O GPTZero verifica se um texto foi escrito por ChatGPT, Claude, Gemini ou outro modelo, destaca o resultado frase a frase e reproduz o processo de escrita de um documento do Google, permitindo decidir com vários indícios em vez de uma única pontuação.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
O GPTZero é uma ferramenta de deteção criada para determinar se um texto foi escrito por um grande modelo de linguagem. O site oficial apresenta-se como um detetor de inteligência artificial feito para preservar aquilo que é humano. A pergunta parece simples: isto foi escrito por uma pessoa ou por uma máquina? Só que essa pergunta não admite uma resposta categórica. O que um detetor devolve é sempre um juízo probabilístico e nunca um laudo pericial. Aceitar esse ponto é a condição prévia para usar com bom senso este tipo de ferramenta.
Este texto dirige-se a quem precisa de decidir depois de o número aparecer no ecrã: o professor diante de um trabalho assinalado, o editor que hesita em publicar um texto encomendado, o recrutador que lê uma carta de apresentação e o estudante que precisa de provar que escreveu o próprio trabalho.
O GPTZero é um detetor de textos gerados por inteligência artificial que funciona no navegador. Cola-se um texto ou carrega-se um ficheiro e a ferramenta devolve a probabilidade de o conteúdo ter origem automática, acompanhada de um destaque que indica quais os trechos que conduziram àquela conclusão. Foi lançado no início de 2023, precisamente quando as instituições de ensino procuravam com urgência uma resposta ao aparecimento dos assistentes de conversação, e por isso tornou-se rapidamente um dos nomes mais reconhecidos da categoria.
O site indica de forma explícita que deteta conteúdos produzidos pelos principais modelos do mercado, ou seja, o alvo não é um fornecedor isolado mas todo o ecossistema comercial dominante. Este ponto pesa mais do que parece. Os primeiros detetores eram muitas vezes afinados para uma única família de modelos e a sua precisão desmoronava assim que o utilizador mudava de assistente. Manter cobertura sobre famílias concorrentes é trabalho de manutenção contínua e não uma proeza de engenharia alcançada de uma só vez, porque cada novo lançamento desloca a impressão estatística que o detetor procura reconhecer.
O produto nasceu de um projeto universitário. Foi criado por Edward Tian, licenciado em Princeton, a partir de um trabalho final de curso, e daí surgiu uma empresa que captou uma ronda semente de 3,5 milhões de dólares e uma série A de 10 milhões em junho de 2024. Essa trajetória é pouco comum no segmento e explica em parte por que a ferramenta apresenta mais acabamento e maior profundidade de integração do que a maioria dos detetores gratuitos surgidos na mesma altura.
Em junho de 2026 a empresa Superhuman anunciou a aquisição do GPTZero, sem divulgar as condições do negócio; a cobertura da época referia mais de 19 milhões de utilizadores registados e cerca de 30 milhões de dólares de receita recorrente anual. À data de redação desta página o serviço continua a funcionar sob domínio próprio, com as páginas de produto, o percurso de preços e a documentação intactos, pelo que a operação se lê por agora como uma mudança de propriedade e não como um encerramento. Ainda assim, quem planeie uma implementação institucional plurianual fará bem em acompanhar a forma como o produto é posicionado dentro da nova casa-mãe.
Convém dizê-lo com franqueza: o GPTZero não resolve o problema de apanhar quem copia. Resolve um problema mais estreito, que consiste em tornar visível que um texto apresenta traços estatisticamente próximos de uma geração automática e em entregar a quem revê um conjunto organizado de indícios. Se esse indício deve mudar a decisão de alguém é um juízo que cabe às pessoas, e a própria empresa afirma-o sem rodeios.
A saída principal combina uma probabilidade geral com uma vista destacada do texto. Internamente, o produto assenta numa abordagem de aprendizagem profunda de ponta a ponta, treinada com textos provenientes da web, do meio educativo e de vários modelos de linguagem, e devolve uma classificação frase a frase em vez de um veredicto opaco. O benefício prático desta granularidade é concreto: quem revê distingue se um documento surge assinalado de forma homogénea ou se apenas duas ou três frases desencadearam o alerta. São situações muito diferentes que uma percentagem única achata num só número.
A empresa descreve ainda o recurso a modelos ocultos de Markov para sustentar o destaque ao nível da frase e um componente destinado a resistir à tática de evasão mais comum, que consiste em passar a produção automática por uma ferramenta de reescrita antes da entrega. A resistência à reformulação é um dos problemas mais difíceis da área e deve ser entendida como uma corrida permanente e não como uma funcionalidade concluída.
