Como identificar uma foto feita por IA (e evitar cada sinal na sua)

Por que a lista de 2023 parou de funcionar

Quase tudo que se publica em português sobre como identificar uma foto feita por IA ainda descreve os modelos de 2023. O primeiro resultado do Google para essa busca é uma notícia de 30 de abril de 2023: ela ensina a procurar a barrinha colorida de cinco quadradinhos que o DALL·E 2 carimbava no canto da imagem. O conselho era bom naquele mês. Hoje ele aponta para uma geração de modelo que o próprio fornecedor não documenta mais: no guia de geração de imagem da API da OpenAI, lido em 31/07/2026, a sequência DALL aparece zero vez em 8.444 palavras.

O problema é maior do que uma marca d'água velha. Em 7 de julho de 2026 a PNAS publicou um estudo de Dawel e colegas que mede exatamente o método que a internet recomenda: "Previous efforts have focused on training people to identify visual artifacts in AI images, such as mismatched earrings or anatomical abnormalities. These approaches produce disappointing results: either no improvement or modest gains of approximately 10%. They also increase false positives, causing real faces to be misclassified as AI." Traduzindo: caçar brinco torto e anatomia estranha rende, na melhor das hipóteses, cerca de 10% de acerto a mais, e faz você classificar mais rostos reais como IA. Quem falsifica de verdade, acrescentam os autores, filtra ou edita os artefatos óbvios antes de publicar.

Vale medir também uma ausência. O defeito mais citado da internet não tem uma linha de documentação: somando o guia de imagem da OpenAI (8.444 palavras), o cookbook do mesmo fornecedor (7.175) e a doc de geração de imagem do Gemini (14.805), são 30.424 palavras oficiais em que finger aparece zero vez. O radical anatom aparece quatro vezes, todas num exemplo de código sobre uma borboleta dissecada. O que os fornecedores declaram como limite é outra coisa: renderização de texto ("the model can still struggle with precise text placement and clarity") e composições sensíveis a layout.

Este artigo lê a mesma lista nas duas direções: para reconhecer o que você está vendo e, principalmente, para escrever a linha que impede aquele defeito na sua própria foto. Se você ainda nem gerou nada, o guia que percorre o fluxo inteiro de foto com IA é o ponto de partida; aqui o assunto é a leitura da imagem pronta.

O que a pesquisa manda olhar: seis impressões, não seis defeitos

O mesmo estudo propõe o contrário do zoom, e explica o mecanismo em uma frase: "generative algorithms are inherently biased toward the mathematical average of the tens of thousands of faces on which they are trained". O modelo puxa para a média dos rostos que viu. Por isso as pessoas avaliam rostos gerados como mais simétricos, mais bem proporcionados e mais bonitos que rostos humanos, e ao mesmo tempo menos distintivos, menos memoráveis e menos expressivos.

Foi nessas seis qualidades que o treino do estudo mexeu, sem ensinar nenhum truque de artefato: os participantes apenas davam notas a rostos reais e gerados e recebiam retorno a cada resposta. Em rostos que nunca tinham visto, a acurácia média foi de 41,4% antes para 81,1% depois. É esse número que separa o assunto de qualquer lista de dicas. Dá para usar como um teste de vinte segundos: olhe o rosto inteiro, sem ampliar nada, e responda.

1. Simetria: os dois lados do rosto são parecidos demais?
2. Proporção: está tudo bem no lugar, sem nenhum desvio?
3. Beleza: o rosto é mais bonito do que a média das pessoas que você conhece?
4. Distinção: existe alguma marca que só essa pessoa teria?
5. Memória: daqui a cinco minutos você reconheceria esse rosto numa fila?
6. Expressão: o rosto está dizendo alguma coisa, ou só posando?

Nota alta nas três primeiras e nota baixa nas três últimas é o desenho da média do treino. É indício, não prova, e o desenho experimental precisa vir junto: os rostos gerados vieram do StyleGAN3, não do gpt-image-2 nem do Gemini; foram 45 participantes recrutados numa universidade australiana (19 do leste asiático e 26 brancos); rostos e pessoas testadas eram apenas asiáticos e brancos; e o treino aconteceu em laboratório, com retorno imediato. Nada disso foi medido em foto de perfil gerada a partir de uma selfie sua, com identidade travada no prompt.

Para quem gera a própria foto, a virada é perceber que essa lista já existia neste blog com outro nome. As seis qualidades são, uma a uma, o que o prompt precisa devolver: assimetria, proporção real, marca visível, expressão. É o mesmo material que aparece no artigo que trata a lista de proibições pelo lado do retrato feminino, agora lido de trás para frente.

