O guia completo para detectar imagens geradas por IA em 2026

A geração de imagens por IA chegou, em 2026, a um ponto em que os melhores resultados são genuinamente indistinguíveis de fotografias reais para o observador casual. Midjourney v7, DALL-E 4, Stable Diffusion XL e Adobe Firefly conseguem produzir imagens fotorrealistas de praticamente qualquer cena, pessoa real ou evento — rápido, barato e em escala. Este guia reúne tudo o que se sabe hoje sobre detectar imagens geradas por IA: o que procurar visualmente, como usar análise de metadados, como funcionam as ferramentas automatizadas de detecção e onde todos esses métodos encontram seus limites.

Por que a detecção importa

Imagens geradas por IA são usadas em uma ampla gama de contextos — projetos criativos, marketing, ilustração — em que a origem sintética é benigna ou irrelevante. Mas também são usadas para fabricar evidência de eventos que nunca aconteceram, criar imagens íntimas não consensuais usando a semelhança de pessoas reais, personificar indivíduos reais e alimentar campanhas de desinformação. A detecção serve a propósitos diferentes dependendo do contexto: verificar imagens de notícia, proteger pessoas do uso não consensual de sua imagem, manter a integridade em competições criativas e triar conteúdo em plataformas. As técnicas são as mesmas; o que está em jogo varia.

Inspeção visual: o que procurar

A inspeção visual é o ponto de partida, mas é menos confiável do que era há dois anos. Os indícios a seguir continuam relevantes, mas devem ser tratados como sinais para investigação adicional, não como prova definitiva.

Mãos e dedos. Modelos de imagem por IA melhoraram substancialmente nas mãos, mas elas continuam um ponto fraco. Procure: número errado de dedos; dedos arranjados ou fundidos de forma não natural; dedos que se fundem à palma; comprimento inconsistente dos dedos; e mãos que parecem corretas à primeira vista, mas erradas de perto. O problema é anatômico — mãos são complexas, variáveis e aparecem em muitas configurações, o que as torna estatisticamente difíceis de os modelos aprenderem com perfeição.

Texto nas imagens. Modelos de IA geram texto caractere por caractere como padrões visuais, não como linguagem com significado. Texto de fundo em imagens de IA costuma não fazer sentido, usar caracteres inventados ou ser uma versão embaralhada de palavras reais. Placas, rótulos, livros, telas e qualquer elemento com texto devem ser examinados de perto. É um dos indícios mais confiáveis em imagens que incluem elementos textuais.

Fundos e detalhes periféricos. Modelos de IA concentram recursos computacionais no assunto principal e costumam produzir fundos menos coerentes. Procure: figuras de fundo com anatomia distorcida; elementos arquitetônicos que não obedecem à perspectiva corretamente; objetos que existem só parcialmente; e padrões (papel de parede, azulejos, tecido) que se repetem incorretamente ou quebram nas bordas.

Iluminação e sombras. Iluminação consistente é difícil de gerar corretamente. Procure: sombras que não correspondem à direção aparente da fonte de luz; múltiplas sombras de um único objeto sugerindo várias fontes de luz inconsistentes; reflexos nos olhos, janelas ou superfícies brilhantes que não combinam com a cena; e pontos de luz nos olhos inconsistentes entre os dois olhos.

Textura da pele. Imagens da geração atual de IA costumam produzir pele sutilmente artificial. Procure: textura de pele uniforme demais, sem as variações específicas da pele real (poros, linhas finas, variação sutil de cor); aparência excessivamente lisa ou de cera; e cabelo perfeito demais ou que se funde incorretamente com o couro cabeludo e o fundo.

Simetria. Rostos reais têm assimetrias sutis — um olho levemente mais alto, o nariz um pouco inclinado, a linha do cabelo variando. Rostos gerados por IA tendem a uma beleza mais perfeita e simétrica que, examinada de perto, parece levemente inumana. É um indício sutil e depende do modelo gerador.

Análise de metadados

Fotografias digitais autênticas carregam metadados — dados embutidos no arquivo de imagem descrevendo como ela foi capturada. Metadados EXIF incluem: marca e modelo da câmera; informações da lente; configurações de captura (ISO, abertura, velocidade do obturador); coordenadas de GPS; e registro de data e hora. Imagens geradas por IA costumam não ter dado EXIF nenhum, ou têm metadados que não batem com o contexto alegado.

Para examinar metadados, você pode usar: ferramentas online gratuitas como o Jeffrey's Exif Viewer (exifdata.com) ou o ExifTool (exiftool.org); a opção “Obter Informações” no Preview do macOS; ou softwares de edição de imagem como Photoshop ou GIMP, que exibem metadados no painel de informações do arquivo. Verifique: existe algum dado EXIF? O modelo da câmera bate com o que se esperaria para esse tipo de imagem? O registro de data e hora é consistente com quando a imagem supostamente foi tirada? Há coordenadas de GPS presentes, e elas batem com o local alegado?

Ressalvas importantes: dados EXIF podem ser removidos (todas as grandes redes sociais removem dados EXIF quando imagens são enviadas, então um screenshot ou imagem repostada não terá dado EXIF mesmo que o original fosse genuíno). Dados EXIF também podem ser fabricados e adicionados a imagens geradas por IA. Ausência de EXIF não é prova de geração por IA; presença de EXIF inconsistente é evidência de manipulação.

