Como saber se uma imagem foi gerada por IA em 2026 (sem adivinhar)

Por dois anos, o conselho para identificar uma imagem de IA foi o mesmo: conte os dedos, leia o texto na placa, procure joias derretidas. Em 2026, esse conselho é uma armadilha. A geração atual de modelos — Midjourney, Firefly, os mais recentes DALL·E e Imagen — renderiza mãos com cinco dedos, placas legíveis e reflexos coerentes na maior parte do tempo. Os sinais que pareciam confiáveis em 2023 hoje pegam as falsificações baratas, antigas ou descuidadas e deixam as boas passarem direto. Se o seu método para responder “esta imagem é IA?” é apertar os olhos, você já está perdendo para um modelo feito para derrotar exatamente esse olhar apertado.

Então a pergunta útil não é “parece falsa?” — é “o que este arquivo consegue de fato provar sobre a sua origem?”. Essa mudança, de adivinhar pelos pixels para ler evidências, é a única abordagem que se sustenta à medida que os modelos continuam melhorando. Este guia mostra como checar qualquer imagem de forma honesta: que evidência procurar, como encontrá-la, quando confiar nela e — a parte que a maioria das ferramentas esconde — quando a única resposta correta é “inconclusivo”.

Por que os detectores baseados só em pixels desmoronam no mundo real

Você vai encontrar dezenas de sites que prometem resolver a questão: envie uma imagem, receba “93% de IA”. Trate esse número como enfeite, não como evidência. Benchmarks revisados por pares continuam mostrando a mesma coisa — detectores que pontuam lindamente no laboratório se desfazem em imagens contra as quais não foram treinados. O benchmark RAID (arXiv 2506.03988) avaliou os chamados detectores robustos em geradores nunca vistos e observou a acurácia escorregar para um cara ou coroa no instante em que as imagens de teste vinham de um modelo fora do conjunto de treino. Uma linha de trabalho separada sobre a lacuna de implantação encontra o mesmo colapso quando os detectores de laboratório encontram as imagens bagunçadas, recomprimidas e capturadas em tela que de fato circulam online.

O problema é estrutural, não um bug que alguém corrige no próximo trimestre. Todo novo gerador é, na prática, treinado para apagar a impressão digital estatística que o último detector aprendeu a identificar. É uma corrida armamentista, e o lado do detector está permanentemente um modelo atrás. É por isso que a regra mais importante aqui é esta: não confie em nenhuma ferramenta que lhe entrega um percentual confiante sem evidência por trás. Um número que você não consegue verificar é um palpite de jaleco.

O que realmente funciona: ler a procedência

O sinal confiável não está nos pixels — está no arquivo ao redor deles. Geradores, câmeras e editores modernos cada vez mais gravam registros legíveis por máquina do que criou uma imagem e de como ela mudou. Procedência é o termo guarda-chuva, e quatro tipos de evidência carregam a maior parte do peso:

• C2PA Content Credentials — um manifesto assinado criptograficamente escondido dentro do arquivo que registra quem o criou, com qual ferramenta e como foi editado. O Adobe Firefly e o Photoshop, o DALL·E da OpenAI e as exportações do Imagen e do Gemini do Google o anexam; as câmeras Leica e Sony assinam fotos reais do mesmo jeito. Assinado significa verificável — um manifesto adulterado ou removido falha na validação em vez de mentir.
• Chunks de parâmetros do Stable Diffusion e ComfyUI — geradores locais de código aberto escrevem a receita inteira nos chunks de texto de um PNG: o prompt, o hash do modelo, o sampler, a seed e a contagem de passos. Automatic1111, ComfyUI, SDXL, InvokeAI e NovelAI fazem isso por padrão. Quando esses chunks sobrevivem, a imagem praticamente confessou.
• digitalSourceType em XMP / IPTC — um campo de metadado padrão cujo valor “trainedAlgorithmicMedia” é o rótulo oficial da indústria, legível por máquina, para “feito por IA generativa”. Firefly, DALL·E, Recraft, Leonardo e outros o carimbam. É uma string simples: fácil de ler, difícil de falsificar de forma convincente.
• A trilha de captura EXIF — o bloco que uma câmera real grava: lente, exposição, ISO, data e hora, às vezes GPS. Sua presença sustenta fracamente uma captura genuína, e uma trilha coerente é difícil de forjar. Sua ausência não prova nada sozinha, porque as plataformas removem o EXIF por rotina.

Como checar qualquer imagem, passo a passo

Aqui está um processo que funciona numa captura de tela do grupo, num anúncio de marketplace ou numa foto no seu feed de notícias. Faça na ordem e pare assim que tiver evidência de verdade.