A lista ao contrário: cada sinal é uma linha que faltou

A tabela acima só rende se você ler as colunas na ordem certa. A coluna 1 é o que aparece na imagem. A coluna 2 é a decisão que o modelo tomou sozinho porque ninguém tomou por ele. A coluna 3 é a frase que devolve essa decisão para você. E a coluna 4 é a que quase nunca é publicada: de onde vem a causa.

São três origens, e elas não valem o mesmo. Limite declarado pelo fornecedor é o que está escrito na documentação, e é aí que caem crachá ilegível e nó de gravata derretido. Viés medido em estudo é o que alguém contou numa amostra e publicou, e é de lá que vêm pele clareada, rosto simetrizado e rejuvenescimento; o selo também difere dentro do grupo, porque o trabalho de Dawel e colegas saiu na PNAS com revisão por pares, enquanto os de Seo e de Dinkar ainda são preprints no arXiv. Heurística editorial é a leitura deste blog, ancorada em fonte mas não medida por nós: a física da luz e o grau do sorriso estão nesse grupo. Quando alguém escreve as três como se fossem a mesma coisa, você perde a capacidade de saber o que é regra e o que é palpite.

Agrupadas pelas seis impressões, as linhas viram um bloco só, para colar no fim de qualquer prompt em que exista uma foto sua anexada:

# 1 e 2. Simetria e proporção
Keep my facial asymmetries exactly as the reference shows them: uneven eyebrows,
one eye slightly smaller, the natural tilt of my mouth.
Do not slim my jaw, chin or neck, do not enlarge my eyes, do not change the
distance between them.

# 3. Beleza: o eixo em que o modelo mais empurra
Do not beautify me and do not de-age me. Do not smooth my skin and do not lighten
or even out my skin tone.

# 4 e 5. Distinção e memória
Keep every mark the reference shows: pores, freckles, moles, scars, grey hairs,
gaps in the beard, the lines around my eyes.
Keep my exact hair texture, parting and hairline, with a few loose strands visible
against the background.

# 6. Expressão
Eyes on the lens, lips together, both mouth corners raised by the same small amount,
the skin around my eyes creasing with the smile.

# A luz, que é a evidência física por trás das seis notas
Soft daylight from a window on my left, one catchlight in each eye coming from that
same side, the nose shadow falling to my right.

Em português: mantenha minhas assimetrias como a referência mostra; não afine mandíbula, queixo nem pescoço, não aumente os olhos nem mude a distância entre eles; não me embeleze nem me rejuvenesça, não alise nem uniformize a minha pele; mantenha poros, sardas, pintas, cicatrizes, fios brancos e falhas na barba; mantenha textura, risca e linha do cabelo, com fios soltos contra o fundo; olhos na lente, lábios juntos, os dois cantos da boca subindo a mesma coisa; luz de janela pela minha esquerda, um brilho em cada olho vindo desse lado e a sombra do nariz caindo para a minha direita.

As duas primeiras linhas respondem às notas de simetria e proporção, que são as que o modelo mais empurra quando o prompt cala. A terceira responde à nota de beleza, e é a única do bloco com um efeito medido a favor: no preprint de Seo e colegas sobre edição de retrato, escrever restrições de aparência no prompt reduziu a troca de traços raciais em retratos não brancos em até 1,48 ponto, sem tocar nos pesos do modelo. O limite vem junto e é grande: foram três editores de imagem de código aberto, nenhum deles o gpt-image-2 nem o Gemini. A quarta e a quinta linhas respondem a distinção e memória, e são elas que devolvem o detalhe que só existe em você. A última existe porque o brilho no olho e a sombra do nariz são a evidência física de que houve uma fonte de luz na cena, e não uma média.

Duas ressalvas honestas. A primeira: proibir é a alavanca mais fraca quando existe um enquadramento que resolve o problema. Mão com dedo a mais numa foto de cabeça e ombros se resolve tirando a mão do quadro, não escrevendo que ela precisa ter cinco dedos, e as cinco formas de escrever uma proibição, e qual delas funciona em cada caso estão no artigo dedicado ao assunto. A segunda: três destas linhas já têm artigo dono aqui, porque só existe um jeito razoável de escrevê-las em inglês; o que muda neste artigo é a coluna que diz de onde vem a causa. Quando o problema não é defeito de superfície, mas o rosto virar outra pessoa, a resposta está no bloco que impede a troca de rosto antes de a foto existir, e o prompt completo em que essas linhas convivem com ambiente, roupa e enquadramento está na biblioteca que abre o pilar de prompt.

