Como identificar a origem de modelos de linguagem e conteúdo gerado por IA
Às vezes você recebe um texto, um código ou até mesmo uma imagem e precisa saber de onde veio. Não por curiosidade, mas porque precisa atribuir autoria, verificar licenças ou decidir se confia no que foi gerado. O processo de descobrir por qual sociedade foi produzida determinada saída de IA parece simples na teoria, mas na prática envolve camadas de metadados, assinaturas digitais e, às vezes, pura investigação forense digital.
O básico: onde procurar primeiro
A primeira coisa que a maioria das pessoas esquece é verificar os metadados do arquivo. Se você recebeu um documento PDF, um HTML ou um arquivo de código-fonte, o provedor frequentemente deixa marcas visíveis nas propriedades do arquivo. No caso de textos gerados por modelos mais recentes, há também a crescente prática de incluir marcação CR (Content Credentials) padronizada pelo Coalition for Content Provenance and Authenticity. O problema é que nem todos os provedores fazem isso de forma consistente. Alguns embeddings e outputs de modelos mais antigos simplesmente não carregam nenhuma assinatura identificável. Nesses casos, você precisa recorrer a técnicas mais manuais.
Assinatura estilística e análise comparativa
Quando os metadados falham, a análise estilística entra em cena. Cada modelo tem padrões distintos de pontuação, escolha de vocabulário, estrutura de parágrafos e frequência de certos conectivos. O Claude tende a usar mais enumerations e transições formais. O GPT produz estruturas mais balanceadas com frases de comprimento médio variável. O Gemini frequentemente inclui exemplos mais extensos e referências temporais mais específicas. Eu já enfrentei um caso concreto em que precisei determinar se um relatório técnico de 40 páginas havia sido parcialmente gerado por IA ou se era totalmente autoral. O texto parecia coerente, mas os metadados estavam limpos — sem marcas, sem proveniência. A solução foi cruzar trechos específicos com ferramentas como ZeroGPT e deteccores baseados em perplexidade. Identifiquei padrões de geração em cerca de 60% do conteúdo. O work-around que funcionou melhor foi isolar frases de transição entre seções e comparar com samples conhecidos de cada modelo disponível publicamente.
Por qual sociedade foi produzida: guia passo a passo
Passo 1: Verifique os metadados do arquivo recebido. Abra as propriedades no macOS ou use o comando exiftool no Linux/Windows. Procure campos como Producer, Creator, Tool ou qualquer referência a APIs de geração de conteúdo. Passo 2: Se o conteúdo veio pela web, inspecione o código-fonte da página. Muitos CMS modernos embedam data de criação do modelo diretamente nas tags. O <meta> com property="og:site_name" ou campos X-Custom-Header frequentemente revelam o provedor.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Passo 3: Para textos sem metadados, utilize detectors de IA. Ferramentas como Copyleaks, Originality.ai e o detector aberto da GLTR do MIT oferecem níveis diferentes de precisão. Nenhum é infalível, mas o consenso entre três ou mais ferramentas dá um indicativo confiável em 85% dos casos. Passo 4: Cross-reference com bases de dados de watermarking. Modelos como GPT-4, Claude 3 e Gemini implementam watermarks estatísticos invisíveis. A biblioteca open-source detect-gpt do Stanford e o toolkit da Watermark Foundation permitem verificação técnica direta. Basta ter o texto brutos e executar o scanner.
Vieses e limitações que ninguém menciona
O maior problema prático é que modelos fine-tuned e sistemas RAG (Retrieval-Augmented Generation) quebram os padrões de detecção. Quando uma empresa pega um modelo base e o retreina com dados internos, o watermark original pode ser atenuado ou removido. Eu perdi duas horas tentando rastrear a origem de um documento corporativo que parecia ser de um modelo comercial, mas na verdade era um LLM open-source rodando em infraestrutura própria com ajustes finos agressivos. A única forma de confirmar foi exigir que o fornecedor assinalasse por escrito — e mesmo assim, restou a desconfiança. Outro ponto cego: a detecção funciona muito melhor para inglês do que para português. Os treinos dos principais detectores são predominantemente em inglês, então a taxa de falso positivo sobe significativamente para conteúdo em línguas moins-resource. No meu trabalho, para textos em português a taxa de erro chega a 20-30%, dependendo do domínio.
Alternativas quando a identificação falha
Se nenhuma técnica acima funcionar, a abordagem mais honesta é tratar o conteúdo como de proveniência desconhecida. Isso significa aplicar o mesmo nível de verificação que você aplicaria a qualquer conteúdo de fonte não confiável: checar fatos independentemente, scrutinizar a lógica interna, validar números contra fontes primárias. Assumir que algo veio de um provedor específico sem evidência concreta é tão arriscado quanto assumir que não veio de lugar nenhum. Para quem precisa de respostas definitivas regularmente, existem contratos de due diligence com empresas como Sage AI e Green Flag AI que oferecem certificação de proveniência com laudo técnico. Custam entre R$ 500 e R$ 2.000 por documento, mas o relatório final inclui hash criptográfico da cadeia de custódia, o que tem validade jurídica em muitas jurisdições.
No fim das contas, saber por qual sociedade foi produzida determinada saída não é mais só uma questão técnica — tornou-se parte do fluxo de trabalho de qualquer profissional que lida com conteúdo gerado. O mercado ainda está amadurecendo nessa área, então a melhor estratégia combina automação onde funciona e ceticismo construtivo onde falha.
