Como reconhecer (e humanizar) um texto escrito por IA

Guia prático para quem não é técnico, com base no que a maior enciclopédia do mundo aprendeu limpando conteúdo gerado por chatbots

A conclusão primeiro: não existe detector confiável de texto gerado por IA, mas existem características de escrita que denunciam um chatbot. A Wikipédia, que passou os últimos anos combatendo uma enchente de artigos gerados por IA, mantém uma lista oficial desses sinais, e um leitor atento os reconhece sem ferramenta nenhuma. Neste artigo, eu explico os principais, por que eles acontecem e como transformar um texto robótico em algo que soa humano sem perder o conteúdo.

Por que essa pergunta importa agora

Desde o lançamento do ChatGPT, em novembro de 2022, a produção de texto por inteligência artificial virou rotina: e-mails, posts, relatórios, trabalhos escolares. O problema é que o texto de saída tem um “sotaque” estatístico. A IA não escreve como quem pensa; ela escolhe, a cada palavra, a mais provável. O resultado é um texto gramaticalmente impecável, mas cheio de padrões repetitivos que um leitor treinado identifica em segundos.

Existe uma razão econômica para isso. Esses modelos são treinados para agradar o maior número de leitores possível, e o caminho mais curto para o agradamento é o tom “importante”: frases grandiosas, conclusões otimistas, equilíbrio perfeito entre as orações. Funciona numa leitura rápida e desatenta, que é como muita gente consome texto hoje. É quando a leitura é atenta que os defeitos aparecem.

A Wikipédia institucionalizou essa detecção. Em 2023, editores criaram o WikiProject AI Cleanup, um projeto dedicado a encontrar e corrigir conteúdo gerado por IA no site. Dessas milhares de revisões nasceu a página “Signs of AI writing” (Sinais de escrita por IA), que cataloga as características mais comuns do texto de chatbot. É a fonte mais sólida que existe sobre o tema, e é nela que este artigo se baseia.

Uma pausa necessária: os detectores automáticos não resolvem

Antes de listar os sinais, preciso desmontar uma expectativa comum: a de que um software pode dizer se um texto é de IA. Não pode, com confiabilidade.

Os dados são claros. A OpenAI lançou em janeiro de 2023 o seu próprio detector, o AI Text Classifier, e o desativou em julho do mesmo ano por “baixa taxa de precisão”: ele identificava corretamente apenas cerca de 26% dos textos gerados por IA e acusava erroneamente cerca de 9% dos textos humanos, segundo os próprios testes da empresa. Já um estudo da Universidade de Stanford publicado na revista Patterns em 2023 testou sete detectores contra redações escritas por pessoas que não têm o inglês como língua nativa: em média, 61,3% desses textos humanos foram classificados como IA. Contra redações de estudantes americanos nativos, o erro praticamente sumiu. Ou seja: os detectores não leem significado, eles leem estatística, e quem escreve de forma mais previsível (aprendizes de uma língua, textos muito formatados) paga o preço.

Mais recentemente, um estudo publicado em 2025 na Acta Neurochirurgica testou três detectores contra mil textos (artigos humanos reais e textos gerados por ChatGPT 3.5, 4 e 4o). Os detectores se saíram de razoável a bem, mas nenhum atingiu 100% de confiabilidade, e os autores alertam para o risco dos falsos positivos, as acusações injustas contra autores humanos.

A conclusão prática, adotada por universidades como Vanderbilt (que desativou o detector do Turnitin por causa de falsos positivos) e documentada por guias como o da CASRAI: uma nota de detector é no máximo uma pista, nunca uma prova. O que sobra, então? O olho humano, treinado nos sinais certos. É isso que a Wikipédia usa.

Os sinais de conteúdo: quando o texto exagera

A Wikipédia organiza os sinais em três grandes grupos: conteúdo, linguagem e estilo. Começo pelos de conteúdo, porque são os mais graves: distorcem o que o texto afirma.