Como identificar uma foto feita por IA em oito pontos: textura e física da luz

Este é o método secundário, e é justo dizer isso antes de listá-lo. É exatamente o percurso que a PNAS mede como fraco para acusar. Ele continua ótimo para outra coisa, que é conferir a sua própria saída, porque cada ponto tem uma linha correspondente na tabela acima. Com zoom, nesta ordem:

1. Pele: existe poro, sarda, linha? Pele lisa demais na testa e no nariz, justamente onde a luz bate, é o primeiro aviso.
2. Olhos: conte os brilhos. Devem ser o mesmo número em cada olho e vir do mesmo lado. Dois num olho e um no outro é luz sem origem.
3. Cabelo: procure o fio solto contra o fundo. Cabelo que termina num contorno limpo foi desenhado, não fotografado.
4. Orelha e óculos: a haste sai da lente, atravessa a têmpora e chega na orelha? A orelha mais escondida tem o mesmo desenho da outra? O brinco é par?
5. Mãos, e só se estiverem no quadro: cinco dedos, um polegar e um contato real com o que elas tocam.
6. Colarinho e ombro: costura, botão, linha do ombro. Colarinho fundido no pescoço e botão que some no meio da fileira são erro de layout.
7. Texto e logo: crachá, parede, camiseta, caneca. Letra que quase forma palavra é a assinatura mais confiável desta lista, porque é limite declarado.
8. Luz e sombra: a sombra do nariz cai para o lado oposto ao lado aceso? A sombra do queixo concorda com ela? Duas direções são duas fontes que ninguém montou.

Os pontos 7 e 8 são os mais fortes e os menos citados por aí. O texto porque é limitação declarada, e não folclore. A luz porque é a única coisa da cena que obedece a uma física: como a direção da luz desenha a sombra do nariz é assunto de fotografia antes de ser assunto de IA. O ponto 4 rende um artigo inteiro, porque a haste do óculos é a geometria mais difícil de um retrato, e o reflexo na lente entra junto.

Um aviso sobre o ponto 5: ele é o mais famoso e o menos aproveitável. Mão com seis dedos virou piada justamente porque foi um dos primeiros defeitos corrigidos, e porque a maior parte das fotos de perfil não tem mão nenhuma no quadro. Se a sua tem, o ajuste que funciona é dar contato e tarefa à mão antes de escrever qualquer proibição sobre número de dedos.

Marca d'água e proveniência: o que cada fornecedor declara

Aqui a conversa muda de natureza. Sinal visual é leitura de imagem; proveniência é um dado dentro do arquivo. E cada fornecedor declara uma coisa diferente, o que derruba de saída qualquer promessa de teste universal.

A documentação da API do Gemini é a mais direta: "All generated images include a SynthID watermark". A página do SynthID no site do Google DeepMind explica o que isso significa: a marca é embutida no momento em que o conteúdo é criado, é imperceptível para humanos e foi "designed to stand up to modifications like cropping, adding filters, changing frame rates, or lossy compression". Guarde o verbo: projetada para resistir não é o mesmo que resiste sempre. A mesma página publica um caminho de verificação que qualquer pessoa usa, e que quase ninguém em português menciona: subir a imagem numa conversa do Gemini e perguntar se ela foi criada ou alterada por IA do Google. O limite vem junto, e é grande: isso só cobre conteúdo gerado por IA do Google. E o SynthID Detector, o portal de verificação, não é ferramenta aberta; a página declara teste em curso com jornalistas e profissionais de mídia, com lista de espera para novos testadores.

Do lado da OpenAI, a leitura exige nomear o documento, porque são dois e eles dizem coisas diferentes. No guia de geração de imagem da API, as palavras watermark, C2PA e SynthID aparecem zero vez: aquele documento trata de tamanho, qualidade, edição e limitações. A ausência é daquele documento, não do fornecedor, e vale dizer onde o termo existe: no cookbook de prompt da própria OpenAI a palavra watermark aparece nove vezes, todas dentro de prompts de exemplo, na forma da instrução "no watermark", que é outro assunto. Mais importante, o mesmo fornecedor mantém um guia de content provenance inteiro sobre o assunto, com API própria (POST /v1/content_provenance_checks) e um verificador de navegador anunciado em openai.com/verify. Quem escreve que a OpenAI não fala de marca d'água está lendo a página errada.

