Se parece bom demais para ser verdade, provavelmente não é
Num tempo em que a máquina aprendeu a imitar o rosto humano com precisão quase perfeita, pesquisadores de três países descobriram que a percepção humana ainda pode ser afinada como um instrumento. Em cerca de uma hora de treinamento guiado, pessoas comuns dobraram sua capacidade de distinguir rostos reais de criações artificiais — não buscando erros óbvios, mas cultivando uma intuição sobre simetria, genericidade e ausência de vida. A descoberta chega num momento em que fraudes baseadas em deepfakes ameaçam causar perdas de dezenas de bilhões, lembrando-nos que a corrida entre enganadores e discernidores é tão antiga quanto a própria humanidade.
- A IA já corrigiu seus erros mais visíveis — dedos extras, brincos tortos — e agora produz rostos que enganam até observadores atentos.
- Fraudes com deepfakes causam danos concretos e crescentes: um único funcionário transferiu o equivalente a R$ 171 milhões após ser enganado por uma videochamada falsa do próprio chefe.
- Pesquisadores da Austrália, Canadá e Reino Unido desenvolveram um protocolo de treinamento baseado em seis qualidades perceptivas — simetria, proporcionalidade, atratividade excessiva, genericidade, baixa expressividade e memorabilidade reduzida.
- Após apenas uma hora de prática com feedback, a taxa de acerto dos participantes saltou de 40% para 80%, com alguns chegando perto da precisão total.
- O paradoxo persiste: os próprios modelos de IA provavelmente já absorveram as pesquisas publicadas sobre como identificá-los, e continuam aprendendo.
Clare Sutherland, psicóloga da Universidade de Aberdeen, coloca duas fotografias sobre a mesa — uma de sua colega australiana Amy Dawel, outra de um homem desconhecido. Qual é real? A pergunta, aparentemente simples, revela um problema crescente: a inteligência artificial aprendeu a fabricar rostos humanos com uma precisão que já não permite os erros de antes.
Sutherland, Dawel e equipes no Canadá e no Reino Unido decidiram testar se as pessoas podem aprender a identificar essas criações. A resposta é sim — mas não por meio de checagens técnicas. O treinamento ensina a desenvolver uma intuição baseada em seis qualidades: simetria imperfeita demais, proporções atípicas, atratividade excessiva, aparência genérica, pouca expressividade e dificuldade de memorização. Rostos reais carregam singularidade e imperfeição; os gerados tendem a convergir para uma média agradável, porém vazia.
O resultado foi notável: após cerca de uma hora vendo imagens reais e artificiais lado a lado, com feedback imediato, os participantes passaram de 40% para 80% de acertos. Alguns chegaram perto da precisão total. O cérebro humano, exposto a dados suficientes, melhora — de forma curiosamente semelhante ao que os próprios modelos de IA fazem.
A urgência da pesquisa fica clara nos números: a Deloitte projeta perdas de 40 bilhões de libras com fraudes por deepfake apenas nos EUA em 2026. Um caso emblemático envolveu um funcionário em Hong Kong que transferiu o equivalente a R$ 171 milhões após uma videochamada com um deepfake do seu chefe. Sutherland reconhece usos legítimos da tecnologia, mas o alerta permanece: os modelos de IA já leram os artigos que ensinam a identificá-los. E estão aprendendo com eles.
Clare Sutherland, psicóloga da Universidade de Aberdeen, segura duas fotografias grandes sobre a mesa. Uma mostra Amy Dawel, pesquisadora australiana com cabelo na altura dos ombros. A outra é um rosto de homem. Qual é real? A resposta pode surpreender você — e ilustra um problema que está se tornando cada vez mais urgente.
A inteligência artificial aprendeu a criar rostos humanos com uma precisão assustadora. Há alguns anos, era fácil identificar essas criações: dedos extras, brincos estranhos, detalhes que a máquina não conseguia acertar. Mas a IA não comete mais esses erros óbvios. Ela evoluiu. E agora, mesmo pessoas atentas têm dificuldade em distinguir o real do fabricado.
Sutherland e seus colegas — incluindo Dawel, que dirige o Laboratório de Emoções e Expressões Faciais da Universidade Nacional da Austrália — decidiram testar uma hipótese simples: será que as pessoas conseguem aprender a identificar deepfakes? A resposta é sim, mas não da forma que você imagina. Não se trata de procurar por um sexto dedo. Trata-se de desenvolver uma intuição.