A capacidade verdadeiramente distintiva não é o detetor. O relatório de escrita segue um caminho completamente diferente: reproduz como um documento do Google foi efetivamente escrito, mostrando uma linha temporal da atividade, as maiores colagens e a duração média das revisões, e pode ser exportado em PDF. Em vez de analisar o texto acabado e deduzir para trás, observa o processo que o produziu.
Esta inversão da lógica de prova merece uma pausa. Uma pontuação de deteção pergunta se um texto parece obra de uma máquina e só consegue responder em termos de probabilidade. Uma reprodução da escrita pergunta se uma pessoa escreveu aquele documento ao longo do tempo, com os recomeços e as correções que escrever a sério implica, e produz algo bem mais próximo de uma prova direta. Para um estudante que queira proteger-se de uma acusação infundada, a reprodução é muito mais útil do que qualquer pontuação, porque constitui prova afirmativa de autoria e não mera ausência de suspeita. A restrição decisiva está no alcance: só funciona dentro dos documentos do Google, pelo que tem de ser ativada antes de se começar a escrever e nunca depois de surgir a acusação.
Em torno do detetor central situam-se um detetor de alucinações, um controlo de plágio, um corretor gramatical e uma análise de imagens, além da integração direta com plataformas de ensino como o Canvas e o Google Classroom. O detetor de alucinações é particularmente interessante para equipas editoriais, porque em muitos contextos profissionais o risco real de uma redação assistida não é a máquina ter escrito a frase, mas essa frase conter um dado afirmado com toda a segurança e simplesmente falso. Verificar se as afirmações e as referências se sustentam vale, muitas vezes, mais do que verificar a autoria.
Para quem lida com volume em vez de documentos avulsos, o carregamento em lote e o painel de turma transformam uma ferramenta unitária num fluxo de trabalho. Nas plataformas comparativas os utilizadores apontam repetidamente o processamento em lote e o painel de turma como razões para a preferirem a plataformas institucionais mais pesadas, a que se soma o detalhe frase a frase que facilita a interpretação dos resultados.
É o uso dominante e também o mais delicado. Um professor recebe um trabalho que soa estranho, submete-o ao detetor e obtém um número. O que acontece a seguir determina se a ferramenta ajudou ou prejudicou. Usada para abrir uma conversa, para pedir ao estudante que explique o raciocínio ou mostre os rascunhos, acrescenta valor real. Usada como um veredicto automático que desencadeia um processo disciplinar, produz exatamente as injustiças documentadas mais adiante.
As editoras que encomendam textos a colaboradores externos precisam frequentemente de saber o que estão a comprar, sobretudo quando o contrato exige escrita humana original. Aqui a questão é contratual e não disciplinar: um texto assinalado conduz habitualmente a uma conversa com quem o assina e não a uma acusação formal, o que torna o uso bastante menos arriscado do que numa sala de aula.
As cartas de apresentação e as provas escritas são cada vez mais elaboradas com apoio de inteligência artificial, e algumas empresas querem sabê-lo. Este uso exige cuidado especial: as candidaturas costumam ser internacionais e o enviesamento documentado contra quem não escreve na língua materna implica que uma triagem guiada pelo detetor arrisca eliminar sistematicamente quem menos condições tem para contestar.
As equipas que gerem grandes cadeias de produção usam a deteção como filtro de qualidade, para verificar se o trabalho externalizado corresponde ao que foi encomendado. Como se trata de fornecedores comerciais e não de pessoas sujeitas a sanção académica, o custo de um falso positivo limita-se a renegociar.
Cada vez mais estudantes e autores verificam preventivamente o próprio texto, para saber se um trabalho legítimo será assinalado antes que outra pessoa o teste. Num ambiente em que o ónus da prova recai sobre quem é acusado, trata-se de uma reação racional e, ao mesmo tempo, de uma situação algo absurda, já que autores honestos acabam a retocar o próprio estilo para não parecerem uma máquina.
Nunca confundir uma percentagem com uma prova. A própria empresa pede que o resultado seja tratado como ponto de partida de uma conversa e não como veredicto final. Quando o fornecedor é mais prudente com a sua própria saída do que a instituição que a implementa, o problema está na implementação.
Privilegiar a prova de processo face à análise do texto. Se for possível incentivar a redação num ambiente que conserve o histórico de versões, passa-se da inferência probabilística para o registo observável, alicerce bem mais sólido para qualquer decisão com consequências.
Definir a política antes da ferramenta. Decida antecipadamente que pontuação desencadeia que ação, quem a revê e como a pessoa afetada pode contestar. As instituições que adotam a deteção sem via de recurso descobrem a lacuna quando alguém já sofreu o prejuízo.