É esse guia que faz a distinção que organiza o tema inteiro, e ela vale para qualquer ferramenta: são dois sinais de naturezas opostas. C2PA Content Credentials é "signed metadata with issuer and AI-use details", um metadado assinado que viaja ao lado do pixel; na resposta de exemplo publicada pela OpenAI, o emissor é OpenAI OpCo, LLC e o modelo é gpt-image. SynthID é "a watermark embedded directly in supported media", uma marca dentro do próprio pixel. A consequência está escrita ali: "Editing, converting, or sharing a file can remove its metadata. A SynthID watermark is part of the image or audio itself and may survive some transformations." Metadado mora ao lado da imagem e é frágil; marca d'água mora dentro dela e é mais teimosa.

O C2PA, por fim, não pertence a nenhuma empresa: é um consórcio, e o padrão aberto que ele publica se chama Content Credentials, comparado na própria página a um "nutrition label for digital content". Padrão aberto significa adesão, não obrigação. Um arquivo sem Content Credentials não prova nada, e é disso que trata a seção seguinte.

Detectores: o que o resultado realmente diz

A pergunta que traz a maior parte das pessoas até aqui é se existe um botão que responde sim ou não. A resposta mais honesta disponível hoje não é opinião de blog: está escrita pelo fornecedor que publica o botão.

Sobre a própria API de proveniência, a OpenAI escreve: "The API checks for supported OpenAI signals. It isn't a general-purpose AI detector and doesn't identify content generated by every AI system." E o parágrafo do resultado negativo é o mais valioso do assunto, porque lista as formas de a foto ter sido gerada e o teste não ver: metadado removido ou adulterado, marca d'água degradada, modelo antigo, ou arquivo criado antes de os sinais existirem. Fecha lembrando que a ferramenta não detecta conteúdo de IA de outra empresa. As regras de uso da mesma página são igualmente claras: trate detected como evidência de um sinal específico, não como o histórico completo do arquivo; trate not_detected como ausência de evidência, não como prova de que o conteúdo é humano; e combine decisão automática com revisão humana quando a decisão importar.

Falta a parte que ninguém em português faz: a conta. Suponha, de graça, um detector muito melhor do que qualquer um que anuncie precisão numa página de vendas, com 90% de sensibilidade e 90% de especificidade. Aplique a mil fotos de perfil em que 50 delas (5%) foram geradas. Ele acerta 45 das 50 geradas. E acusa 10% das 950 reais, ou seja, 95 fotos de gente que não usou IA. São 140 alarmes, dos quais 95 são falsos: dois de cada três alarmes caem em foto real, e o valor preditivo positivo é de 32,1%. Melhore o detector para 95% e 95% e esse valor sobe para 50,0%, ou seja, metade dos alarmes ainda erra. Só a 99% e 99% ele chega a 83,9%. As premissas são minhas e estão na mesa; nenhum desses números descreve um produto real.

É por isso que a explicação mais provável para uma foto real acusada de IA não é bug do detector: é retoque. Filtro de pele, suavização e correção automática empurram um rosto para o mesmo lugar em que a geração o coloca, que é liso, simétrico e agradável.

E o único estudo que a busca em português oferece sobre confiabilidade de detector? É um preprint publicado no arXiv em 2024, sem revisão por pares, que testa três detectores gratuitos em Western blots, ou seja, imagens científicas de laboratório, não rostos. As sensibilidades vão de 0,1875 a 0,9583 e as especificidades de 0,4167 a 0,8750: os três discordam entre si. Com prevalência de 0,1, o valor preditivo positivo fica entre 0,1189 e 0,1885, e os autores concluem contra o uso de detectores gratuitos para aquela finalidade. Na primeira tela de resultados em português, esse é o único link para fonte primária que existe, e a página que o publica escreve apenas que pesquisas mostram variação de precisão, sem nomear o estudo nem dizer que ele mede imagem de laboratório. A literatura trata os detectores com a mesma reserva: a PNAS registra que o processo de decisão desses algoritmos permanece opaco, o problema da caixa-preta, e que testes recentes revelaram vulnerabilidades sérias.

Posso usar uma foto gerada no meu perfil?

Essa é a pergunta que quase ninguém responde com fonte, e a resposta está escrita em duas páginas do Linkedin: a diretriz que vale não fala de IA, ela fala de semelhança.

A página oficial do Linkedin com as diretrizes e condições para foto de perfil, lida em 31/07/2026 e servida em português, diz assim: "Você pode usar uma ilustração, caricatura ou outra representação artística de si mesmo, mas sua foto de perfil deve ser semelhante a você." A lista do que pode ser removido inclui logomarcas, emojis, paisagens, animais, palavras, bandeiras, fotos de infância e imagens de terceiros, inclusive banco de imagens e celebridades. Vale medir o que não está lá: "inteligência", "artificial", "gerada" e "sintética" aparecem zero vez nessa página, que se declara atualizada "há 2 anos".

