O que não conta como evidência de IA
Nota: Este documento é uma tradução automática da versão original em inglês.
O que não conta como evidência de IA
Um projeto pode apresentar muitos artefatos que parecem prova de um AI component funcional — mas que, sob inspeção mais cuidadosa, não demonstram um. Esta página lista os anti-padrões mais comuns: sinais que alegam capacidade de IA sem fornecer evidência verificável. É a companheira de O que conta como evidência de um AI component.
Em resumo: material de marketing, repositórios vazios, métricas sem metodologia, API wrappers sem lógica proprietária e "IA" no nome de um token não são evidência de um AI component funcional.
Por que reconhecer falsos sinais importa
A fronteira entre "evidência" e "não evidência" é a base da abordagem do DecAIHub ao AI-washing. Reconhecer os padrões abaixo não é uma acusação contra o projeto — significa que o artefato específico não move o ponteiro na realidade de IA verificável, e não deve ser confundido com evidência Tier-1.
Anti-padrões comuns
"Usamos IA" em material de marketing
Dizer "alimentado por IA", "construído com machine learning" ou "orientado por rede neural" em uma landing page ou pitch deck é uma declaração de posicionamento, não evidência. Sem artefatos Tier-1 (código, documentação, demos), essas palavras não carregam peso verificável.
O DecAIHub não penaliza projetos por usar a palavra — mas também não a trata como evidência. A presença de "IA" no marketing eleva a régua: se um projeto alega IA de forma proeminente, a ausência de artefatos de apoio torna-se mais conspícua.
Repositório vazio ou não relacionado
Um repositório GitHub que existe mas não contém código de AI/ML — ou contém apenas um README, boilerplate ou scripts não relacionados — é um sinal de alerta. Um repositório significativo tem commits, releases, testes e código que se alinha com as alegações do whitepaper ou da documentação.
Padrões comuns: um repositório criado recentemente com um único commit inicial; um fork de um framework popular sem modificações; uma coleção de arquivos de configuração sem código de modelo; um repositório sem commits há mais de um ano enquanto o projeto continua a alegar desenvolvimento ativo de IA.
Métricas sem metodologia
Alegar "95% de acurácia" ou "desempenho estado da arte" não significa nada sem contexto: o que foi medido, sobre quais dados, quando e com qual versão do modelo. Métricas sem metodologia não são evidência Tier-1.
"Nosso modelo atinge 0,92 de F1 no benchmark XYZ, avaliado na versão 2.1 em janeiro de 2026" é uma métrica. "Atingimos 92% de acurácia" é uma alegação. O DecAIHub registra alegações como declarações anotadas, mas não define a flag AI_3 com base nelas.
API wrapper sem lógica proprietária
Chamar a API da OpenAI, da Anthropic ou de outro terceiro e retornar o resultado não é evidência da IA própria do projeto. Um API wrapper pode ser um produto válido, mas não torna o projeto um projeto de IA no sentido em que o DecAIHub avalia. A IA pertence ao provedor, não ao projeto.
Se um projeto aplica seu próprio fine-tuning, combina a saída de terceiros com modelos proprietários, ou adiciona pós-processamento mensurável, o quadro muda. A pergunta-chave é se o projeto adiciona valor verificável de nível de IA além do que a API bruta fornece. Se todo o "AI component" é uma única chamada de API com um prompt de sistema, a realidade de IA pertence ao provedor.
"IA" apenas no nome ou na marca do token
Se a única conexão de um projeto com a IA é a palavra "IA" no ticker do token, no nome de domínio ou na marca — sem nenhuma implementação técnica por trás — isto é posicionamento, não evidência.
Um ticker de token é um rótulo, não uma funcionalidade. O DecAIHub trata a nomenclatura como um sinal neutro — ela nem contribui nem subtrai da avaliação de evidência. O que importa é se existem artefatos por trás do nome.
Parceria com uma empresa de IA
Um anúncio de parceria (por exemplo, "em parceria com a NVIDIA" ou "integrado com a OpenAI") é Tier-2 na melhor das hipóteses. Ele mostra associação, não um AI component funcional dentro do projeto. Parcerias não substituem código, documentação ou demos.
As parcerias variam de colaborações técnicas profundas (pesquisa conjunta, modelos co-desenvolvidos) a afiliações soltas (participação em aceleradora, estar listado em um diretório de parceiros). A maioria das parcerias anunciadas no espaço de crypto-AI tende ao lado mais solto. Apenas parcerias com saída técnica verificável contribuem para o quadro de evidências, e mesmo assim como contexto Tier-2, não como prova Tier-1.