1. Importância inflada

O texto de IA ama declarar que tudo é um marco histórico. Frases como “representa um momento crucial”, “marca um ponto de virada”, “testemunha o compromisso com a excelência” aparecem sobre assuntos banais. O exemplo da própria Wikipédia: um texto de IA descreveu a criação de um instituto de estatística regional na Espanha em 1989 como “um momento crucial na evolução das estatísticas regionais”. A versão humana: “o instituto foi criado em 1989, como parte de uma descentralização administrativa mais ampla no país”. Fato igual, pompa a menos.

Como reconhecer: pergunte se a frase afirma algo verificável ou se só decorou o fato com adjetivos. “Marco histórico” e “transformador” usados sem evidência são bandeira vermelha.

Por que a máquina faz isso? Porque aprendeu com textos que comemoram. Enciclopédias e matérias de aniversário de empresa estão cheias dessas fórmulas, e o modelo não tem como separar a pompa do fato. O leitor precisa fazer essa separação no lugar dela: ao ler “foi um divisor de águas”, pergunte “divisor de águas segundo quem? Qual dado mudou depois?”.

2. Análise rasa com frases penduradas

Um padrão típico: a frase termina com um gerúndio que finge profundidade. “A cidade investe em transporte, refletindo seu compromisso com o futuro”, “a empresa adotou a norma, assegurando conformidade e impulsionando a inovação”. Esses pendurados (“highlighting…”, “ensuring…”, “reflecting…”) adicionam zero informação; eles só fazem a frase parecer mais sábia.

Como reconhecer: corte o gerúndio final e veja se o texto perde algo. Se não perde, ele nunca deveria ter estado lá.

3. Linguagem de panfleto

Textos de IA sobre lugares, empresas ou produtos soam a anúncio: “aninhada no coração de uma região deslumbrante, a cidade ostenta um rico patrimônio cultural”. Palavras como “deslumbrante”, “vibrante”, “rico” (no sentido figurado), “renomado”, “imperdível” em densidade anormal são sinais fortes.

Como reconhecer: se um texto descreveria igualmente bem um folheto de turismo e um verbete informativo, algo está errado. Texto informativo descreve; texto de IA costuma vender.

Esse padrão merece uma menção especial no contexto brasileiro, porque ele invade também os textos institucionais de saúde e de serviços públicos. Descrições de hospitais, planos de saúde e programas governamentais às vezes herdam o mesmo tom de panfleto: “atendimento humanizado e de excelência”, “estrutura moderna e equipe altamente qualificada”. O critério é o mesmo: pode uma frase dessas aparecer num material de vendas? Pode. Então não é informação, é promoção.

4. Fontes vagas

“Especialistas apontam”, “observadores destacam”, “relatórios do setor indicam”, sem dizer quem são esses especialistas ou onde está o relatório. A IA frequentemente atribui uma afirmação a uma autoridade anônima. Às vezes ela inventa a citação inteira; outras vezes ela resume uma fonte real de forma tão vaga que se torna inverificável.

Como reconhecer: toda afirmação forte deveria poder ser rastreada até alguém ou alguma publicação com nome. Se o texto diz “especialistas” sem nomear nenhum, desconfie. E atenção: detectores de IA às vezes fabricam referências com cara de reais: DOIs e links quebrados ou apontando para artigos diferentes são um sinal documentado pela Wikipédia.

Vale contar como essa fabricação funciona, porque ela engana gente experiente. O modelo não busca artigos numa biblioteca: ele gera a aparência de uma referência, combinando nomes de autores reais, revistas famosas e anos plausíveis. O resultado tem o formato exato de uma citação acadêmica e pode até apontar para um artigo que existe, mas sobre outro assunto. Por isso a checagem manual continua insubstituível: abra o link, confira se o artigo diz o que o texto afirma que ele diz.

5. Seções prontas de “desafios” e “futuro”

Muitos textos de IA terminam com um bloco previsível: “Apesar dos desafios, com sua localização estratégica e iniciativas em andamento, [sujeito] continua a prosperar”. O famoso final otimista genérico (“o futuro promete”, “os próximos anos serão decisivos”) que não adiciona nenhum fato. É o equivalente textual do aperto de mão de despedida.

