A IA não matou o autor; tornou mais difícil saber que trabalho o autor realmente fez. Para quem desenvolve software, a discussão não é abstrata: modelos já resumem documentação, sugerem código e reescrevem textos. O problema começa quando uma publicação trata qualquer uso de IA como incompatível com autoria humana — ou, no extremo oposto, esconde a participação da ferramenta e deixa o leitor sem saber quem responde pelo conteúdo.
O que significa ser autor quando a IA participa da escrita?
Segundo o Observador.pt, a ética da autoria tem uma tensão antiga: idealmente, avaliamos uma ideia pelo que ela diz, não pela identidade ou pela reputação de quem a escreveu. É uma defesa contra o argumento ad personam. Se um texto apresenta evidências sólidas, a filiação política ou o prestígio do autor não deveriam, por si só, invalidá-lo.
Mas isso não torna a autoria irrelevante. Saber quem escreveu importa quando precisamos avaliar competência, conflitos de interesse, responsabilidade por erros e possibilidade de pedir esclarecimentos. Na ciência, no jornalismo e no desenvolvimento de software, a autoria não é só uma assinatura: é uma indicação de quem responde pelo processo e pelo resultado.
A IA generativa complica essa relação porque “usar IA” pode descrever atividades muito diferentes. Uma ferramenta pode corrigir a gramática, resumir um rascunho, sugerir uma estrutura ou produzir o texto inteiro a partir de uma instrução. Colocar tudo no mesmo saco não ajuda a decidir o que deve ser divulgado nem quem merece crédito.
O caso do Financial Times e a diferença entre assistência e escrita
O trecho do Observador.pt relata que o Financial Times acrescentou um aviso a uma coluna de Ricardo Hausmann depois de saber que uma IA tinha sido usada para condensar um rascunho mais longo antes da submissão. O jornal declarou que seu código editorial proíbe o uso de IA no processo de escrita.
Esse caso expõe uma ambiguidade importante: condensar um texto é edição, escrita ou ambas? Se o modelo apenas remove repetições, talvez a contribuição seja comparável a uma revisão. Mas, se escolhe quais argumentos ficam, altera a ênfase ou reconstrói frases, já participa de decisões editoriais. O rótulo “assistência” não resolve a questão; é preciso descrever a tarefa concreta.
Também não basta dizer que um humano aprovou a versão final. A revisão humana pode detectar erros, mas não transforma automaticamente conteúdo gerado em trabalho independente. A responsabilidade editorial continua com quem assina e publica. Por isso, políticas úteis explicam quais usos são permitidos, quais exigem declaração e quais são proibidos.
O excerto fornecido menciona outros jornais, mas não apresenta os casos nem as políticas deles. Não vou completar essa parte com exemplos não documentados. Para comparar veículos com rigor, seria necessário consultar as declarações originais e verificar se falam de geração, edição, tradução ou simples apoio técnico.
O que a tecnologia realmente faz — e o que não faz
Modelos de linguagem produzem sequências de tokens a partir de padrões aprendidos durante o treinamento e do contexto recebido. Eles não têm, por si só, compromisso com a verdade, intenção editorial ou responsabilidade legal. Um texto fluente pode conter uma citação inventada, uma simplificação enganosa ou uma afirmação desatualizada.
Isso não significa que toda saída seja inútil. Um modelo pode resumir uma RFC extensa, sugerir nomes de funções ou ajudar a comparar abordagens. O risco está em confundir fluência com verificação. Em código, por exemplo, uma resposta que compila pode ainda introduzir uma falha de autorização ou ignorar um requisito de concorrência.
Também é importante separar autoria de proveniência. Autoria pergunta quem concebeu e responde pelo trabalho. Proveniência registra como o material foi produzido: ferramentas, versões, revisões e transformações. Metadados de proveniência são úteis para auditoria, mas não provam, sozinhos, que uma pessoa escreveu cada frase ou que o conteúdo é verdadeiro.
Transparência sobre IA: um modelo melhor que o “sim ou não”
Uma regra que proíbe qualquer uso pode ser simples de aplicar, mas também pode eliminar ajudas de baixo risco, como correção ortográfica ou tradução preliminar. Uma política que permite tudo, desde que haja revisão, é igualmente fraca: não define o que revisar nem como revelar a participação da ferramenta.
Na minha leitura, uma política editorial ou de engenharia fica mais clara quando separa os usos por impacto. Correção de formato não é o mesmo que gerar uma análise; resumir uma entrevista não é o mesmo que escrever uma citação; sugerir um trecho de código não é o mesmo que aprová-lo para produção.
| Uso da IA | Risco principal | Controle recomendado |
|---|---|---|
| Correção ortográfica ou formatação | Alteração involuntária de sentido | Revisar o texto final |
| Resumo de documentos ou entrevistas | Omissão de contexto e nuances | Conferir o resumo com a fonte original |
| Geração de argumento, análise ou código | Erros plausíveis e autoria pouco clara | Validar evidências, testes e contribuição humana |
| Produção integral sem revisão substancial | Ausência de responsabilidade efetiva | Não apresentar como trabalho verificado por uma pessoa |
Na Prática: registre o uso de IA sem fingir que o log prova autoria
Em uma equipe de desenvolvimento, eu trataria a interação com IA como parte do histórico do trabalho, não como substituto do code review. Uma anotação simples pode registrar a ferramenta, a finalidade e a validação feita. Evite guardar prompts que contenham segredos, dados pessoais ou código proprietário sem autorização.
