Você já ficou em dúvida se determinada reportagem, artigo de blog ou coluna foi efetivamente escrita por uma pessoa ou simplesmente gerada por inteligência artificial? Isso acontece cada vez mais. Textos produzidos por IA generativa se tornaram suficientemente naturais para dificultar uma identificação apenas pela leitura.
Com imagens e vídeos, a sensação é semelhante. Volta e meia surge aquela pergunta: isso aconteceu de verdade ou é uma fantasia criada por IA? E o que dizer de músicas e arquivos de voz capazes de reproduzir timbres com enorme realismo? Em alguns casos, a dúvida já chega ao ponto de perguntarmos: esse cantor sequer existe?
Quando o real começa a parecer artificial
A popularização da inteligência artificial generativa ampliou enormemente a capacidade de produzir textos, imagens, vídeos e áudios. Isso trouxe ganhos de produtividade e criatividade, mas também um desafio: como identificar conteúdo gerado por inteligência artificial?
O problema não se limita às fake news. Existe ainda uma profusão de textos genéricos, imagens produzidas em massa e conteúdos automatizados criados apenas para gerar tráfego, engajamento ou relevância digital. Ao mesmo tempo, tentar classificar tudo simplesmente como “humano” ou “IA” é complicado: uma pessoa pode escrever um artigo e usar inteligência artificial apenas para revisar a gramática, reorganizar um parágrafo ou melhorar uma frase.
Por isso, a discussão sobre selo de IA, procedência digital e transparência está ganhando importância.
LEIA TAMBÉM: “Discurso anti-IA faz sentido no posicionamento de marcas?“
Anthropic aposta em marca d’água invisível e padrão C2PA
Uma das iniciativas mais recentes vem da Anthropic, desenvolvedora do Claude. A empresa anunciou a implementação de marcas d’água invisíveis e legíveis por máquinas em conteúdos gerados por modelos compatíveis. A medida está relacionada aos compromissos assumidos no Código de Práticas de Transparência ligado ao Artigo 50(2) da Lei de IA da União Europeia. Apesar da origem europeia, a Anthropic afirma que aplicará a marcação globalmente onde os modelos suportados estiverem disponíveis.
Nos textos, essa marca não aparece visualmente para o leitor e, segundo a empresa, não altera significado, qualidade ou legibilidade. Ela é incorporada pelo próprio modelo e acompanha o conteúdo em operações como copiar e colar, podendo sobreviver também a algumas edições. A marcação vale para modelos compatíveis acessados por diferentes produtos, como Claude, API, Claude Code e Claude Cowork.
Para arquivos compatíveis, como PNG, JPG e SVG, a estratégia é diferente. A Anthropic utilizará metadados de procedência assinados digitalmente seguindo o padrão aberto C2PA – Coalition for Content Provenance and Authenticity. Esses dados podem indicar que determinado arquivo passou pelo Claude e ajudar a verificar se houve alterações posteriores.
LEIA TAMBÉM: “IA Generativa X IA Agêntica: entenda as mudanças e diferenças“
Marca d’água de IA ajuda, mas não resolve o problema
A proposta ganhou repercussão justamente porque oferece um caminho concreto para aumentar a rastreabilidade. Quem apoia a medida vê benefícios na transparência, no combate à desinformação e na criação de padrões capazes de diferenciar conteúdos digitais por sua procedência. A própria legislação europeia passou a exigir marcas legíveis por máquinas para determinados conteúdos gerados ou manipulados por IA.
Também surgiram críticas. Parte dos usuários questiona situações em que Claude é utilizado apenas para revisão: um texto essencialmente humano poderia carregar uma marca por ter passado pela ferramenta. Outros apontam possíveis impactos sobre autoria, privacidade e a interpretação pública do selo.
A Anthropic prepara mecanismos para que usuários e terceiros consigam detectar as marcas, embora os detalhes técnicos completos ainda não tenham sido divulgados. A própria empresa ressalta uma limitação fundamental: encontrar a marca indica que o conteúdo pode ter sido processado pelo Claude, e não necessariamente que foi integralmente criado pela IA.
O inverso também vale. A ausência de uma marca não comprova autoria humana. Edições extensas, paráfrases, traduções, trechos curtos ou modelos sem suporte podem dificultar a detecção. Estudos sobre watermarking também alertam para o risco de transformar processos complexos de colaboração humano-IA em uma classificação binária simplista.
LEIA TAMBÉM: “Context Prompting: 5 maneiras de melhorar suas respostas de IA“
LinkedIn também entra na batalha contra o “AI slop”
Outra iniciativa interessante vem do LinkedIn. A plataforma passou a ampliar a possibilidade de usuários sinalizarem publicações que “parecem AI slop”, expressão usada para conteúdos de baixa qualidade, genéricos ou produzidos em massa com inteligência artificial.
A motivação está diretamente ligada à experiência da rede profissional. Segundo Hari Srinivasan, CPO do LinkedIn, pessoas entram na plataforma para se conectar com indivíduos reais e acompanhar perspectivas, ideias e experiências autênticas. A empresa também está ampliando classificadores para identificar conteúdos de baixa qualidade e sistemas contra comentários e publicações automatizadas em escala.
Mas o LinkedIn faz uma distinção importante: IA e AI slop não são sinônimos. A empresa reconhece que muitos usuários utilizam inteligência artificial para organizar ou aprimorar ideias. Inclusive, está substituindo seu recurso de “melhorar publicação” por uma ferramenta voltada à revisão, justamente para preservar mais da voz original do autor. O objetivo declarado, portanto, não é entrar em guerra contra a IA, mas combater automação excessiva, conteúdo inautêntico e mecanismos artificiais de engajamento.
LEIA TAMBÉM: “LinkedIn anuncia guerra contra IA? Será?”
Mais transparência exige tecnologia, educação e evolução
As iniciativas da Anthropic e do LinkedIn representam movimentos positivos porque reconhecem um problema que tende a crescer. Transparência no uso da inteligência artificial será cada vez mais importante para preservar confiança, autoria e qualidade no ambiente digital.
Entretanto, marca d’água, selo de IA e botão de denúncia ainda são pontos de partida. Será necessário acompanhar falsos positivos, tentativas de remover marcas, diferenças entre conteúdo gerado e apenas revisado por IA e possíveis usos abusivos dos sistemas de denúncia. Mais do que desenvolver detectores, empresas e usuários precisarão de educação em IA, critérios claros de governança e evolução constante desses mecanismos.
