de Credenciais de Conte\u00fado. A Content Authenticity Initiative mant\u00e9m uma p\u00e1gina p\u00fablica de verifica\u00e7\u00e3o; h\u00e1 extens\u00f5es de navegador que fazem isso diretamente na p\u00e1gina; e a OpenAI possui uma ferramenta de verifica\u00e7\u00e3o que verifica tanto os manifestos C2PA quanto o SynthID de uma s\u00f3 vez. Basta fazer o upload, ler o manifesto e pronto.<\/li>\n\n\n\n
- Leia o que o manifesto realmente diz. Uma credencial pode registrar que uma imagem foi gerada, ou que foi capturada por uma c\u00e2mera e posteriormente editada, ou ainda que passou por uma ferramenta de edi\u00e7\u00e3o espec\u00edfica. Os casos interessantes geralmente est\u00e3o no hist\u00f3rico de edi\u00e7\u00f5es, e n\u00e3o no campo de origem.<\/li>\n\n\n\n
- Trate uma credencial ausente como se n\u00e3o houvesse nenhuma informa\u00e7\u00e3o. Essa \u00e9 a parte que as pessoas sempre entendem errado.<\/li>\n<\/ol>\n\n\n\n
Esse \u00faltimo ponto merece destaque, pois \u00e9 a\u00ed que a verifica\u00e7\u00e3o da proveni\u00eancia d\u00e1 errado. Os metadados C2PA s\u00e3o removidos pelas capturas de tela, pela maioria dos transcodificadores de redes sociais e por qualquer fluxo de trabalho de edi\u00e7\u00e3o que n\u00e3o os preserve deliberadamente.<\/p>\n\n\n\n
A maioria das imagens que circulam na internet n\u00e3o cont\u00e9m nem credenciais nem marca d\u2019\u00e1gua, e isso \u00e9 a regra, e n\u00e3o a exce\u00e7\u00e3o. O SynthID s\u00f3 est\u00e1 presente nos resultados gerados por geradores que o adotaram, o que ainda exclui uma grande parte das ferramentas em uso ativo.<\/p>\n\n\n\n
Portanto, um resultado de proveni\u00eancia limpo constitui uma forte evid\u00eancia. Um resultado vazio n\u00e3o significa nada. Qualquer pessoa que lhe diga que a aus\u00eancia de credenciais \u00e9 motivo de suspeita est\u00e1 invertendo a l\u00f3gica.<\/p>\n\n\n\n
Segunda camada: os princ\u00edpios da f\u00edsica que ainda se aplicam<\/strong><\/h2>\n\n\n\n
Quando a proveni\u00eancia n\u00e3o fornece resultados, \u00e9 aqui que voc\u00ea deve procurar. A raz\u00e3o pela qual esses sinais perduram mais do que os anat\u00f4micos \u00e9 de natureza estrutural.<\/p>\n\n\n\n
Um modelo generativo produz uma imagem plaus\u00edvel, n\u00e3o uma simula\u00e7\u00e3o de uma cena. Ele n\u00e3o possui um modelo interno de um c\u00f4modo com uma fonte de luz, de modo que garantir a consist\u00eancia global em todo o quadro \u00e9 realmente dif\u00edcil para ele, de uma forma que desenhar uma m\u00e3o correta nunca foi.<\/p>\n\n\n\n
Siga a luz<\/strong><\/h3>\n\n\n\n
Selecione todos os objetos no quadro que projetam uma sombra e verifique se as sombras indicam a mesma dire\u00e7\u00e3o da luz. Ao ar livre, h\u00e1 apenas um sol, portanto as sombras devem ser mais ou menos paralelas e ter comprimentos consistentes em rela\u00e7\u00e3o \u00e0 altura dos objetos. Em ambientes fechados, a situa\u00e7\u00e3o \u00e9 mais complexa, mas ainda assim \u00e9 poss\u00edvel determin\u00e1-la.<\/p>\n\n\n\n
