Uma imagem viral de André Mendonça ao lado de Daniel Vorcaro não é evidência de que a fotografia exista: segundo o Terra.com.br, a imagem foi gerada por inteligência artificial, embora circule com uma legenda que a apresenta como registro “exclusivo”. Para quem trabalha com software, o caso é um bom lembrete: detectar manipulação visual não é uma questão de apertar um botão e aceitar o primeiro percentual que aparece.
O Estadão Verifica analisou a imagem e encontrou sinais de geração sintética. A ferramenta InVID indicou 99% de probabilidade de criação por IA; a Hive Moderation apontou 91,4% de probabilidade de deepfake. Esses resultados são relevantes, mas não devem ser lidos como uma prova matemática independente do contexto. O método, a versão do detector e a qualidade do arquivo influenciam a análise.
O que se sabe sobre a foto de André Mendonça e Daniel Vorcaro
A imagem compartilhada mostra o ministro do Supremo Tribunal Federal André Mendonça sentado ao lado do empresário Daniel Vorcaro, dono do Banco Master. A publicação sugere que a foto seria de um encontro privado e usa a palavra “EXLCUSIVO” — com erro de grafia — para dar aparência de material jornalístico.
Segundo o Terra.com.br, a busca reversa rastreou a circulação da imagem até uma publicação inicial no X, em 11 de setembro. Depois, o conteúdo foi replicado em outras redes. A pesquisa não encontrou a foto em veículos profissionais nem em perfis institucionais.
Há um detalhe importante para não misturar fatos: Mendonça confirmou ter se encontrado com Vorcaro em março de 2025, mas isso não autentica a imagem viral. De acordo com a apuração citada, não há fotos conhecidas daquela reunião. A existência de um encontro e a autenticidade de uma fotografia específica são alegações diferentes, que precisam ser verificadas separadamente.
Uma das publicações analisadas pelo Estadão Verifica ultrapassou 225 mil visualizações e 14 mil curtidas no X. Alcance e engajamento, porém, não são sinais de veracidade. São métricas de distribuição, não de proveniência.
Como avaliar um detector de imagem gerada por IA
Na minha leitura técnica, percentuais como 99% e 91,4% devem ser tratados como saídas de classificadores, não como probabilidades universais de que uma imagem seja falsa. Um detector foi treinado com determinados dados e aprende padrões estatísticos. Se a imagem tiver sido comprimida, redimensionada, recortada ou salva várias vezes, esses padrões podem mudar.
Também existe o problema de calibração. Um modelo pode classificar corretamente a maioria de um conjunto de teste e ainda assim apresentar uma confiança exagerada em imagens fora daquele conjunto. Um resultado de “99%” não significa necessariamente que, em mil imagens parecidas, 990 sejam sintéticas. Para chegar a essa interpretação, seria preciso conhecer a calibração do modelo e as condições do teste.
Detectores, busca reversa e evidências de origem
Cada técnica responde a uma pergunta diferente. O detector estima se há características compatíveis com conteúdo gerado ou alterado por IA. A busca reversa ajuda a localizar versões anteriores ou fontes de publicação. Metadados podem registrar informações sobre câmera e edição, quando preservados. Nenhum desses métodos, isoladamente, resolve todos os casos.
- Detecção automatizada: útil para priorizar a investigação, mas sujeita a falsos positivos e falsos negativos.
- Busca reversa: ajuda a localizar a primeira ocorrência conhecida, mas não prova que essa seja a origem verdadeira.
- Metadados EXIF: podem indicar câmera, horário ou software; também podem ser removidos ou alterados.
- Proveniência assinada: padrões como C2PA podem preservar informações sobre a origem e as edições, quando a captura e as plataformas oferecem suporte.
- Verificação editorial: compara a imagem com fontes independentes, registros e pessoas envolvidas.
O ponto prático é combinar sinais. Neste caso, os resultados de duas ferramentas são apresentados junto com a pesquisa sobre a circulação da imagem e a ausência de publicação em fontes jornalísticas ou institucionais. Essa convergência é mais informativa do que um único score, embora continue sendo importante explicar de onde cada conclusão veio.
Por que deepfakes são um problema de engenharia, não só de imagem
Um arquivo visual pode atravessar uma cadeia de sistemas: geração, edição, compressão, upload, captura de tela, repostagem e indexação. Cada etapa pode remover metadados, alterar pixels e apagar o contexto original. Quando um desenvolvedor cria um recurso de upload, moderação ou compartilhamento, não pode presumir que o arquivo recebido venha acompanhado de uma história verificável.
Também não adianta tentar resolver desinformação apenas com um classificador binário. “Parece IA” não responde quem publicou, quando publicou, se houve edição posterior ou se a legenda descreve corretamente o contexto. Em sistemas reais, eu separaria classificação de conteúdo, trilha de auditoria e análise de alegações. São problemas relacionados, mas diferentes.
Para uma plataforma, uma abordagem mais responsável é registrar a origem declarada do arquivo, preservar o original quando houver autorização e criar uma trilha de transformações. Se a imagem for redimensionada para exibição, por exemplo, o sistema pode manter o hash do original e registrar que gerou uma versão derivada. Isso não prova a autenticidade da cena, mas melhora a rastreabilidade técnica.