Calibrar com a própria população. Antes de implementar, submeta textos de autoria humana comprovada provenientes do seu público real. Se os estudantes forem maioritariamente plurilingues, precisa de conhecer a sua própria taxa de falsos positivos e não de herdar um valor obtido noutra população.
Ser transparente com quem é avaliado. Anunciar que se recorre à deteção e como os resultados serão interpretados reduz a sensação de vigilância e permite a cada um guardar as suas próprias provas.
Repetir os testes após lançamentos importantes. O desempenho da deteção não é estático. Quando surge um modelo novo relevante, pressupostos até então válidos podem deixar de se verificar.
Professores e pessoal académico que procuram um sinal sobre a autenticidade de um trabalho e, mais útil ainda, uma forma de ver como esse trabalho foi produzido. A ferramenta encaixa sobretudo onde a instituição já definiu o que significa uma marcação.
Editores e responsáveis de conteúdos que verificam se um texto encomendado cumpre o acordado, situação em que uma marcação abre uma conversa com o fornecedor e não um processo disciplinar.
Estudantes e autores que pretendem comprovar a própria autoria. Para este grupo o produto valioso é a reprodução da escrita, ficando o detetor quase em segundo plano.
Equipas técnicas e de plataforma que integram a deteção num mercado, num sistema de receção de trabalhos ou numa cadeia de conteúdos, onde o facto de a interface de programação não guardar por omissão o conteúdo submetido representa uma vantagem concreta.
Quem deve pensar duas vezes: qualquer pessoa que precise de certeza. Se o seu procedimento exige uma prova e não um indício, nenhum detetor do mercado a pode fornecer, e adotá-lo talvez apenas confira uma aparência de autoridade a uma decisão que nunca esteve bem fundamentada.
O GPTZero funciona sobretudo no navegador e estende-se a partir daí. Existe uma extensão para o Chrome, integração com o Google Docs e ligações ao Google Classroom e ao Canvas, de modo que os resultados aparecem junto do trabalho do curso e não num separador à parte. A compatibilidade com o Zapier cobre a automatização ligeira para equipas que queiram encaminhar documentos automaticamente.
Para as equipas que pretendem incorporar a deteção no produto próprio, a interface de programação inclui código de exemplo pronto a usar em dezassete linguagens, entre elas Node.js, Python, C#, Java e PHP. A cobertura linguística vai além do inglês e abrange espanhol, francês, alemão e outras línguas, embora o desequilíbrio dos dados de treino faça da prosa em inglês o terreno mais seguro. Esta ressalva merece peso em qualquer implementação não anglófona, porque a qualidade da deteção não é uniforme entre idiomas e os números de precisão publicados provêm esmagadoramente de material em inglês.
Existe um nível gratuito verdadeiramente aproveitável. Uma conta gratuita cobre textos até cento e cinquenta mil caracteres ou lotes de até duzentos e cinquenta ficheiros, volume suficiente para que muitos professores nunca cheguem ao nível pago.
Para além disso não foi possível obter montantes concretos de subscrição: a página de preços devolve do lado do servidor apenas um valor de marcador de posição, acompanhado de uma opção anual anunciada como uma poupança de quarenta e cinco por cento. Por isso não se cita aqui qualquer valor mensal concreto. A estrutura publicada aponta para um plano profissional faturado por lugar, para modalidades de equipa e empresa com créditos partilhados e faturação unificada, e para um nível de interface de programação orçamentado à parte. Quem prepare o orçamento de uma implementação deve pedir uma cotação diretamente em vez de confiar em números reproduzidos em diretórios de terceiros, com frequência desatualizados. (a verificar)
Turnitin ocupa a posição histórica na integridade académica e chega às instituições através da infraestrutura antiplágio já instalada. A sua deteção de inteligência artificial atraiu críticas consideráveis, incluindo de universidades que a desativaram.
Originality.ai dirige-se a editoras e agências de conteúdos mais do que a escolas, com funções de gestão de equipas orientadas para fluxos comerciais.
Copyleaks combina deteção e verificação de plágio com ênfase no suporte multilingue e na conformidade empresarial.
Pangram é um interveniente mais recente que publicou trabalhos centrados especificamente nas taxas de falsos positivos em textos escritos em inglês por pessoas não nativas, o que o torna avaliável para públicos plurilingues.
Não confunda GPTZero com ZeroGPT. São produtos distintos de empresas distintas com nomes que se prestam a confusão, e as avaliações de um são frequentemente tomadas por avaliações do outro. Verifique o domínio antes de dar crédito a qualquer comparação.