Como reconhecer: se o parágrafo final poderia ser colado em qualquer artigo sobre qualquer assunto, ele não foi escrito para aquele artigo.

Os sinais de linguagem: o sotaque estatístico

6. Vocabulário repetido de IA

Certas palavras aparecem em textos de IA em frequência muito acima do normal: “crucial”, “fundamental”, “essencial”, “papel fundamental”, “cenário”, “panorama”, “paisagem” (no sentido abstrato), “mergulhar” (dive in), “destacar”, “sublinhar”, “nutrir” para qualquer conjunto de fatos… Em português, os clássicos são: “no mundo atual”, “é importante ressaltar”, “cabe destacar”, “em suma”, “não obstante”. Uma ocorrência é normal; cinco no mesmo texto é sotaque.

Um teste simples que qualquer pessoa pode fazer: pegue uma página de um texto suspeito e sublinhe os adjetivos de intensidade. Em texto humano, eles se concentram onde o assunto é mesmo intenso. Em texto de IA, eles estão espalhados por igual, como sal sobre a mesa inteira em vez de tempero no prato certo.

7. Fuga dos verbos simples

Textos de IA evitam os verbos mais úteis da língua (“é”, “tem”, “faz”) em favor de construções pomposas: “funciona como” (em vez de “é”), “apresenta” (em vez de “tem”), “representa” (em vez de “é”), “ostenta” (em vez de “tem”). A Wikipédia chama isso de evitação dos verbos copulativos. Um texto humano escreve “a galeria tem quatro salas”; o de IA escreve “a galeria conta com um espaçoso conjunto de quatro ambientes”.

8. A tríade forçada

A IA adora listar três coisas, mesmo quando são duas ou quatro. “O evento oferece inovação, inspiração e insights”: três palavras na mesma família, escolhidas pelo ritmo, não pelo sentido. O “rule of three” é um vício de ritmo estatístico: soa “completo” para o modelo.

9. O contraste falso “não é X, mas Y”

“Não se trata apenas de tecnologia, mas de pessoas.” “Não é um produto, é uma revolução.” Esse paralelismo negativo (“not just X, but Y”) é um dos marcadores mais confiáveis de escrita de IA, porque humanos raramente escrevem assim com tanta frequência. A Wikipédia lista três variantes: “não apenas X, mas também Y”, “não X, mas Y” e “X em vez de Y”.

A razão de ser um marcador tão bom é que essa construção só faz sentido quando existe um contraste real em disputa. “O medicamento não é caro, é escasso” informa algo. “A inovação não é sobre ferramentas, é sobre mentalidade” não informa nada: só soa profundo. Quando o contraste é decorativo, quase sempre é IA ou alguém imitando IA.

10. Voz passiva e sujeito desaparecido

“Nenhuma configuração é necessária. Os resultados são preservados automaticamente.” Quem faz o quê? O texto de IA frequentemente esconde o agente, o que soa formal mas dificulta a compreensão. O texto humano, quando quer clareza, escreve: “você não precisa configurar nada; o sistema preserva os resultados sozinho.”

Os sinais de estilo: a formatação denuncia

11. Travessões em excesso

O travessão longo (—) usado a cada duas frases virou o cliché mais comentado da escrita de IA. Um travessão ocasional é perfeitamente humano (eu acabo de usar um); a densidade anormal, substituindo vírgulas e parênteses, é sinal. A Wikipédia recomenda verificar todo travessão e perguntar: vírgula, dois-pontos ou parênteses não resolveriam?

Uma nota honesta: o uso de travessão, por si só, não prova nada. Muitos bons escritores os usam. Como em todos os sinais aqui, o que importa é a combinação de vários padrões no mesmo texto.

12. Negrito sem critério

Palavras e siglas em negrito sem necessidade: “OKRs (Objectives and Key Results)”, “metodologia”, “resultados”. O chatbot engrossa o texto para parecer organizado. Negrito serve para o leitor escanear estrutura, não para decorar substantivos.

13. Listas com mini-títulos

Listas em que cada item começa com “Rótulo: descrição” são um padrão típico de chatbot. Também o são títulos em “Title Case” (Cada Palavra Com Inicial Maiúscula), emojis como marcadores de seção (🚀 Lançamento, 💡 Insight) e tabelas desnecessárias.