- Defina quais tarefas podem usar IA e quais exigem aprovação explícita.
- Registre ferramenta, finalidade e responsável pela revisão.
- Revise o resultado contra os requisitos e as fontes originais.
- Execute testes automatizados e revise segurança antes de integrar código.
- Guarde o registro junto ao processo de trabalho, sem tratá-lo como certificado de autoria.
O exemplo abaixo cria um registro JSONL com hashes SHA-256 dos arquivos de entrada e saída. O hash ajuda a identificar uma versão específica do arquivo; não revela seu conteúdo e não confirma quem o escreveu. Em um sistema real, eu acrescentaria autenticação, política de retenção e armazenamento protegido.
import hashlib
import json
from datetime import datetime, timezone
from pathlib import Path
def sha256_file(path: str) -> str:
digest = hashlib.sha256()
with open(path, "rb") as file:
for chunk in iter(lambda: file.read(65536), b""):
digest.update(chunk)
return digest.hexdigest()
def log_ai_assistance(
input_path: str,
output_path: str,
tool: str,
purpose: str,
reviewer: str,
log_path: str = "ai-usage.jsonl",
) -> None:
record = {
"timestamp": datetime.now(timezone.utc).isoformat(),
"tool": tool,
"purpose": purpose,
"reviewer": reviewer,
"input_sha256": sha256_file(input_path),
"output_sha256": sha256_file(output_path),
}
with Path(log_path).open("a", encoding="utf-8") as log:
log.write(json.dumps(record, ensure_ascii=False) + "\n")
if __name__ == "__main__":
log_ai_assistance(
input_path="draft.txt",
output_path="revised.txt",
tool="assistente-interno",
purpose="resumo e revisão de clareza",
reviewer="yuri",
)
print("Uso registrado em ai-usage.jsonl")O motivo para registrar hashes, em vez de copiar todo o conteúdo para o log, é reduzir a exposição de dados e ainda permitir comparar versões posteriormente. Isso não substitui controle de acesso, revisão humana ou testes. É apenas uma peça de rastreabilidade.
Erros comuns ao integrar IA ao trabalho de escrita e programação
- Tratar “revisado por humano” como garantia. Revisão sem critérios vira um clique de aprovação. Peça ao revisor que confira fatos, requisitos, citações e efeitos colaterais.
- Enviar dados sensíveis para qualquer ferramenta. Antes de colar código, logs ou documentos, verifique a política de retenção e o contrato do serviço. Remova tokens, credenciais e dados pessoais.
- Confiar em detetores automáticos de texto gerado. Esses sistemas podem classificar incorretamente textos humanos e não provam quem escreveu um documento. Use registros de processo e revisão, não um placar de probabilidade.
- Confundir citação com validação. Um modelo pode inventar referências ou atribuir uma frase à fonte errada. Abra o documento original e confirme a passagem antes de publicar.
- Comitar código sem entender a mudança. Leia o diff, execute testes, examine dependências e verifique permissões. Se não consegue explicar o trecho gerado, ainda não está pronto para produção.
- Prometer certeza sobre direitos autorais. Regras e decisões variam por país e contexto. Para publicação comercial ou disputa jurídica, consulte orientação especializada em vez de inferir direitos a partir de uma resposta do modelo.
A autoria não desaparece: a responsabilidade fica mais visível
A ideia de que o autor pode “morrer” como autoridade absoluta ajuda a evitar que prestígio substitua argumento. Mas não elimina a necessidade de saber quem selecionou as evidências, definiu a pergunta, editou o resultado e assume as consequências. Com IA, essas etapas podem ser distribuídas entre pessoa, modelo, equipe e plataforma.
Para mim, a pergunta produtiva não é apenas “foi escrito por IA?”. É: que parte foi produzida ou alterada pela ferramenta, quem verificou o resultado e quem responde por ele? Essa formulação é mais útil para uma redação, um repositório de software ou uma equipe que usa copilotos no dia a dia.
FAQ sobre autoria humana e inteligência artificial
Usar IA para revisar um texto faz da IA coautora?
Não existe uma resposta universal. Correção mecânica costuma ser diferente de gerar argumentos ou reorganizar substancialmente o texto. A política da publicação ou da organização deve definir os limites e quando declarar o uso.
Preciso informar que usei IA para escrever código?
Depende das regras do projeto e da licença aplicável, mas a decisão técnica continua sendo sua. Registre a assistência quando isso for relevante para auditoria e revise o código, os testes, as dependências e a segurança antes de integrá-lo.
Detectores de IA conseguem provar quem escreveu um texto?
Não. Detectores estimam padrões e podem errar. Não devem ser usados isoladamente para acusar alguém ou estabelecer autoria. Histórico de versões, documentação e processo de revisão oferecem contexto mais útil.
Como declarar o uso de IA em um artigo?
Descreva a tarefa com precisão: por exemplo, “usei uma ferramenta de IA para condensar um rascunho; revisei os argumentos e conferi as fontes”. Evite frases vagas como “feito com IA” quando não explicam a contribuição.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.