Ainda assim, a alternativa mais importante não é um produto. Redesenhar a avaliação para que a substituição por inteligência artificial perca sentido, através de escrita na aula, defesa oral do trabalho entregue ou tarefas que exijam concretização pessoal ou local, ataca o problema de fundo em vez de vigiar os seus sintomas.
Esta secção pesa mais do que qualquer outra, porque os modos de falha aqui descritos têm consequências reais sobre pessoas reais.
A empresa comunica que, num conjunto de avaliação independente que abrange cerca de 672.000 textos, detetou 95,7 por cento das passagens geradas por inteligência artificial classificando erradamente apenas 1 por cento das humanas. Os 99 por cento que figuram na página inicial devem ser lidos da mesma maneira. Estes valores descrevem o desempenho em conjuntos concretos e com limiares concretos, e as condições de um teste comparativo não são as de uma sala de aula. Importa sublinhar que o conjunto em causa avalia textos inteiramente humanos ou inteiramente automáticos, ao passo que os casos verdadeiramente difíceis são os documentos mistos, redigidos por uma pessoa e retocados por um modelo, ou o inverso. Todos estes dados são declarações da própria empresa e não foram auditados de forma independente.
Está explicitamente indicado que a precisão diminui à medida que a granularidade se afina: a classificação ao nível do documento é mais fiável do que ao nível do parágrafo, e esta mais do que ao nível da frase. Assim, uma frase destacada isoladamente constitui a prova mais frágil possível. O ponto é decisivo, porque é precisamente essa frase destacada que quem revê aponta ao interpelar a pessoa autora. O elemento visualmente mais persuasivo da interface é o estatisticamente menos fiável.
É a limitação mais grave de toda a categoria. Uma equipa de investigação de Stanford verificou que detetores de uso generalizado classificaram erradamente como geradas por inteligência artificial mais de metade das redações TOEFL escritas por pessoas cuja língua materna não é o inglês, com uma taxa média de falsos positivos próxima de 61 por cento, ao passo que as redações de estudantes norte-americanos falantes nativos foram avaliadas quase sem erro. O mecanismo proposto é que os detetores penalizam na prática quem dispõe de vocabulário mais limitado, uma vez que escolhas lexicais mais simples e previsíveis se assemelham estatisticamente à produção automática.
Aquele estudo avaliou um conjunto de detetores enquanto categoria e não emitiu juízo sobre a versão atual de um produto específico, e várias empresas, incluindo esta, afirmam ter trabalhado desde então para reduzir a diferença. Mas a constatação estrutural sobrevive às atualizações: um detetor que se apoia na previsibilidade linguística tenderá a prejudicar quem escreve numa segunda língua, e essas são frequentemente as pessoas com menos peso institucional para contestar uma acusação.
A Universidade Vanderbilt desativou o detetor de inteligência artificial do Turnitin e declarou publicamente que não considera este tipo de software uma ferramenta eficaz que deva ser utilizada, com o argumento de que uma taxa de falsos positivos de 1 por cento aplicada aos 75.000 trabalhos que submete por ano representaria cerca de 750 estudantes assinalados por engano. Esse cálculo é a forma mais clara de perceber por que uma taxa de erro que soa baixa não tranquiliza à escala de uma instituição: 1 por cento de falsos positivos não é um erro isolado, são centenas de estudantes por ano numa única universidade.
Nas plataformas profissionais as notas são boas, na ordem dos quatro e meio em cinco, refletindo docentes que consideram a ferramenta útil. Numa grande plataforma de avaliações de consumidores a imagem inverte-se bruscamente: o serviço recebe uma classificação baixa ao longo de 135 avaliações, quase metade delas de uma estrela, e as queixas concentram-se em acusações infundadas e na dificuldade de as contestar. Não há contradição. Reflete o facto de quem escolhe a ferramenta e quem é submetido a ela viverem de modo oposto o mesmo produto, e uma avaliação honesta tem de pesar ambos os lados.
Na orientação que dirige a estudantes acusados injustamente, a empresa admite que nenhum detetor é perfeito e que os erros são especialmente prováveis em textos curtos, retocados ou mistos. As perguntas frequentes oficiais afirmam sem rodeios que estes resultados não devem servir para punir estudantes e recomendam aos docentes que usem o relatório de escrita como parte de uma avaliação global. As instituições que utilizam a saída de forma punitiva agem, portanto, contra a indicação explícita da empresa que construiu a ferramenta.