As imagens geradas costumam apresentar sombras que apontam em dire\u00e7\u00f5es ligeiramente diferentes, ou um objeto sem sombra alguma ao lado de outro que possui uma sombra bem definida, ou ainda uma sombra cuja forma n\u00e3o corresponde ao objeto que supostamente a projeta.<\/p>\n\n\n\n
Em seguida, verifique se a ilumina\u00e7\u00e3o do objeto combina com o ambiente. Uma pessoa iluminada pela frente \u00e0 esquerda, em uma cena cujo fundo \u00e9 iluminado pela direita, \u00e9 um dos erros mais comuns na cria\u00e7\u00e3o de imagens no estilo \u201ccomposite\u201d, e, quando voc\u00ea come\u00e7a a prestar aten\u00e7\u00e3o nisso, percebe que esse erro est\u00e1 em toda parte.<\/p>\n\n\n\n
Examine todas as superf\u00edcies reflexivas<\/strong><\/h3>\n\n\n\n
\u00c9 caro para um modelo reproduzir reflexos com precis\u00e3o, pois isso exige a compreens\u00e3o da geometria de toda a cena a partir de um segundo ponto de vista.<\/p>\n\n\n\n
Observe espelhos, janelas, pisos brilhantes, pintura de carros, \u00e1gua, \u00f3culos de sol e telas de celular. Pergunte-se se o que est\u00e1 refletido corresponde ao que realmente est\u00e1 na cena, na posi\u00e7\u00e3o correta, na escala certa e invertido corretamente.<\/p>\n\n\n\n
O teste dos reflexos nos olhos \u00e9 minha verifica\u00e7\u00e3o r\u00e1pida favorita em qualquer retrato. Esses pequenos pontos brilhantes nos olhos de uma pessoa s\u00e3o reflexos das fontes de luz. Em uma fotografia real, ambos os olhos apresentam reflexos na mesma posi\u00e7\u00e3o, com a mesma forma e em igual n\u00famero, pois ambos os olhos est\u00e3o voltados para as mesmas fontes de luz.<\/p>\n\n\n\n
Os retratos gerados costumam apresentar reflexos nos olhos que n\u00e3o combinam entre si, ou um olho com dois reflexos e o outro com apenas um, ou ainda reflexos cujas formas n\u00e3o correspondem a nenhuma fonte de luz vis\u00edvel na imagem.<\/p>\n\n\n\n
Verifique o plano focal<\/strong><\/h3>\n\n\n\n
As c\u00e2meras reais possuem um plano de foco. Tudo o que est\u00e1 \u00e0 mesma dist\u00e2ncia da lente fica n\u00edtido ao mesmo tempo, e o desfoque aumenta gradualmente \u00e0 medida que a dist\u00e2ncia desse plano aumenta.<\/p>\n\n\n\n
As imagens geradas costumam ficar desfocadas devido a import\u00e2ncia do objeto<\/em> em vez de pela dist\u00e2ncia; assim, voc\u00ea percebe que um elemento do fundo aparece n\u00edtido, enquanto algo ao lado dele, na mesma profundidade, fica desfocado, ou um objeto fica n\u00edtido do nariz at\u00e9 a orelha em uma foto cujo desfoque do fundo sugere uma profundidade de campo muito rasa. A forma do bokeh \u00e9 outro exemplo.<\/p>\n\n\n\n
Os destaques realmente desfocados assumem o formato da abertura da lente e permanecem consistentes em todo o quadro.<\/p>\n\n\n\n
Rela\u00e7\u00f5es de escala de teste<\/strong><\/h3>\n\n\n\n
Os modelos n\u00e3o s\u00e3o confi\u00e1veis no que diz respeito ao tamanho relativo dos objetos entre si, e os erros passam facilmente despercebidos porque o olho percebe a composi\u00e7\u00e3o como um todo.<\/p>\n\n\n\n