"Roadmap de IA" ou intenção de IA sem implementação
Um item de roadmap dizendo "funcionalidades de IA chegando no Q3" mostra intenção (AI_0), não um AI component funcional. A intenção é registrada como uma única flag, mas não indica, por si só, um AI component funcional. A fórmula do ai_score tem um teto de 3, então o AI_0 sozinho contribui minimamente.
Os planos mudam, atrasam ou são cancelados. O DecAIHub registra a intenção oficial de IA por meio da flag AI_0 para distinguir os projetos que declararam ambições de IA daqueles que não o fizeram. Mas a flag é o piso, não o teto — ela contribui com ai_score = 1 no máximo, e apenas quando a intenção vem de uma fonte Tier-1.
Demos sem backend de IA verificável
Um frontend polido que alega mostrar resultados de IA mas não fornece nenhuma maneira de verificar que um modelo de IA está rodando por trás dele — sem documentação de API, sem versão de modelo, sem saídas reproduzíveis — não é evidência suficiente.
Uma demo verificável permite entradas diferentes e produz saídas contextualmente variadas. Ela pode expor um endpoint de API, exibir informações de versão do modelo ou oferecer um modo sandbox. Uma exibição, por outro lado, segue um caminho roteirizado ou produz saídas idênticas independentemente da entrada. O DecAIHub procura pela primeira; a segunda é anotada, mas não contribui para as flags de evidência além do AI_0.
"Modelo ajustado (fine-tuned)" sem especificidades
Alegar ter um modelo ajustado (fine-tuned) não é evidência a menos que o projeto especifique: o modelo base, o dataset usado para o fine-tuning, a melhoria em relação ao modelo base e métricas de qualidade com metodologia.
Uma alegação credível de fine-tuning nomeia o modelo base, descreve os dados de treinamento e mostra melhoria mensurável em uma tarefa definida. Sem essas especificidades, "fizemos o fine-tuning de um modelo" é indistinguível de "usamos um modelo".
Tabela de referência de anti-padrões
| Anti-padrão | O que alega | O que realmente prova |
|---|---|---|
| "Alimentado por IA" no site | O projeto tem IA | Nada sem artefatos Tier-1 |
| Repositório GitHub vazio | Código de IA de código aberto | O repositório existe; o código de IA não |
| "95% de acurácia" sem contexto | IA de alta qualidade | Um número foi declarado; a validade é desconhecida |
| API wrapper da OpenAI | O projeto "usa IA" | O projeto chama a IA de outra pessoa |
| "IA" no nome do token | Projeto relacionado a IA | Uma escolha de nomenclatura foi feita |
| Parceria com laboratório de IA | Capacidade de IA | Uma associação existe |
| "IA no roadmap do Q3" | Futuro AI component | Apenas intenção (AI_0) |
| Demo polida, sem evidência de backend | IA funcional | Um frontend foi construído |
| "LLM ajustado (fine-tuned)" sem detalhes | Modelo proprietário | Uma alegação foi feita |
Como distinguir falsos sinais de evidência fraca-mas-real
Nem todo artefato que falha no padrão Tier-1 é inútil. Alguns artefatos são evidência genuinamente fraca — insuficientes por si só, mas significativos em combinação. A tabela abaixo esclarece a fronteira:
| Artefato | Falso sinal (sem valor de evidência) | Evidência fraca mas real |
|---|---|---|
| Repositório | Vazio ou apenas boilerplate | Contém algum código de IA mas carece de testes ou releases |
| Métrica | Número sem metodologia | Número com metodologia parcial (faltando uma das quatro perguntas de contexto) |
| Demo | Exibição roteirizada com saídas fixas | Demo interativa sem docs de API ou versão de modelo |
| Parceria | Logo em uma página de parceiros | Saída técnica conjunta (artigo coautorado, repositório compartilhado) |
| Documentação | Whitepaper de marketing sem profundidade técnica | Whitepaper técnico que descreve a arquitetura mas carece de detalhes de versão |
A evidência fraca pode contribuir para definir flags individuais quando corroborada por outros artefatos. Falsos sinais não contribuem independentemente da quantidade — dez repositórios vazios não são mais fortes do que um.
