Detector de código IA

O que é um detector de código IA?

Um detector de código IA é uma ferramenta que estima se um trecho de código-fonte foi escrito por uma pessoa ou gerado por um assistente de programação com IA. Desde que ferramentas como ChatGPT, Claude, Gemini, GitHub Copilot e Cursor passaram a fazer parte da programação do dia a dia, boa parte do código novo nasce como uma sugestão de IA. Muitas vezes isso não é problema, e costuma ser muito útil. Mas há situações em que você precisa saber de onde o código veio: um trabalho de programação que deve avaliar o entendimento do próprio aluno, um teste técnico feito em casa ou um pull request de um colaborador cujo trabalho você está revisando.

Este detector de código IA gratuito dá uma resposta rápida e fácil de ler: um veredito (provavelmente gerado por IA, provavelmente escrito por uma pessoa ou misto), uma probabilidade de IA de 0 a 100% e alguns motivos curtos explicando o que a análise percebeu.

Como este detector de código IA funciona

Quando você clica em Analisar, seu trecho é enviado a um grande modelo de linguagem de um provedor externo (Groq, com Google Gemini como alternativa) junto com instruções para agir como um revisor cuidadoso. Em vez de procurar uma marca d'água oculta, que a maioria das ferramentas de IA não adiciona ao código, o modelo observa os mesmos sinais de estilo que um engenheiro experiente notaria:

• Estilo dos comentários. Código de IA costuma ter comentários organizados e regulares que explicam o óbvio, como "# Inicializa a lista". Comentários humanos tendem a ser escassos, irregulares ou focados nas partes estranhas.
• Nomes uniformes. Assistentes preferem nomes consistentes, descritivos e de livro didático em todo lugar. Pessoas misturam estilos, abreviam e deixam um tmp2 para trás.
• Código padrão (boilerplate). Verificações defensivas para cada entrada, mensagens de erro genéricas e um bloco de demonstração if __name__ == "__main__" completo são comuns em código gerado.
• Formatação e estrutura. Formatação perfeitamente consistente, sem código morto, sem TODOs e sem restos de depuração pode indicar IA.
• Particularidades. Erros de digitação, atalhos incomuns, gambiarras específicas do projeto e hábitos pessoais geralmente indicam um autor humano.

O modelo pondera esses sinais e retorna uma probabilidade com os motivos mais fortes. Pedimos que ele seja calibrado, então trechos curtos ou genéricos recebem pontuações moderadas em vez de palpites confiantes demais.

Qual é a precisão? Uma resposta honesta

Nenhum detector de código IA é 100% preciso, e você deve desconfiar de qualquer ferramenta que diga o contrário. Código é muito mais restrito do que texto: existem poucas formas razoáveis de inverter uma string ou chamar uma API, então uma solução humana limpa e uma solução de IA podem parecer quase idênticas. A precisão é maior em funções ou arquivos longos e completos, com comentários e alguma personalidade. Ela cai em trechos muito curtos, em código muito padronizado (por exemplo, formatado por um linter e escrito seguindo um guia de estilo rígido) e em saídas de IA que uma pessoa editou.

Falsos positivos também acontecem. Desenvolvedores experientes que escrevem código limpo e bem comentado às vezes parecem "perfeitos demais". Por isso, use o resultado como um sinal junto com outras evidências: uma conversa com o autor, o histórico de commits ou uma pergunta de acompanhamento sobre como o código funciona.

Quais ferramentas de IA ele consegue identificar?

O detector procura padrões gerais, não um produto específico, então pode sinalizar código típico de todos os grandes assistentes: ChatGPT, Claude, Gemini, GitHub Copilot e Cursor, além de outras ferramentas baseadas em modelos parecidos. Ele estima se o código parece escrito por IA; não diz com confiabilidade qual ferramenta o gerou, porque esses assistentes compartilham cada vez mais os mesmos hábitos.

Quem usa um detector de código IA?

• Professores e monitores que corrigem trabalhos de programação, quando o objetivo é ver se o aluno consegue resolver o problema sozinho.
• Entrevistadores e recrutadores que avaliam testes técnicos e desafios de programação, como ponto de partida para perguntas, e não como reprovação automática.
• Revisores de código e mantenedores que querem saber quando um pull request pode precisar de atenção extra por causa de bugs sutis, questões de licença ou código que o autor talvez não entenda por completo.
• Desenvolvedores que simplesmente têm curiosidade de saber o quanto o próprio estilo parece "de IA".

Dicas para melhores resultados

Cole uma função completa ou um trecho significativo de um arquivo (até 8.000 caracteres), mantenha os comentários originais e evite passar o código por um formatador antes. Se você estiver verificando um projeto grande, teste várias partes independentes e observe o padrão geral, em vez de uma única pontuação.

Perguntas frequentes