Na Prática: um primeiro inventário técnico do arquivo
Antes de enviar uma imagem a serviços externos, vale registrar o hash, as dimensões, o formato e os metadados disponíveis. O exemplo abaixo usa Python e Pillow. Ele não detecta deepfakes: cria um inventário local que ajuda a comparar arquivos e documentar a análise.
- Instale a dependência com
python -m pip install Pillow. - Salve o código como
inspect_image.py. - Execute com
python inspect_image.py caminho/para/imagem.jpg. - Guarde o resultado junto ao registro da investigação, sem tratar metadados ausentes como prova de fraude.
import hashlib
import sys
from pathlib import Path
from PIL import Image, ExifTags
def inspect_image(filename: str) -> None:
path = Path(filename)
if not path.is_file():
raise FileNotFoundError(f"Arquivo não encontrado: {path}")
digest = hashlib.sha256(path.read_bytes()).hexdigest()
print(f"Arquivo: {path}")
print(f"Tamanho: {path.stat().st_size} bytes")
print(f"SHA-256: {digest}")
with Image.open(path) as image:
print(f"Formato: {image.format}")
print(f"Dimensões: {image.width} x {image.height}")
print(f"Modo de cor: {image.mode}")
exif = image.getexif()
if not exif:
print("EXIF: não encontrado")
return
print("EXIF:")
for tag_id, value in exif.items():
name = ExifTags.TAGS.get(tag_id, str(tag_id))
print(f" {name}: {value}")
if __name__ == "__main__":
if len(sys.argv) != 2:
print("Uso: python inspect_image.py caminho/para/imagem")
raise SystemExit(2)
try:
inspect_image(sys.argv[1])
except (OSError, ValueError) as error:
print(f"Não foi possível analisar o arquivo: {error}")
raise SystemExit(1)O SHA-256 permite verificar se dois arquivos são exatamente iguais, byte a byte. Ele não identifica versões recortadas ou recomprimidas: uma pequena alteração gera outro hash. Para agrupar imagens visualmente parecidas, pode-se acrescentar um hash perceptual, como pHash, mas isso também não autentica a origem; apenas ajuda a encontrar semelhanças.
Outro cuidado: EXIF ausente não significa que a imagem foi criada por IA. Redes sociais frequentemente removem metadados por privacidade ou otimização. Da mesma forma, EXIF presente não é garantia de autenticidade, porque esses campos podem ser editados.
Erros comuns ao verificar imagens virais
- Tratar o score como veredito: detectores são ferramentas de triagem. Consulte mais de uma fonte e registre as limitações.
- Confundir contexto com prova visual: saber que duas pessoas se encontraram não confirma que determinada foto foi feita naquele encontro.
- Confiar na primeira publicação encontrada: a postagem mais antiga localizada pode ser apenas a primeira indexada ou preservada.
- Usar erro de grafia como prova definitiva: “EXLCUSIVO” é um sinal de alerta, não uma confirmação de manipulação. Conteúdo verdadeiro também pode ter erros.
- Reenviar o arquivo para serviços sem avaliar privacidade: imagens podem conter dados pessoais, rostos ou informações sensíveis. Verifique a política de retenção antes de fazer upload.
- Apagar o original durante a análise: preserve uma cópia e documente transformações. Capturas de tela e conversões podem destruir evidências úteis.
Para equipes de produto, eu evitaria bloquear conteúdo automaticamente com base em um único detector, especialmente em temas políticos. Uma decisão automatizada pode limitar expressão legítima ou atingir grupos de forma desigual. É melhor combinar sinais, definir níveis de confiança, manter revisão humana nos casos de maior impacto e oferecer um processo de contestação.
FAQ: verificação de imagens e deepfakes
Um resultado de 99% prova que a imagem foi criada por IA?
Não por si só. É o resultado de uma ferramenta sob condições específicas. No caso relatado, ele ganha relevância quando considerado junto a outras verificações, mas não deve ser interpretado como certeza universal.
Se Mendonça confirmou o encontro com Vorcaro, a foto pode ser verdadeira?
A confirmação do encontro não autentica a imagem. São alegações distintas. Segundo as informações citadas pelo Terra.com.br, não havia fotos conhecidas da reunião de março de 2025.
Metadados EXIF conseguem identificar uma imagem feita por IA?
Não de forma confiável. Metadados podem ajudar a entender o histórico do arquivo, mas podem ser removidos, modificados ou não ter sido registrados. A ausência de EXIF não prova geração sintética.
Qual é a melhor maneira de verificar uma imagem suspeita?
Combine busca reversa, análise do arquivo, ferramentas de detecção e checagem com fontes independentes. Registre a origem de cada evidência e não transforme um indicador isolado em conclusão.
Como desenvolvedores podem reduzir a circulação de deepfakes em uma plataforma?
Podem preservar proveniência quando disponível, documentar transformações, aplicar moderação proporcional ao risco e criar revisão humana para decisões sensíveis. Nenhum detector substitui uma política clara e uma trilha de auditoria.
O caso da foto atribuída a Mendonça e Vorcaro mostra por que a verificação precisa ser tratada como um processo. Ferramentas de IA ajudam a encontrar sinais, mas contexto, proveniência e checagem independente continuam essenciais — especialmente quando uma imagem viral pode influenciar a percepção pública.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.