Esse grupo de sinais existe porque o modelo copia o formato de apresentações corporativas e slides, que dominam os dados de treino. O problema é que a formatação pesada serve para quem escaneia um slide em dez segundos, não para quem lê um parágrafo. Quando um artigo de opinião chega cheio de negrito e rótulos, é sinal de que alguém (ou algo) confundiu as duas situações.

14. Aspas curvas fora de lugar

Detalhe pequeno, mas documentado: chatbots soltam aspas curvas (” “) onde o padrão editorial do texto usa aspas retas (”). Sozinho não prova nada (editores de texto curvam aspas automaticamente), mas em combo com outros sinais ajuda.

15. Restos de conversa

O mais divertido de flagrar: pedaços do chatbot esquecidos no texto final. “Espero que isso ajude!”, “Quer que eu detalhe mais?”, “Claro!”, “Ótima pergunta!”. Isso acontece quando alguém copia a resposta da IA sem limpar. Também aparecem avisos de limite de conhecimento (“até minha última atualização…”) e adivinhações disfarçadas de fato (“provavelmente nasceu numa família de classe média, o que moldou sua visão de mundo”, quando ninguém sabe nem quando a pessoa nasceu).

A lição desses restos é desconfortável para quem usa IA: eles mostram que o chatbot estava, o tempo todo, escrevendo para o usuário da conversa, e não para o leitor final do texto. Quando alguém cola a resposta direto no blog ou no relatório, o leitor recebe um texto endereçado a outra pessoa. É o equivalente a enviar para o cliente um e-mail que ainda contém “em resposta à sua pergunta anterior”.

O paradoxo: humanos parecem IA e IA parece humano

Um ponto que a lista da Wikipédia trata com seriedade, e que quase todo texto popular sobre o tema ignora: nenhum sinal acima é prova isolada. Escritores humanos usam travessão, gostam de tríades, escrevem com formalidade. A própria Wikipédia mantém na página uma seção de “falsos positivos” e outra de “sinais de escrita humana”: detalhes específicos e fora de curva, sentimentos contraditórios, humor pessoal, referências datadas de uma cultura específica.

O caminho seguro é o da convergência. Um travessão não significa nada; um travessão mais “crucial” mais “não apenas X, mas Y” mais um final otimista genérico no mesmo parágrafo formam um diagnóstico. Pense como um médico: um sintoma isolado raramente fecha um quadro, e ninguém opera baseado num único exame.

Como os detectores funcionam (e por que erram)

Vale entender o mecanismo, porque ele explica os falsos positivos. Os detectores usam dois conceitos estatísticos: perplexidade (quão previsível é a escolha de cada palavra) e burstiness (quão variada é a extensão das frases). Texto de IA tende a ser previsível e uniforme; texto humano tende a ser surpreendente e irregular.

O problema: previsibilidade e uniformidade não são exclusivas da IA. Um aluno estrangeiro escrevendo com vocabulário seguro, um texto jurídico cheio de fórmulas, um manual técnico bem revisado: tudo isso é “previsível” no sentido estatístico. Por isso o estudo de Stanford encontrou 61% de falsos positivos com não nativos. O detector não avalia qualidade nem autoria; ele mede temperatura estatística. Um texto frio é rotulado de IA, seja ele humano ou não.

Como humanizar: o método

Reconhecer é metade do trabalho. A outra metade é reescrever. O processo que uso (e que guias como o Humanizer, baseado na mesma página da Wikipédia, formalizam) tem quatro regras:

Regra 1 — Preserve todo fato. Humanizar não é resumir nem opinar: é trocar embalagem por conteúdo. Cada número, nome, data e fonte citada deve sobreviver à reescrita. Se a versão humanizada “perdeu” uma estatística, algo deu errado.

Regra 2 — Reescreva por sentido, não por palavra. O erro comum é editar frase a frase, trocando “crucial” por “muito importante”. O texto continua com cara de IA, só com sinônimos diferentes. O certo é ler o parágrafo, entender o ponto e reescrevê-lo como se você mesmo estivesse contando para alguém. Ritmo desigual, frase curta aqui, frase longa ali, é o que soa humano.