Os pesquisadores, trabalhando em equipes na Austrália, Canadá e Reino Unido, criaram um conjunto com milhares de rostos gerados por StyleGAN3, um dos geradores mais realistas disponíveis. Depois, treinaram participantes focando em seis qualidades perceptivas específicas. Primeiro, a simetria: a IA frequentemente falha em recriar as imperfeições que nos tornam humanos — uma pálpebra levemente caída, um sorriso torto. Se parece bom demais para ser verdade, provavelmente não é. Segundo, a proporcionalidade: narizes muito grandes ou orelhas salientes não são características típicas de imagens geradas. Terceiro, a atratividade: rostos criados por IA tendem a parecer mais bonitos, mais agradáveis de olhar. Quarto, a distintividade: enquanto rostos reais se destacam pela singularidade, os gerados tendem a se agrupar em torno da média, parecendo mais genéricos. Quinto, a expressividade: rostos de IA demonstram menos emoção, parecem mais vazios. Sexto, a memorabilidade: são difíceis de lembrar, deixam menos marca na memória.
Essas dicas podem parecer vagas — e é exatamente assim que devem ser. Raramente existe um sinal infalível. Em vez disso, trata-se de familiaridade, de desenvolver um sexto sentido. Os pesquisadores descobriram algo notável: após cerca de uma hora de treinamento, onde as pessoas viam imagens reais e geradas lado a lado e recebiam feedback sobre quais eram quais, sua taxa de acerto saltava de aproximadamente 40% para 80%. Alguns participantes chegaram perto de 100% de precisão. O que o cérebro humano faz nesse processo é, ironicamente, semelhante ao que os modelos de IA fazem: recebem dados suficientes e, ao longo do tempo, melhoram sua precisão.
Mas por que isso importa? A resposta está em números alarmantes. A consultoria Deloitte prevê que perdas com fraudes usando deepfakes apenas nos Estados Unidos podem atingir 40 bilhões de libras esterlinas em 2026, acima dos 12 bilhões registrados em 2023. Um funcionário de uma empresa em Hong Kong transferiu o equivalente a 171 milhões de reais para fraudadores após uma videochamada com um deepfake de seu chefe. Esses não são cenários hipotéticos. São perdas reais, sofridas por pessoas reais.
Sutherland reconhece que a tecnologia também tem usos legítimos — mostrar como uma criança desaparecida poderia parecer em diferentes idades, por exemplo. Mas o ponto é claro: ainda não vivemos em um mundo onde seja impossível distinguir o real do fabricado. A má notícia? Os modelos de IA provavelmente já leram os artigos acadêmicos publicados sobre como identificá-los. E estão aprendendo.
Notable Quotes
Se você não sabe quando está certo ou errado, não consegue realmente fazer nada com essa informação— Clare Sutherland, psicóloga da Universidade de Aberdeen
O treinamento baseado em elementos visuais teve sucesso limitado, em parte porque a IA está ficando boa demais— Amy Dawel, diretora do Laboratório de Emoções e Expressões Faciais da Universidade Nacional da Austrália
The Hearth Conversation Another angle on the story
Por que as pessoas têm tanta dificuldade em identificar esses rostos falsos, mesmo quando sabem que estão procurando por um?
Porque a IA não comete mais os erros óbvios. Não há um sexto dedo para você procurar. É tudo muito sutil — uma combinação de pequenas coisas que seu cérebro sente, mas não consegue nomear.
Então o treinamento funciona porque ensina às pessoas a nomear essas sensações?
Exatamente. Você aprende a procurar por simetria perfeita demais, por atratividade excessiva, por falta de expressão emocional. Não é uma regra — é um padrão que você começa a reconhecer.
E isso muda em uma hora? Parece rápido demais.
É rápido, mas não é mágica. É como treinar o olho para qualquer coisa — vinho, arte, fotografia. Você vê exemplos, recebe feedback, seu cérebro aprende. A IA funciona da mesma forma, na verdade.
Mas se a IA está lendo esses artigos acadêmicos, não vai simplesmente corrigir esses problemas?
Provavelmente vai. É uma corrida. Os pesquisadores publicam como identificar deepfakes, a IA aprende com isso, fica melhor, e então temos que descobrir novos sinais. Não é um problema que se resolve uma vez.
Então por que publicar? Por que não manter isso em segredo?
Porque o perigo real é a fraude em massa. Se apenas os criminosos souberem como fazer deepfakes perfeitos, estamos todos vulneráveis. Se as pessoas aprenderem a identificá-los, pelo menos temos uma chance.