O mesmo avanço tecnológico que torna possível captar e analisar evidências de ocorrências anómalas com precisão sem precedentes está a criar um problema inverso e igualmente urgente: a proliferação de vídeos, fotografias e relatos fabricados com recurso a inteligência artificial. Para um gabinete como o GIFO, cuja credibilidade depende inteiramente da qualidade das evidências que analisa, compreender e documentar este fenómeno é uma prioridade científica.

A desinformação não é um problema novo nesta área de investigação. O que é novo é a escala, a acessibilidade e a qualidade da falsificação possível com ferramentas de IA generativa disponíveis gratuitamente. O que antes exigia semanas de trabalho de um especialista em efeitos visuais pode agora ser produzido em minutos por qualquer pessoa com acesso à internet.

O Estado Atual da Falsificação com IA

Imagens e Vídeo Sintético

Modelos de geração de imagem como Midjourney, Stable Diffusion e DALL-E são capazes de produzir fotografias fotorealistas de objetos no céu, no mar ou em terra que são visualmente indistinguíveis de fotografias genuínas a olho nu. A análise de metadados pode revelar inconsistências, mas as versões mais recentes destes modelos estão a tornar-se progressivamente mais difíceis de detetar.

Mais preocupante ainda é a geração de vídeo: ferramentas como Sora, Runway e Kling permitem gerar sequências de vídeo de objetos em movimento com física plausível e iluminação consistente. A análise forense de vídeo gerado por IA requer ferramentas especializadas que detetam artefatos de compressão, inconsistências de pixel e padrões estatísticos característicos dos modelos generativos.

Relatos Sintéticos

Modelos de linguagem como o GPT-4 e Claude são capazes de gerar relatos de testemunhas detalhados, internamente consistentes e geograficamente precisos. Um relato gerado por IA pode incluir detalhes atmosféricos verificáveis, referências a localizações reais e uma estrutura narrativa que passa nos critérios básicos de credibilidade de testemunho.

Em 2024, investigadores da Universidade de Washington publicaram um estudo demonstrando que avaliadores humanos sem treino especializado identificaram corretamente relatos gerados por IA apenas 48% das vezes, estatisticamente equivalente a uma escolha aleatória. A deteção confiável de texto gerado por IA requer análise computacional específica.

Marcadores Técnicos de Falsificação

Para Imagens Geradas por IA

  • Análise de ruído: Imagens genuínas apresentam padrões de ruído característicos do sensor da câmara. Imagens sintéticas apresentam distribuição de ruído estatisticamente diferente.
  • Análise de bordos: Objetos em imagens geradas por IA frequentemente apresentam bordos com características de suavização inconsistentes com a ótica real.
  • Inconsistências de iluminação: A sombra e o reflexo de objetos sintéticos frequentemente divergem subtilmente da direção e qualidade da luz ambiente na cena.
  • Metadados ausentes ou inconsistentes: Câmaras reais geram metadados EXIF detalhados. Imagens sintéticas frequentemente têm metadados ausentes ou gerados artificialmente.
  • Análise de compressão (JPEG): A análise de artefatos de compressão pode revelar manipulação ou geração sintética através de ferramentas como a análise de Error Level Analysis (ELA).

Para Vídeo Gerado por IA

  • Inconsistências temporais: Objetos em vídeo gerado por IA frequentemente apresentam micro-inconsistências entre fotogramas consecutivos detetáveis por análise frame-a-frame.
  • Análise de fluxo ótico: O movimento de objetos em cenas sintéticas frequentemente diverge do fluxo ótico esperado dado o movimento de câmara.
  • Padrões de compressão anómalos: Ferramentas de deteção de deepfake como FaceForensics++ e DeepFake Detection Challenge detetam padrões estatísticos específicos dos modelos generativos.

O Impacto na Investigação Séria

A proliferação de conteúdo fabricado tem dois efeitos opostos mas igualmente prejudiciais para a investigação científica séria. Por um lado, contamina os arquivos com dados inválidos que podem orientar investigações na direção errada. Por outro, cria um ambiente de ceticismo generalizado que torna mais difícil a análise rigorosa de evidências genuínas.

A resposta do GIFO é metodológica: aplicar à análise de evidências digitais os mesmos critérios forenses que se aplicariam a qualquer outra prova em contexto de investigação criminal. Isto inclui verificação de proveniência, análise de metadados, análise de integridade de imagem e correlação com fontes independentes.

Posição Científica

Sobre Desinformação e IA na Investigação de Ocorrências Anómalas

O GIFO reconhece a desinformação gerada por IA como uma ameaça direta à credibilidade da investigação científica séria neste domínio. Em resposta, o GIFO implementou um protocolo de verificação de evidências digitais que inclui: análise de metadados, Error Level Analysis, verificação de proveniência, análise de consistência física e correlação com testemunhos independentes. Nenhuma evidência digital é aceite sem passar por este protocolo. O GIFO encoraja outros investigadores a adotar standards similares e está disponível para colaborar no desenvolvimento de ferramentas de deteção adaptadas ao contexto específico de ocorrências anómalas. A integridade do arquivo é a fundação de toda a investigação credível. Ref. Posição GIFO-DES-01 · 2026.