Regra 3 — Devolva o sujeito e os verbos simples. Quem faz o quê, com “é” e “tem” sem culpa. “A ANVISA aprovou o registro” em vez de “o registro foi concedido pela agência reguladora”. Fonte nomeada em vez de “especialistas”. Isso sozinho resolve metade dos sinais.

Regra 4 — Corte o final otimista. Termine no último fato concreto, não no “futuro promissor”. Se o texto tem algo real a dizer sobre próximos passos, diga com especificidade; senão, encerre.

Vale dar um exemplo completo, porque o método fica claro nele. Texto de IA: “A incorporação do novo medicamento pelo SUS representa um momento crucial, refletindo o compromisso do sistema com a inovação e assegurando melhores desfechos para os pacientes.” Versão humanizada: “O SUS incorporou o medicamento em março, depois de três anos de avaliação pela CONITEC. O que muda para o paciente é o prazo: antes, o acesso dependia de ação judicial; agora, ele entra no rol da ANS.” Repare que a segunda versão só se torna possível com informações que o texto original não tinha. É aqui que mora o limite do método: a IA infla a linguagem justamente para disfarçar a falta de informação. Ao humanizar, você é obrigado a decidir entre deixar o texto mais curto (só o que se sabe) ou buscar os fatos que faltam. Não existe terceira saída honesta.

E o mais importante: o detalhe específico e humano é insubstituível. A Wikipédia lista, entre os “sinais de escrita humana”, coisas que modelos raramente produzem: um detalhe fora de curva (“o advogado que trabalhava no andar de cima do meu dentista”), sentimentos contraditórios assumidos (“acho que isso é bom na maior parte, mas me incomoda e não sei explicar por quê”), referências datadas de uma cultura específica, autocorreções no meio do texto. Nenhuma técnica de “desrobotização” substitui isso. O que humaniza de verdade é ter, de fato, vivido o que se escreve.

Um checklist final para o leitor

Antes de publicar ou repassar um texto, faça estas perguntas:

1. Ele usa “marco”, “crucial”, “fundamental” sem evidência?
2. Frases terminam em gerúndios decorativos (“refletindo”, “assegurando”)?
3. Existem “especialistas” ou “estudos” sem nome?
4. Há “não apenas X, mas Y” e tríadas forçadas espalhadas?
5. Travessões, negrito e listas com rótulos aparecem em densidade anormal?
6. O parágrafo final é otimismo genérico?
7. Restou algum “espero que ajude” ou emoji-título?

Se marcou três ou mais, o texto provavelmente passou por um chatbot. Isso não significa descartá-lo: significa editá-lo com o método acima (preservar fatos, devolver sujeitos e verbos simples, cortar a pompa) até que soe como alguém de carne e osso.

E se alguém acusar seu texto de ser de IA com base numa ferramenta? Lembre dos dados: 26% de acerto no detector da própria OpenAI, 61% de falsos positivos com não nativos no estudo de Stanford, e nenhuma universidade séria usando nota de detector como prova única. A ferramenta aponta suspeita; só a leitura qualificada, dos padrões, do contexto e do histórico do autor, sustenta uma conclusão.

Referências

• Wikipedia: Signs of AI writing (WikiProject AI Cleanup) (en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing), página mantida e atualizada coletivamente, última revisão em setembro de 2026.
• Liang, W.; Yuksekgonul, M.; Mao, Y.; Wu, E.; Zou, J. “GPT detectors are biased against non-native English writers”. Patterns, Cell Press, 2023.
• Erol, G. et al. “Can we trust academic AI detective? Accuracy and limitations of AI-output detectors”. Acta Neurochirurgica, 2025 (doi: 10.1007/s00701-025-06622-4).
• CASRAI. “AI Detection Accuracy in Higher Education: A Guide for Academic-Integrity Offices”, atualizado em agosto de 2026 (casrai.org), compilando os dados de Turnitin, OpenAI AI Text Classifier e Vanderbilt University.