Busca reversa de imagem

Antes de qualquer outra checagem, passe uma imagem suspeita pelo Google Images (images.google.com), TinEye (tineye.com) e Yandex Images. Isso mostra: se a imagem já apareceu antes da data alegada dos eventos que retrata (indicando reuso ou fabricação); se aparece em contextos inconsistentes com o contexto alegado; e se é uma imagem de banco conhecida, uma fotografia de arquivo ou uma imagem já confirmada como gerada por IA.

A busca reversa de imagem é particularmente poderosa para detectar imagens antigas usadas com contexto falso — uma fotografia real de outra época e lugar apresentada como se documentasse um evento atual. Isso é mais comum do que imagens totalmente sintéticas em muitos contextos de desinformação.

Content Credentials do C2PA

A Coalition for Content Provenance and Authenticity (C2PA) desenvolveu um padrão técnico — “Content Credentials” — que registra criptograficamente a origem e o histórico de edição de mídia digital. Quando um gerador de IA compatível com C2PA cria uma imagem, ele embute no arquivo um registro à prova de adulteração da geração. Quando uma câmera compatível com C2PA captura uma fotografia, ela embute um registro da captura. Edições posteriores também são registradas.

Em 2026, suporte a C2PA está disponível em: Adobe Photoshop e Lightroom (para proveniência de edição); vários geradores de IA importantes, incluindo DALL-E e Adobe Firefly; câmeras Leica (a primeira grande fabricante de câmeras a implementar C2PA embutido); e um número crescente de modelos de smartphone via atualizações de firmware. Você pode verificar Content Credentials usando a ferramenta gratuita em contentcredentials.org. Se uma imagem alega ser fotografia de um evento real e carrega credenciais C2PA indicando que foi gerada por um modelo de IA, isso é evidência definitiva de fabricação. A ausência de credenciais C2PA não prova que uma imagem foi gerada por IA, já que a maioria das câmeras e ferramentas de IA mais antigas ainda não as embute.

Ferramentas automatizadas de detecção de IA

Ferramentas automatizadas de detecção analisam imagens usando visão computacional e modelos de machine learning treinados para identificar assinaturas de geração por IA. Essas ferramentas examinam: características no domínio de frequência (imagens geradas por IA têm padrões característicos em suas transformadas de Fourier que diferem de imagens capturadas por câmera); artefatos de síntese de textura (geradores de IA produzem padrões de ruído característicos); e fingerprints de geração específicos de modelo (padrões específicos de determinados modelos geradores, embora mudem entre versões).

O pipeline de detecção de imagens da SUS IT examina essas características e fornece uma pontuação de probabilidade junto com um detalhamento dos sinais específicos que informaram o veredito. A ferramenta é particularmente eficaz para imagens limpas e não comprimidas; a precisão cai um pouco para imagens fortemente comprimidas, cortadas ou pós-processadas, já que essas operações podem obscurecer os artefatos de geração.

Outras ferramentas disponíveis incluem o SynthID do Google (disponível em plataformas que o suportam), a API de detecção de IA da Hive Moderation (usada por muitas plataformas) e ferramentas de código aberto como o Grover e vários vision transformers ajustados. Cada uma tem dados de treinamento e pontos fortes diferentes — quando uma decisão de alto risco depende do resultado, usar várias ferramentas dá mais confiança do que um único resultado.

Os limites da detecção

Nenhum método de detecção atual é perfeito, e entender as limitações é essencial para usar ferramentas de detecção de forma apropriada. Compressão derrota muitos detectores: compressão JPEG pesada, aplicada pela maioria das redes sociais no upload de imagens e por processos de screenshot, destrói muitos dos artefatos no domínio de frequência que os detectores procuram. Uma imagem de IA que foi enviada ao Instagram e depois capturada em screenshot é muito mais difícil de detectar do que o arquivo original. Pós-processamento adversarial: existem técnicas para modificar especificamente imagens geradas por IA de modo a driblar a detecção preservando a qualidade visual. São usadas em operações sofisticadas de desinformação. Atualizações de modelo: modelos de detecção treinados em uma versão de um gerador podem não generalizar bem para versões mais novas, com características de geração diferentes. O campo exige retreinamento constante. Falsos positivos: certos tipos de fotografias reais fortemente processadas — com processamento HDR significativo, filtros pictóricos ou retoque extenso — podem pontuar como geradas por IA. Resultados de detecção devem sempre ser contextualizados com outras evidências.

Um fluxo prático de verificação

Para qualquer imagem em que a resposta importa, aplique estes passos em ordem: 1) Pause e note sua reação inicial — carga emocional alta é motivo para mais escrutínio, não menos. 2) Busca reversa de imagem em vários mecanismos. 3) Examine metadados com um leitor EXIF. 4) Verifique Content Credentials do C2PA. 5) Inspeção visual de mãos, texto, fundos e iluminação. 6) Rode em uma ferramenta automatizada de detecção. 7) Considere a fonte — de onde essa imagem se originou, e quem está fazendo a alegação que ela documenta? Aplique cada passo antes de compartilhar, especialmente em contextos de alto risco. Para consumo casual em redes sociais, começar com busca reversa de imagem e checagem de metadados cobre os tipos de manipulação mais comuns com esforço mínimo.