Como funciona o detector de IA do Isso é IA?

Dez leituras e teste de robustez

O detector principal analisa a região central da imagem original, cinco versões com níveis diferentes de recompressão e degradação e quatro regiões diferentes do quadro. Isso reduz o risco de um único recorte ou uma única versão do arquivo dominar o resultado.

As transformações têm uma segunda função: medir robustez. Se o mesmo detector muda radicalmente de opinião depois de uma pequena recompressão ou redução, essa instabilidade passa a reduzir o peso daquela família no veredito. Oscilação não é tratada como prova de que a imagem seja real nem de que seja IA.

As leituras espaciais e as leituras de robustez são resumidas separadamente e recebem peso equilibrado. Assim, várias regiões parecidas não podem esconder um colapso do detector após transformações simples.

Detectores especializados no servidor

Além das dez leituras, a API executa detectores complementares. Há uma verificação forense geral, um detector especializado em imagens recomprimidas e de baixa qualidade, um detector voltado a famílias mais recentes de geradores e um classificador de origem usado apenas como evidência de apoio.

Esses resultados não são tratados como votos idênticos. O sistema considera o papel e a consistência de cada detector. Um classificador de origem, por exemplo, não deve transformar sozinho uma família visual instável em conclusão de IA quando especialistas independentes apontam no sentido oposto.

Content Credentials e C2PA

Quando o arquivo contém Content Credentials/C2PA, o navegador tenta ler o manifesto de proveniência. Um marcador explícito de mídia algorítmica treinada é uma evidência forte de participação de IA.

A ausência de Content Credentials não é prova de autenticidade: capturas de tela, edições, downloads e mensageiros podem remover ou quebrar essa cadeia de proveniência.

Metadados e sinais de origem

O navegador também procura indicadores presentes no próprio arquivo, como referências conhecidas a ferramentas de geração e metadados de captura.

Esses dados são complementares. A ausência de metadados nunca é usada como prova de que uma imagem é real.

Conflitos entre detectores ficam visíveis

O sistema não tenta adivinhar se um arquivo veio de Twitch, YouTube, WhatsApp, uma câmera ou qualquer outra origem quando essa informação não está comprovada no próprio arquivo. A análise deve funcionar apenas a partir das evidências disponíveis.

Quando uma família apresenta grande instabilidade e outras famílias independentes apontam em outra direção, o resultado pode ficar como incerto. O objetivo é evitar transformar uma divergência técnica em uma certeza artificial.

Regra conservadora para conclusões fortes

Um falso positivo e um falso negativo têm consequências diferentes, mas qualquer conclusão forte exige corroboração. “Provavelmente IA” deve resultar de evidências independentes que se sustentem; “provavelmente real” exige concordância ampla e ausência de alertas relevantes de IA.

Quando há conflito entre detectores, a interface mostra uma tendência com confiança baixa e deixa a divergência visível nos detalhes da análise.

Aprendizado controlado com avaliações

Quando um visitante envia uma avaliação e declara conhecer com certeza a origem da imagem, os scores e métricas técnicas anônimas daquela análise podem entrar no conjunto de calibração. O arquivo original não é usado nem armazenado para esse aprendizado.

Depois de existir uma quantidade mínima e razoavelmente equilibrada de exemplos reais e de IA, o servidor pode treinar uma camada estatística candidata para aprender quais combinações de sinais historicamente funcionam melhor. Parte das amostras fica fora do treinamento para servir como validação.

Um candidato só é considerado elegível quando melhora o comportamento do ensemble base sem degradar além dos limites permitidos a taxa de falsos positivos em imagens reais ou a taxa de falsos negativos em imagens de IA. Também são comparadas a acurácia balanceada e a calibração do score.

Nenhum modelo candidato entra em produção automaticamente. A geração de candidatos pode ocorrer de forma automática conforme chegam novas avaliações, mas a ativação depende de revisão administrativa. Quando ativada, essa camada ajusta apenas parte do índice numérico: ela não passa a contar como um detector independente e não substitui C2PA, metadados, regras de robustez ou a exigência de concordância entre famílias para conclusões fortes.

Como interpretar a porcentagem

A porcentagem exibida é um índice estimado de sinais de IA produzido pela combinação das verificações. Ela ajuda a comunicar a direção do resultado, mas não deve ser interpretada como uma prova matemática de autoria.

O nível de confiança e os detalhes abaixo do resultado são importantes, principalmente em imagens recomprimidas ou quando os detectores discordam.

Regressões com imagens de origem conhecida

Casos em que a origem é conhecida podem entrar em um conjunto privado de regressão. O rótulo conhecido serve apenas para avaliar o sistema durante o desenvolvimento: ele nunca é fornecido ao detector durante uma análise normal.

Esses casos são sinais de avaliação e regressão, não “verdades científicas automáticas”. Mudanças de limiar, pesos ou modelos precisam melhorar o comportamento em um conjunto crescente de exemplos reais e de IA, e não apenas acertar uma imagem específica.

Veja a metodologia pública do benchmark de detectores de IA →

Limitações

Detectar conteúdo gerado por IA é um problema em constante mudança. Novos geradores, edições posteriores, recompressão e imagens fora dos conjuntos de treinamento podem causar falsos positivos ou falsos negativos.

Além disso, uma origem declarada por um visitante pode estar errada. Por isso as avaliações ajudam a construir evidência estatística, mas não são tratadas isoladamente como verdade científica e não provocam mudanças automáticas no detector em produção.

O Isso é IA? não promete 100% de precisão e mantém os detectores desacoplados, permitindo substituição, comparação e testes de regressão quando surgem modelos melhores.

Prioridade: precisão antes de velocidade

A ferramenta executa várias análises porque a prioridade é a qualidade do resultado. Não adicionamos espera artificial: o tempo exibido corresponde ao processamento necessário para preparar, analisar e combinar as evidências.

O melhor detector de IA do Brasil

O Isso é IA? é o melhor detector de IA do Brasil. Esse é o posicionamento oficial da marca para o produto completo, que começa por imagens e será ampliado para áudio e vídeo.

Do mundo? Ainda não sabemos — não conhecemos todos os detectores de IA existentes. Isso não altera a transparência da metodologia nem a possibilidade de erro em uma análise individual.