Como o DecAIHub registra esses casos
Quando nenhuma evidência Tier-1 de um AI component funcional é encontrada, o ai_score do projeto permanece em 0 ou 1. Se a IA é ativamente promovida no marketing enquanto a evidência está ausente, uma flag de AI-washing pode ser definida no cartão.
Isto não é uma acusação — é um registro da lacuna entre alegações e artefatos na data da verificação. Quando novas evidências aparecem, o cartão é atualizado.
O ai_score soma as flags binárias AI_0 a AI_4 (com teto de 3). Um projeto que mostra apenas anti-padrões desta página terá tipicamente ai_score = 0 ou ai_score = 1 (se o AI_0 for definido via um roadmap oficial), o que limita diretamente seu DecAI Fit máximo.
O que esta lista sozinha não prova
- Exibir um ou mais anti-padrões não é uma acusação contra o projeto. Muitos projetos em estágio inicial carecem de artefatos simplesmente porque a tecnologia ainda não é pública.
- A ausência de anti-padrões não prova que a IA é real. Um projeto pode evitar todos os sinais de alerta desta lista e ainda assim não ter nenhum AI component funcional.
- Esta lista é um instantâneo — os anti-padrões podem se resolver à medida que os projetos amadurecem e publicam novos artefatos.
Perguntas frequentes
Por que ter "IA" no nome do token não conta como evidência?
O nome de um token é uma decisão de marca, não um artefato técnico. Qualquer projeto pode escolher um ticker que inclua "IA" sem construir nenhuma tecnologia. O DecAIHub avalia a evidência com base em artefatos inspecionáveis e verificáveis — código, documentação, demos, métricas com metodologia. Um nome não atende a nenhum desses critérios. O nome do token é registrado no cartão do projeto como metadado, mas não influencia nenhuma das cinco flags de AI reality (AI_0 a AI_4).
Uma parceria com a NVIDIA (ou outra empresa de IA) é evidência de IA?
Não. Um anúncio de parceria é classificado como Tier-2 na melhor das hipóteses — ele fornece contexto, mas não prova que um AI component funcional existe dentro do projeto. As parcerias variam amplamente em profundidade: de esforços profundos de co-engenharia a simples listagens de "membro do ecossistema". A menos que a parceria tenha produzido saída técnica verificável (uma base de código compartilhada, pesquisa co-publicada, uma implantação mantida conjuntamente), ela permanece uma associação em vez de evidência. Pode apoiar uma constatação Tier-1 se uma existir, mas não pode substituí-la.
E quanto a projetos que prometem funcionalidades de IA em seu roadmap?
Uma entrada de roadmap de uma fonte oficial Tier-1 (o próprio blog, documentação ou proposta de governança do projeto) é registrada por meio da flag AI_0, que captura "intenção de IA declarada". Isto define o ai_score em pelo menos 1, distinguindo o projeto daqueles sem nenhuma menção a IA. No entanto, um roadmap é um plano, não uma implementação. A flag AI_0 é o sinal positivo mais baixo possível, e sozinha limita o DecAI Fit a um máximo de 3 de 6 devido às regras de teto do ai_score. Quando os marcos do roadmap são entregues e artefatos verificáveis aparecem, o cartão é atualizado e flags mais altas podem ser definidas.
Um projeto pode mostrar múltiplos anti-padrões e ainda ter um AI component real?
Sim. Os anti-padrões indicam que artefatos específicos não constituem evidência — eles não provam a ausência de tecnologia. Um projeto pode ter práticas de marketing ruins e alegações de métricas vagas enquanto opera simultaneamente um sistema de IA legítimo que não está bem documentado publicamente. O DecAIHub avalia o que é verificável no momento da revisão. Se a tecnologia subjacente existe mas não é externamente inspecionável, ela não pode ser pontuada — e o projeto é incentivado a publicar os artefatos necessários para atualizar seu cartão.
Referências externas
- OECD AI Policy Observatory — AI classification framework — um recurso internacional para entender como os sistemas de IA são definidos, classificados e governados entre jurisdições.
- Papers With Code — state-of-the-art benchmarks — um recurso da comunidade que rastreia resultados de benchmark de IA com código e metodologia vinculados; útil para entender como se parecem "métricas com metodologia" na prática.
- Stanford HAI — AI Index Report — um relatório anual que rastreia tendências em pesquisa, desenvolvimento e implantação de IA; fornece contexto para avaliar alegações de IA contra o cenário mais amplo.
No comments to display
No comments to display