Pangram, uma startup de Nova York fundada pelos ex-alunos de IA de Stanford Max Spero e Bradley Emi, fechou uma rodada de Série A de US$ 9 milhões liderada pela Menlo Ventures. O financiamento impulsionará uma API para plataformas e uma extensão do Chrome de US$ 20 por mês que afirma identificar textos assistidos por IA com 99% de precisão — uma afirmação que pode remodelar a forma como jornalistas, acadêmicos e recrutadores verificam a autenticidade.

O surto de “slop” gerado por IA

Grandes modelos de linguagem agora produzem artigos, postagens em redes sociais e até citações jurídicas em escala. O resultado: uma inundação de spam de SEO de baixa qualidade, campanhas coordenadas de desinformação e uma zona cinzenta onde humanos refinam rascunhos gerados por IA. As instituições já estão reagindo. O servidor de preprints arXiv alertou que autores que enviam resultados de LLM não revisados podem enfrentar um banimento de um ano, e os tribunais começaram a sancionar advogados que dependem de citações fabricadas produzidas por IA. A pressão para separar o conteúdo humano do conteúdo de máquina está aumentando, e a Pangram aposta que sua tecnologia pode se tornar a camada de verificação padrão.

Espelhamento sintético: treinando em um gêmeo de cada documento

O modelo principal da Pangram, o Pangram 4, utiliza um método que a empresa chama de “espelhamento sintético” (synthetic mirroring). Para cada documento escrito por humanos em seu conjunto de treinamento — dezenas de milhões de peças verificadas — a equipe gerou um correspondente em um LLM de fronteira. O gêmeo sintético corresponde ao original em tópico, extensão e tom, mas é produzido por uma IA. Ao alimentar ambas as versões na mesma rede neural, a Pangram ensina o modelo a detectar as sutis impressões digitais estatísticas que persistem em textos gerados por IA, mesmo quando os escritores utilizam ferramentas de “humanização de IA” projetadas para disfarçar o conteúdo de máquina.

Os concorrentes baseiam-se em metadados ou marcas d'água invisíveis, que podem ser removidas ou ignoradas. A Pangram, em vez disso, foca na análise estilística: padrões na escolha de palavras, ritmo das frases e distribuição de tokens que permanecem consistentes no output de um modelo. Em testes internos, o sistema identificou redações assistidas por IA com 99% de precisão, de acordo com o comunicado da empresa.

De APIs a navegadores: onde a tecnologia chega

A Pangram se posiciona como infraestrutura, em vez de um aplicativo de propósito único. Sua API já se integra ao Substack, onde as newsletters exibem um rótulo indicando a proporção de conteúdo gerado por IA. Os primeiros adotantes também incluem a plataforma de perguntas e respostas Quora, diversos centros de escrita universitários e agências de recrutamento que precisam verificar a originalidade das submissões de candidatos.

Para usuários individuais, a startup oferece uma extensão do Chrome que sobrepõe uma “pontuação de saúde do feed” (feed health score) em sites como X, LinkedIn, Reddit e Medium. A pontuação detalha a porcentagem de texto que o modelo acredita ser humano versus IA. Os assinantes pagam US$ 20 por mês para rotulagem em tempo real e a capacidade de sinalizar passagens suspeitas para revisão posterior.

Uma visão cética

Alegações de precisão inevitavelmente atraem escrutínio. Detectar assistência de IA na “zona cinzenta” — onde um escritor edita um rascunho produzido por um modelo — continua sendo um alvo móvel. À medida que os modelos generativos melhoram, a lacuna estilística na qual a Pangram se baseia pode diminuir, provocando uma corrida armamentista entre técnicas de detecção e de evasão. Críticos também alertam para falsos positivos: rotular uma peça humana legítima como gerada por IA pode prejudicar reputações, especialmente em contextos acadêmicos ou jurídicos onde os riscos são altos.

A Pangram reconhece o desafio, observando que treina continuamente seu modelo com novos espelhos sintéticos à medida que novos LLMs surgem. No entanto, a empresa não divulgou resultados de benchmarks independentes além de seus testes internos, deixando para a comunidade em geral a tarefa de verificar o número de 99%.

O que observar

Os próximos meses revelarão se a Pangram conseguirá ir além das integrações piloto para uma adoção mais ampla em plataformas. Os principais indicadores incluem:

  • Expansão de contratos de API além da lista atual de parceiros iniciais.
  • Feedback de usuários institucionais sobre taxas de falsos positivos e o impacto nos fluxos de trabalho editoriais.
  • Reações de desenvolvedores de LLM, que podem responder com atualizações de modelos visando imitar o estilo humano mais de perto.
  • Desenvolvimentos regulatórios que podem tornar as ferramentas de detecção de IA obrigatórias para certas publicações ou submissões acadêmicas.

Se a startup mantiver sua vantagem de detecção enquanto mantém baixas taxas de erro, ela poderá se tornar um padrão de fato para a autenticidade digital. Caso contrário, o mercado pode se fragmentar em um mosaico de ferramentas concorrentes, cada uma com suas próprias compensações.

Resumo

O aporte de US$ 9 milhões da Pangram impulsiona uma estratégia de detecção que se baseia em um regime de treinamento de documentos gêmeos para reivindicar uma identificação quase perfeita de assistência por IA. Seu sucesso dependerá de o método ser escalável para modelos de linguagem em constante evolução e de conquistar a confiança das plataformas e instituições que mais precisam dele.