Como identificar uma imagem gerada por IA: 6 sinais de que é falsa e os detectores gratuitos que valem a pena
A saturação de conteúdo sintético chegou a um ponto em que o scroll pelo feed virou exercício de ceticismo. O chamado AI slop — termo que a própria imprensa internacional consolidou para descrever o volume de material gerado automaticamente e despejado na internet sem curadoria — deixou de ser curiosidade de fórum e virou problema cotidiano de curadoria editorial.
A cada nova geração de modelos de difusão, as ferramentas de geração ficam mais acessíveis, mais rápidas e mais convincentes. Em paralelo, cresce a procura por métodos confiáveis para separar o que foi capturado por uma câmera do que foi fabricado por um diffusion model (modelo que aprende a criar imagens revertendo um processo de ruído gradual). Abaixo, reunimos seis sinais recorrentes que ajudam a identificar uma imagem sintética e os detectores gratuitos que ganharam tração entre profissionais e jornalistas.
Os 6 sinais de que a imagem é falsa
1. Mãos e dedos em excesso ou em falta
O indicador mais antigo e ainda um dos mais úteis. Modelos generativos continuam tropeçando na anatomia das mãos: seis dedos, polegares com articulações extras, falanges que se fundem ou anéis que atravessam a pele. A área foi alvo de investimento pesado em pesquisa durante 2024 e 2025, mas erros sutis persistem, especialmente em imagens com várias pessoas em primeiro plano.
2. Texto embaralhado em placas, roupas e embalagens
Letreiros, etiquetas, capas de livro e telas de celular quase sempre saem ilegíveis. Os modelos aprendem a forma de texto como textura visual, e não como sequência de caracteres, então a coerência semântica se perde. Placas de rua com letras que não formam sílabas ou camisas com palavras inventadas continuam sendo um marcador confiável.
3. Reflexos e sombras inconsistentes
A física da iluminação é o calcanhar de aquiles da geração por difusão. Refletos em espelhos, olhos e óculos costumam contradizer a posição da luz principal. Sombras podem aparecer em direções opostas para dois objetos próximos, ou simplesmente desaparecer sob um objeto que claramente deveria projetar uma.
4. Detalhes finos que se dissolvem ao ampliar
Olfear a imagem em alta resolução costuma revelar padrões que se fundem: fios de cabelo que viram borrão, padrões de tecido que perdem a lógica ao se repetir, brilhos de joias que se contradizem. Modelos generativos operam por denoising (remoção progressiva de ruído estatístico até restar a imagem final) e tendem a tratar detalhes microscópicos como textura aproximada.
5. Assimetrias sutis em rostos e acessórios
Brincos diferentes em cada orelha, óculos com armações de espessura desigual, costeletas desalinhadas. O rosto humano é a área em que os modelos mais treinam, então erros grosseiros caíram, mas assimetrias finas continuam escapando.
6. Metadados apagados e histórico de edição suspeito
Nem tudo é pixel. A imagem pode ser perfeita, mas vir sem EXIF (metadados que câmeras gravam dentro do arquivo, como modelo do equipamento, data e coordenadas) ou com software de edição listado no lugar da câmera original. Checar o histórico do arquivo é etapa básica de verificação.
Detectores gratuitos que valem o teste
Nenhuma ferramenta isolada é infalível. A recomendação consensual entre equipes de checagem é combinar mais de um detector e cruzar com análise visual.
- Hugging Face AI Detector: roda localmente no navegador, sem upload para servidor externo, e devolve uma probabilidade de a imagem ter sido gerada por IA.
- Hive Moderation: oferece API pública com créditos gratuitos e é usado por veículos de comunicação para triagem em volume.
- Sensity AI: especializado em deepfakes (imagens e vídeos sintéticos que tentam retratar pessoas reais de forma convincente), com detector dedicado para rostos.
- AI or Not: interface simples que aceita upload direto e classifica entre humana e sintética.
- Illuminarty: um dos mais antigos em operação, mantém taxa de atualização frequente à medida que novos modelos generativos são lançados.
Vale reforçar: a corrida entre geradores e detectores é assimétrica. Cada novo modelo de difusão empurra os detectores existentes para a obsolescência, e os próprios laboratórios que desenvolvem IA generativa investem pesado em watermarking (marca d'água invisível embutida nos pixels pela própria IA) e provenance (metadados que registram a origem da imagem, como a especificação C2PA da Adobe e da Microsoft) como camada adicional de rastreabilidade.
Por que isso importa agora
A circulação de imagens fabricadas em contextos de desastre, conflito armado e política eleitoral já provocou danos documentados nos últimos ciclos. Plataformas como Meta e Google começaram a etiquetar conteúdo gerado por IA em parceria com a Coalizão para Proveniência e Autenticidade de Conteúdo (C2PA), mas a etiqueta depende de o próprio gerador declarar a origem — basta usar uma ferramenta fora do ecossistema para escapar do selo.
Para o trabalho editorial, a regra prática segue sendo a mesma da era pré-IA: a imagem é evidência apenas quando o histórico do arquivo, a procedência do autor e a coerência dos elementos visuais batem. Quando um desses pilares falha, vale a dúvida.