1. 01Faça uma busca reversa pela fonte mais antiga. Jogue a imagem no Google Lens, TinEye ou Bing Visual Search e ordene por data. A publicação mais antiga muitas vezes diz mais do que qualquer detector: uma “foto” que apareceu primeiro num fórum de arte de IA, ou uma imagem de “última hora” sem nenhuma fonte anterior a esta manhã, responde à pergunta sozinha.
2. 02Inspecione os metadados e as Content Credentials. Procure por um manifesto C2PA (o verify.contentauthenticity.org da Adobe, ou qualquer leitor que mostre o manifesto assinado), chunks de parâmetros PNG, um campo digitalSourceType em XMP e o bloco EXIF. Um marcador de gerador claro encerra a investigação na hora.
3. 03Rode uma checagem baseada em evidências no próprio arquivo que você recebeu. Use um verificador que leia a procedência e mostre o trabalho, não um que cospe um percentual seco. Teste o arquivo original sempre que conseguir obtê-lo — cada novo salvamento e reenvio remove mais evidência.
4. 04Pese os sinais visuais manuais por último, apenas como evidência de apoio. Se os metadados sumiram, um olhar cuidadoso para mãos, texto e reflexos ainda pode inclinar o seu julgamento — mas trate isso como uma pista, nunca como prova, e nunca deixe que passe por cima de um manifesto assinado.

Os sinais visuais que ainda valem uma olhada (e por que continuam desaparecendo)

Antes de existir qualquer detector, seus olhos eram a única ferramenta, e eles ainda pegam uma falsificação preguiçosa de vez em quando. Só saiba que cada um destes fica menos confiável a cada lançamento de modelo.

• Mãos, dentes e repetições finas — dedos a mais, dentes fundidos e joias duplicadas eram provas irrefutáveis em 2023–24. Os modelos de ponta de hoje em geral acertam, então uma mão limpa não prova nada e só uma falha óbvia significa alguma coisa.
• Texto e placas — letras distorcidas ou sem sentido ao fundo costumavam ser automáticas. Os modelos atuais muitas vezes acertam textos curtos agora, embora parágrafos longos e placas densas ainda os façam tropeçar.
• Física: reflexos, sombras e líquidos — espelhos que mostram a cena errada, sombras que apontam para o lado errado, água que se move de forma estranha. Entre os sinais mais duradouros, porque luz fisicamente consistente é genuinamente difícil de sintetizar.
• Textura perfeita demais — pele cerosa, gradientes hiperssuaves e uma ausência não natural de ruído de sensor sugerem síntese. Mas filtros de beleza pesados produzem a mesma aparência em fotos reais, então corta para os dois lados.

Repare no padrão: todo sinal daquela lista agora carrega uma nota de rodapé, e as notas de rodapé estão vencendo. É exatamente por isso que a inspeção visual fica no fim da lista de verificação, não no topo.

Que veredito esperar, por gerador

Geradores diferentes deixam evidências diferentes, e é por isso que uma checagem honesta dá respostas diferentes dependendo de onde a imagem veio e do que passou desde então. Eis o mapa realista:

As duas linhas “inconclusivo” são a parte honesta. Um download do Midjourney e uma captura de tela não voltam como “humano” — voltam como “sem evidência em nenhum sentido”, que por acaso é a verdade.

Por que “inconclusivo” é a resposta honesta, não uma falha

É tentador ler “inconclusivo” como a ferramenta desistindo. É o contrário. Ausência de evidência não é evidência de ausência: um arquivo despido pode ser uma foto de férias de verdade que perdeu os metadados no WhatsApp, ou uma imagem de IA que foi capturada em tela justamente para esconder de onde veio. Qualquer coisa que transforme essa incerteza genuína num “91% real” de aparência decisiva está fabricando uma confiança que não conquistou. Todo detector honesto tem um estado inconclusivo; a maioria apenas o enterra sob um percentual para que o produto pareça mais esperto do que a ciência permite. Quando você chega a “inconclusivo”, a jogada não é confiar nos pixels — é voltar ao primeiro passo e rastrear a fonte e o contexto, que sobrevivem aos metadados sempre.

A procedência está prestes a virar o padrão

É por isso que o terreno está se deslocando para as evidências, e rápido. A partir de 2 de agosto de 2026, o Artigo 50 do EU AI Act exige que os provedores de sistemas de IA generativa marquem suas saídas de forma legível por máquina, e exige que qualquer um que implante um deepfake o divulgue — com multas grandes o bastante para que os principais laboratórios já estejam se adequando. O C2PA Content Credentials, apoiado por Adobe, OpenAI, Google, Microsoft e os grandes fabricantes de câmeras, é a principal maneira como eles estão fazendo isso. Na prática, a fatia de imagens de IA que chega com procedência verificável cresce mês a mês, enquanto adivinhar por pixels segue perdendo terreno. Ler as marcas que um arquivo carrega não é só o método honesto hoje — é o método que fica mais forte à medida que marcar vira lei, e não cortesia.

Então, da próxima vez que uma imagem fizer você perguntar “esta imagem é IA?”, não aperte os olhos. Rastreie de onde ela veio, leia o que o arquivo admite e deixe a evidência decidir — inclusive a evidência de que não há nenhuma. Esse último caso tem um nome, e não é “falsa” nem “real”. É “inconclusivo” — e estar disposto a dizer isso em voz alta é toda a diferença entre checar e adivinhar.