A marca d'água em texto da OpenAI, chamada textGrain, altera discretamente a escolha estatística de palavras para permitir uma verificação posterior. Ela não adiciona caracteres invisíveis e não muda a aparência do texto. Para empresas, o recurso pode apoiar rastreabilidade e políticas de uso de IA, mas não comprova autoria, precisão, responsabilidade nem a proporção de conteúdo gerado por máquina.
O que mudou para ChatGPT, Codex e API
A OpenAI anunciou em 5 de outubro de 2026 a implantação gradual de marcas d'água em textos elegíveis gerados pelo ChatGPT e pelo Codex para usuários na União Europeia. A distribuição ocorre ao longo de algumas semanas e não significa que todo texto produzido por esses serviços já carregue o sinal.
Clientes da API podem optar pelo recurso em modelos compatíveis, inclusive fora da União Europeia. Na API, a configuração fica desativada por padrão. O acesso ao detector começa restrito a organizações de pesquisa e especialistas aprovados, portanto a empresa deve confirmar elegibilidade, modelo e disponibilidade antes de planejar o uso.
Como o textGrain funciona
O sistema ajusta as probabilidades usadas pelo modelo ao selecionar tokens, criando um padrão estatístico distribuído pelo texto. O conteúdo continua legível e copiável. Não há um marcador visível para remover nem uma sequência oculta simples que possa ser encontrada por inspeção do arquivo.
A detecção analisa se o padrão observado é compatível com a marca. Por isso o resultado é probabilístico, não uma assinatura criptográfica. Textos curtos oferecem menos evidência, enquanto edição extensa, tradução e paráfrase podem enfraquecer o sinal.
Entenda os limites de detecção
No relatório técnico, com taxa de falso positivo fixada em 1%, a OpenAI relata detecção de aproximadamente 80% em passagens de psicologia com 200 tokens e 95% em passagens com 400 tokens. Esses números são resultados de avaliação, não garantia para qualquer idioma, tema ou fluxo de edição.
A robustez cai com alterações. No teste de substituição por sinônimos em textos de 400 tokens, trocar 10% das palavras reduziu a detecção de cerca de 92% para 66%; com 25% de substituição, caiu para 17%. Código, listas curtas, slogans e respostas muito breves também oferecem menos material para análise.
- Não trate ausência de detecção como prova de autoria humana
- Não trate uma detecção positiva como prova de plágio ou fraude
- Registre modelo, versão, data e edição realizada
- Mantenha revisão humana para decisões de alto impacto
O que a marca prova e o que não prova
A marca pode indicar compatibilidade estatística com uma geração elegível da OpenAI. Ela não confirma que o conteúdo esteja correto, que a empresa tenha direitos sobre as informações, que uma pessoa específica seja a autora ou que todo o documento tenha sido produzido por IA.
Também não substitui transparência visível quando contrato, política editorial, plataforma ou legislação exigirem divulgação. A comunicação ao público deve explicar o papel da IA e da revisão humana de forma direta, sem depender de um detector ao qual o leitor talvez nem tenha acesso.
Como ativar e testar na API
A documentação orienta administradores a usar Organization settings, Data controls e Text provenance, ou a configuração de proveniência do projeto, quando o recurso estiver disponível. Depois é preciso selecionar um modelo compatível. Faça o teste em um projeto separado antes de alterar aplicações de produção.
Monte uma amostra com textos curtos e longos, diferentes idiomas, termos técnicos e níveis de edição. Compare o conteúdo original com versões revisadas e traduzidas. Registre falsos negativos, casos inconclusivos e impacto operacional para decidir onde o sinal realmente ajuda.
Crie uma política de proveniência
Defina quais equipes podem usar IA, em quais tarefas e quais registros precisam acompanhar a entrega. Para conteúdo público, preserve fontes, briefing, versões, responsável pela revisão e aprovação final. Para documentos internos, aplique classificação de dados e retenção compatível com a sensibilidade do material.
Evite usar detectores para punir pessoas sem análise contextual. Um processo justo combina evidências, oportunidade de explicação e critérios previamente comunicados. Em educação, recursos humanos, jurídico e conformidade, a decisão nunca deve depender apenas de uma pontuação automática.
Use o sinal como uma camada, não como veredito
A melhor aplicação empresarial é complementar. Combine marca d'água, histórico de versões, fontes, revisão humana, controles de acesso e declaração de uso. Cada camada responde a uma pergunta diferente e reduz a dependência de um único mecanismo.
Comece por um caso mensurável, como artigos assistidos por IA ou respostas de suporte. Acompanhe tempo de revisão, incidentes, dúvidas de autoria e retrabalho. Expanda apenas se a proveniência melhorar a governança sem criar confiança excessiva na detecção.
Para levar daqui
A marca d'água textGrain ajuda a indicar a origem provável de alguns textos, mas perde força com conteúdo curto ou muito editado. Use-a junto com registros, fontes, revisão humana e uma política explícita de transparência.