Procure uma porta que seja um pouco pequena demais para a pessoa que est\u00e1 passando por ela, uma x\u00edcara de caf\u00e9 com capacidade para um litro, um carro cujas rodas n\u00e3o combinem com a carroceria, m\u00f3veis em uma escala que n\u00e3o caberia em um ser humano. Isso \u00e9 especialmente eficaz justamente nas imagens de interiores e de ruas, onde seus instintos s\u00e3o mais fracos.<\/p>\n\n\n\n
Procure por texturas que se repitam<\/strong><\/h3>\n\n\n\n
As superf\u00edcies reais s\u00e3o irregulares em todas as escalas. As paredes de tijolos t\u00eam tijolos danificados, as multid\u00f5es t\u00eam pessoas voltadas para dire\u00e7\u00f5es diferentes e a folhagem tem galhos quebrados.<\/p>\n\n\n\n
As texturas geradas costumam se repetir sutilmente; portanto, examine qualquer superf\u00edcie grande e repetitiva para verificar se o mesmo defeito aparece duas vezes ou se h\u00e1 uma face id\u00eantica em dois pontos diferentes em uma multid\u00e3o. Amplie o fundo em vez do objeto principal, pois \u00e9 nele que o modelo dedicou menos esfor\u00e7o.<\/p>\n\n\n\n
Observe as bordas e as jun\u00e7\u00f5es<\/strong><\/h3>\n\n\n\n
\u00c9 onde duas coisas se encontram que a imagem fica desleixada. O cabelo contra o fundo, as joias contra a pele, a arma\u00e7\u00e3o dos \u00f3culos cruzando o rosto, uma al\u00e7a desaparecendo por tr\u00e1s de um ombro e reaparecendo no lugar errado.<\/p>\n\n\n\n
Siga qualquer objeto linear que passe por tr\u00e1s de outro e confirme se ele sai exatamente onde a geometria indica que deveria. Correias, corrim\u00e3os, fios de alta tens\u00e3o e postes de cerca s\u00e3o todos bons exemplos.<\/p>\n\n\n\n
Terceira etapa: passe pelo detector<\/strong><\/h2>\n\n\n\n
A verdade \u00e9 que os n\u00edveis um e dois v\u00e3o deixar voc\u00ea na d\u00favida na maior parte do tempo, e essa incerteza, quando tentamos esclarec\u00ea-la olhando com mais aten\u00e7\u00e3o, tende a se resolver em dire\u00e7\u00e3o ao que voc\u00ea j\u00e1 acreditava. \u00c9 para isso que serve o software.<\/p>\n\n\n\n
O Detector de imagens AI<\/a> analisa a imagem em busca de caracter\u00edsticas de gera\u00e7\u00e3o no n\u00edvel dos pixels e da frequ\u00eancia, em vez de no n\u00edvel do conte\u00fado vis\u00edvel, e \u00e9 justamente por isso que n\u00e3o apresenta o mesmo ponto cego que voc\u00ea. N\u00e3o possui nenhuma aptid\u00e3o especial para rostos nem nenhuma fraqueza espec\u00edfica em rela\u00e7\u00e3o a paisagens.<\/p>\n\n\n\n
Um estacionamento representa o mesmo problema que um retrato. Considerando que as pesquisas mostram que a sua pr\u00f3pria precis\u00e3o varia enormemente de acordo com o assunto, contar com uma segunda opini\u00e3o que n\u00e3o seja influenciada pelo assunto tem um valor muito maior do que parece.<\/p>\n\n\n\n
Observa\u00e7\u00f5es pr\u00e1ticas sobre o uso de qualquer po\u00e7o de detec\u00e7\u00e3o:<\/p>\n\n\n\n
- \n
- Forne\u00e7a a vers\u00e3o da mais alta qualidade que voc\u00ea conseguir encontrar. A compress\u00e3o excessiva destr\u00f3i as informa\u00e7\u00f5es de frequ\u00eancia finas das quais os detectores dependem; portanto, uma captura de tela de outra captura de tela \u00e9 a pior fonte poss\u00edvel.<\/li>\n\n\n\n