A política de privacidade compromete-se a não conservar informação pessoal por mais de três meses após o encerramento de uma conta e precisa que o texto e o conteúdo de ficheiros submetidos diretamente através da interface de programação não são armazenados por omissão nem usados para melhorar o produto. Daí decorre uma assimetria relevante: os documentos que passam pela interface não são conservados, ao passo que as entradas feitas a partir do painel web são guardadas e utilizadas de forma agregada para melhorar o serviço. Para uma escola que trata trabalhos de estudantes, esta distinção não é um pormenor técnico: carregar uma redação através da interface web significa que esse material entra num circuito agregado de melhoria, o que antes da implementação pode exigir informar os estudantes ou rever as obrigações locais de proteção de dados.
Quem se propõe contornar a deteção consegue-o muitas vezes reformulando, editando ou misturando escrita humana e automática. Daqui resulta uma assimetria incómoda: os infratores mais hábeis escapam enquanto autores honestos e pouco familiarizados com estas técnicas caem em falsos positivos. Os sistemas de deteção podem acabar por selecionar contra a franqueza em vez de contra a má conduta.
Sim, existe um nível gratuito funcional. Uma conta gratuita processa textos até cento e cinquenta mil caracteres ou lotes de até duzentos e cinquenta ficheiros, o que cobre boa parte do uso individual. Os planos pagos acrescentam lugares, volume e faturação de equipa, mas a página pública de preços não mostra montantes mensais concretos, pelo que convém pedir orçamento para uma implementação institucional.
A empresa declara detetar 95,7 por cento dos textos gerados com 1 por cento de falsos positivos num amplo conjunto de avaliação independente e anuncia 99 por cento de precisão na página inicial. As avaliações independentes da categoria no seu conjunto encontram geralmente um desempenho real inferior, e a precisão varia muito conforme a extensão do texto, o grau de edição e a língua materna de quem escreve. Tome os números publicados como resultados nas melhores condições e não como garantia para os seus documentos.
Sim, e esse é o risco central. Os falsos positivos são um fenómeno amplamente documentado em todos os detetores. A prosa académica formal, os textos muito trabalhados e os escritos de pessoas que não têm o inglês como língua materna têm maior probabilidade de serem assinalados por engano. Nenhum resultado deve ser tratado como prova de uma infração.
A investigação de Stanford verificou que os detetores, tomados como categoria, classificaram erradamente como geradas por inteligência artificial mais de metade das redações TOEFL de pessoas não nativas, com cerca de 61 por cento de falsos positivos em média, ao passo que as redações de falantes nativos foram avaliadas corretamente. As empresas têm trabalhado desde então para reduzir essa diferença, mas as instituições com público plurilingue devem validar o desempenho na sua própria população antes de confiar em qualquer detetor.
Reunir provas do processo: rascunhos, esquemas, notas e sobretudo o histórico de versões do Google Docs ou do Word, que inclui marcas temporais capazes de mostrar uma redação gradual. Convém ainda perguntar que provas sustentam a acusação para além da pontuação e pedir que essa pontuação não seja considerada conclusiva. A orientação publicada pela própria empresa apoia esta posição.
Apenas em parte. Existe um componente dedicado a resistir às ferramentas de reescrita, mas reformular continua a ser um dos métodos de evasão mais eficazes, e os utilizadores relatam com frequência que textos automáticos editados ou parafraseados passam despercebidos. A deteção é mais fraca justamente onde o texto foi mais modificado.
A deteção abrange inglês, espanhol, francês, alemão e outras línguas. Contudo, os dados de treino são maioritariamente prosa em inglês escrita por adultos, pelo que a precisão fora do inglês está menos caracterizada e deve ser validada localmente antes da implementação.
Depende do canal. O conteúdo submetido através da interface de programação não é armazenado por omissão nem usado para melhorar o produto, ao passo que as entradas feitas a partir do painel web são guardadas e utilizadas de forma agregada para melhorar o serviço. A informação pessoal não é conservada por mais de três meses após o encerramento da conta. Confronte estas condições com as obrigações de proteção de dados da sua organização antes de carregar trabalhos alheios.
Ocupam posições diferentes. O Turnitin chega às instituições através da infraestrutura antiplágio já existente, enquanto o GPTZero oferece um destaque mais fino e a reprodução da escrita no Google Docs, que não tem equivalente direto. Ambos partilham as mesmas limitações fundamentais de precisão, e algumas universidades desativaram por completo a deteção de inteligência artificial do Turnitin devido aos falsos positivos.
Não devem ser usados assim isoladamente. A empresa afirma de forma explícita que os resultados não devem servir para punir estudantes e descreve a sua saída como ponto de partida de uma conversa e não como veredicto final. Qualquer decisão com consequências precisa de provas que a corroborem, sendo a mais fiável a documentação do próprio processo de escrita.