A segunda é a das Políticas para Comunidades Profissionais do Linkedin, e ela tem duas cláusulas que costumam ser confundidas. A de mídia sintética pede que não se compartilhe mídia sintética ou manipulada "that depicts a person saying something they did not say or doing something they did not do" sem revelar claramente a natureza alterada do material. Repare no objeto da frase: é sobre retratar alguém dizendo ou fazendo algo, e um retrato parado de você mesmo não cai ali. A cláusula que morde de verdade é a de perfil falso: "Do not use an image of someone else, or any other image that is not your likeness, for your profile photo." Uma observação de leitura, porque importa: mesmo com o parâmetro de idioma português na URL, essa página serviu o texto em inglês em 31/07/2026.

Juntando as duas, sai uma régua de três perguntas que serve para qualquer plataforma:

1. A foto é semelhante a você hoje? Não é a versão de dez anos atrás nem uma pessoa idealizada com o seu nome.
2. Se perguntassem numa entrevista, você diria sem constrangimento que ela foi gerada a partir das suas fotos?
3. O uso é de perfil ou documental? Documento oficial, prova, biometria e qualquer contexto que exija fotografia real e recente estão fora do alcance de uma imagem gerada.

Nada disso é conselho jurídico, e este artigo não vai além do que as duas páginas escrevem. Vale lembrar que ser gerada é só uma das coisas que podem estar erradas numa foto: os erros que matam a foto antes de qualquer discussão sobre IA continuam sendo corte, fundo e expressão. E, antes de tudo isso, existe a questão do arquivo que sai do seu celular: o que viaja escondido na foto que você envia para a IA é outro assunto, com outras fontes.

Os limites: por que nenhum sinal isolado prova nada

Quatro limites, escritos de uma vez, porque separados eles viram desculpa.

• Ausência de sinal não é ausência de IA. A frase é da própria OpenAI: um resultado negativo é ausência de evidência detectada, não prova de conteúdo humano. Compressão, recorte, captura de tela e remoção de metadado apagam ou enfraquecem o sinal, e isso acontece sozinho quando o arquivo atravessa um aplicativo de mensagem.
• "Perfeito demais" falha de forma desigual. Em 2023, na Psychological Science, Miller e colegas mediram que rostos brancos gerados por IA são julgados como humanos com mais frequência do que rostos humanos de verdade, efeito que batizaram de hiper-realismo de IA, com causa declarada no treino desproporcional em rostos brancos. E quem mais errava era quem tinha mais confiança na própria resposta. Os limites são os de sempre neste campo: rostos gerados por GAN, sem foto de referência anexada, e participantes anglófonos. Ainda assim, num país como o Brasil, essa régua não vale igual para todo mundo.
• O ferramental de verificação ainda é parcial. Cada verificador cobre os sinais do próprio fornecedor, o portal do SynthID está em teste com lista de espera, e nenhuma superfície de consumidor foi checada aqui, porque as páginas de ajuda e o anúncio institucional da OpenAI responderam HTTP 403 à leitura automatizada em 31/07/2026.
• Este texto tem data. Tudo o que está aqui foi lido em 31/07/2026, em documentos que mudam em semanas. Antes de usar qualquer frase deste artigo como argumento, abra o link e confira o que a página diz hoje.

O fecho é chato de propósito: aprender a ler esses sinais não serve para ganhar discussão na internet, serve para olhar a sua própria foto e saber qual linha faltou. Um indício vale como pista sobre a origem do arquivo, nunca como acusação, e a margem de erro dele é conhecida e desigual entre grupos de pessoas.

Resumo e próximos passos

Cinco linhas para levar embora:

1. Comece pela impressão geral, não pelo zoom: simetria, proporção e beleza demais, com distinção, memória e expressão de menos.
2. Só depois faça o percurso dos oito pontos, e use-o para corrigir a sua foto, nunca para acusar a de outra pessoa.
3. Proveniência é outro plano: o metadado C2PA mora ao lado do pixel e some fácil; a marca SynthID mora dentro dele e resiste mais.
4. Detector devolve probabilidade, e a prevalência decide o resto: com 5% de fotos geradas, dois de cada três alarmes caem em foto real.
5. No perfil, a régua não é se a foto é IA, é se ela é semelhante a você.

O passo seguinte depende do que você veio fazer. Para auditar uma imagem, o caminho é o da proveniência: abrir a documentação do fornecedor, verificar o arquivo original e tratar o resultado como indício. Para gerar a sua, o roteiro completo está no guia geral deste pilar, com o fluxo e as ferramentas, e o bloco das seis impressões daqui pode ir colado no fim do prompt que você já usa.