- Considere a pontua\u00e7\u00e3o como um ind\u00edcio, e n\u00e3o como um veredicto, especialmente quando ela estiver no meio da faixa. Uma pontua\u00e7\u00e3o muito alta ou muito baixa \u00e9 reveladora. Uma pontua\u00e7\u00e3o pr\u00f3xima do ponto m\u00e9dio significa que \u00e9 preciso analisar com mais cuidado, e n\u00e3o decidir jogando uma moeda.<\/li>\n\n\n\n
- Analise as camadas em conjunto. A aus\u00eancia de uma credencial de proveni\u00eancia, somada a uma inconsist\u00eancia de sombra e a uma pontua\u00e7\u00e3o alta do detector, constitui uma conclus\u00e3o. Qualquer um desses tr\u00eas fatores, isoladamente, representa uma suspeita.<\/li>\n\n\n\n
- Lembre-se de que a edi\u00e7\u00e3o intensa de uma foto real pode melhorar a qualidade de uma imagem genu\u00edna, da mesma forma que o processamento intenso dificulta a detec\u00e7\u00e3o de \u00e1udio. A fotografia comercial retocada \u00e9 o risco mais comum de falsos positivos.<\/li>\n<\/ul>\n\n\n\n
![\"detector-de-v\u00eddeo-por-IA-1024x424\"](\"https:\/\/undetectable.ai/blog\/wp-content\/uploads\/2026\/08\/ai-video-detector-1024x424-3.webp\" "\\"\\"")
<\/figure>\n<\/div>\n\n\nSe a imagem vier de um v\u00eddeo, selecione um quadro n\u00edtido ou use o Detector de v\u00eddeo com IA<\/a> em vez disso, j\u00e1 que \u00e9 capaz de interpretar sinais de movimento e de consist\u00eancia temporal que um \u00fanico quadro descarta.<\/p>\n\n\n
- Quando o exame oftalmol\u00f3gico n\u00e3o \u00e9 conclusivo, o que ocorre com frequ\u00eancia, o Detector de imagens AI<\/a> fornece o resultado em segundos e n\u00e3o faz diferen\u00e7a se o objeto \u00e9 um rosto ou um estacionamento.<\/li>\n<\/ul>\n\n\n\n
- Os ind\u00edcios que ainda funcionam dizem respeito \u00e0 f\u00edsica, n\u00e3o \u00e0 anatomia. A dire\u00e7\u00e3o das sombras, os reflexos, a profundidade de campo e as rela\u00e7\u00f5es de escala s\u00e3o muito mais dif\u00edceis de manter consistentes para um modelo do que uma m\u00e3o.<\/li>\n<\/ul>\n\n\n\n
- A aus\u00eancia de proveni\u00eancia n\u00e3o prova nada. As capturas de tela e a maioria das plataformas sociais removem os metadados da C2PA; portanto, a aus\u00eancia de uma credencial n\u00e3o constitui prova de nada, seja a favor ou contra.<\/li>\n<\/ul>\n\n\n\n
- Verifique a proveni\u00eancia antes de verificar os pixels. Desde maio de 2026, todas as imagens do ChatGPT cont\u00eam tanto uma credencial C2PA quanto uma marca d\u2019\u00e1gua SynthID, e o Google est\u00e1 incorporando a detec\u00e7\u00e3o no Search e no Chrome.<\/li>\n<\/ul>\n\n\n\n
- Voc\u00ea se sai melhor na identifica\u00e7\u00e3o de rostos falsos e pior na identifica\u00e7\u00e3o de paisagens, objetos e cenas de rua falsas. Quase todos os conselhos populares se concentram nos rostos, que \u00e9 justamente a categoria com a qual voc\u00ea j\u00e1 se sai bem.<\/li>\n<\/ul>\n\n\n\n
![\"indetect\u00e1vel-ais-detector-de-voz-ai-1024x459\"](\"https:\/\/undetectable.ai/blog\/wp-content\/uploads\/2026\/08\/undetectable-ais-ai-voice-detector-1024x459-3.webp\" "\\"\\"")
<\/figure>\n<\/div>\n\n\n