Como saber se um projeto realmente tem IA

Nota: Este documento é uma tradução automática da versão original em inglês.

Como saber se um projeto realmente tem IA

Você está diante de um projeto cripto que afirma usar IA. O site diz "AI-powered". O pitch deck menciona redes neurais. O nome do token tem "AI". Mas como saber se existe um AI component real e funcional por trás dessas alegações, ou se "AI" é apenas um rótulo de marketing?

Esta é a pergunta central que o DecAIHub foi criado para responder. A diferença entre IA genuína e AI-washing não é visível na superfície. As equipes de marketing sabem que "AI" é uma das palavras-chave mais poderosas em cripto, e muitos projetos a usam independentemente do que a tecnologia realmente faz. A inovação real coexiste lado a lado com alegações vazias e, sem um método estruturado, distingui-las exige horas de pesquisa independente para cada projeto. Este guia oferece um conjunto de ferramentas prático que funciona tanto para o iniciante que tenta evitar o hype quanto para o participante experiente que precisa de um framework de triagem rápido.

Em resumo: verifique a especificidade do campo AI component, observe o ai_score para um veredito quantificado, revise o tier de evidência, compare alegações com artefatos verificáveis, aplique o teste das cinco perguntas e fique atento a red flags que sugerem AI-washing.

O teste das cinco perguntas

Antes de mergulhar em uma revisão completa do cartão, faça um diagnóstico rápido. Cada pergunta mira em uma camada específica de verificação de IA.

#	Pergunta	Resposta forte	Resposta fraca
1	O que exatamente a IA faz?	Nomeia o tipo de modelo, a tarefa e o mecanismo	"Usamos IA para otimizar tudo"
2	Onde posso vê-la funcionando?	Demo ao vivo, API pública, saídas registradas	"Em breve" ou beta privado sem artefatos
3	Onde está o código ou o modelo?	Repositório público com código de treinamento/inferência, model card	Repositório vazio, fork de um tutorial, nada público
4	Como você mede a qualidade?	Benchmark nomeado, dataset, versão, data	"Melhor acurácia da indústria" ou nenhuma métrica
5	O que acontece se você remover a IA?	"O produto não funciona sem ela"	"Continua funcionando, só fica menos inteligente"

As perguntas 1-2 testam especificidade e existência: o projeto consegue descrever e demonstrar sua IA? As perguntas 3-4 testam verificabilidade e rigor: um observador externo consegue inspecionar a evidência? A pergunta 5 testa centralidade: a IA é arquiteturalmente essencial ou cosmética?

Um projeto com respostas fortes a todas as cinco provavelmente terá um ai_score alto. Três ou mais respostas fracas merecem escrutínio rigoroso.

Guia de verificação passo a passo

Passo 1: Verifique o campo AI component

O campo AI component no Project Passport descreve a tecnologia de IA específica dentro do projeto. É o indicador mais rápido de substância.

Valores concretos como inference engine for LLM routing ou AI agent platform (workflows/tools/KB) dizem o que a IA realmente faz. Valores especiais sinalizam lacunas: positioning only significa que a IA aparece no marketing mas nenhum componente funcional foi confirmado; none ou unknown significa que nenhuma IA foi detectada nas fontes disponíveis. Esses não são veredictos permanentes; refletem a evidência disponível no momento da revisão. Veja Por que a ausência de evidência não é ausência de tecnologia.

Passo 2: Verifique o ai_score

O ai_score (0-3) quantifica quanta evidência verificável existe para as alegações de IA de um projeto. Faz parte da métrica DecAI Fit, calculado como min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) — cinco flags binárias limitadas a 3.

ai_score	Significado
0	Nenhuma presença de IA verificada. O DecAI Fit é forçado a zero.
1	Existe uma declaração de intenção Tier-1, mas nenhuma IA funcional verificada.
2	Evidência parcial: a IA é descrita e existem alguns artefatos ou demos.
3	Evidência forte: código público, benchmarks, documentação de arquitetura, demos funcionais.

Se ai_score = 0, a alegação de IA está atualmente sem fundamento. Isso não é uma acusação contra o projeto, mas nenhuma fonte Tier-1 confirma a alegação.

Passo 3: Procure por evidência Tier-1

A evidência Tier-1 consiste em artefatos mais próximos da realidade efetiva do projeto:

Repositórios de código públicos com código relacionado a IA: definições de modelo, scripts de treinamento, pipelines de inferência, não apenas um README.
Documentação técnica descrevendo a arquitetura do modelo, o pipeline de dados ou o design do sistema com versões e datas.
Artefatos de modelo como pesos publicados, model cards ou entradas no Hugging Face.
Benchmarks com metodologia, baselines de comparação, especificação de dataset e informações de versão.
Demos funcionais onde o AI component produz saídas observáveis e testáveis.

Tier-2 (descrições de agregadores, entrevistas) fornece contexto útil, mas não deve ser a única base para confirmar IA. Tier-3 (posts de influenciadores, artigos de PR, rumores) tem peso mínimo.

Passo 4: Cruze as alegações com os artefatos

Compare o que o projeto diz com o que pode ser verificado de forma independente. Um projeto que afirma "rede neural proprietária para predição em tempo real" deveria ter código, documentação ou ao menos uma demo que demonstre essa capacidade. Quando a linguagem de marketing é ambiciosa, mas os artefatos verificáveis são escassos, a própria lacuna é um sinal.

Red flags comuns

Certos padrões sugerem que as alegações de IA podem não ser reais. Nenhum deles, isoladamente, é uma acusação contra o projeto, mas cada um justifica investigação mais profunda.

IA apenas de marketing. "AI" no nome e no pitch deck, mas nenhuma arquitetura, nome de modelo ou pipeline de dados descritos em lugar algum. Esta é a forma mais comum de AI-washing.
Repositório vazio ou não relacionado. Existe um link do GitHub, mas ele não contém código relacionado a IA, nem releases, ou contém código não relacionado ao componente alegado.
Métricas sem metodologia. Alegações como "99% de acurácia" sem especificar benchmark, dataset, método de avaliação ou versão.
API wrapper puro. Toda a "IA" é uma chamada a uma API de terceiros sem lógica proprietária, fine-tuning ou processamento específico de domínio por cima.
Branding de IA pós-lançamento. "AI" foi adicionado ao nome do projeto depois do lançamento do token, sem mudanças técnicas correspondentes.
Sem versionamento ou cronologia. Alegações relacionadas a IA carecem de datas, números de versão ou histórico de desenvolvimento rastreável.
Evidência circular. O projeto cita seus próprios materiais de marketing como prova, ou referencia artigos que apenas repetem o press release do projeto.
Roadmap perpétuo. As funcionalidades de IA estão sempre "em breve", sem marcos entregues ou artefatos públicos, apesar de meses de existência.
Complexidade incompatível. O projeto afirma capacidades avançadas (inferência verificável, aprendizado federado), mas a equipe e a base de código não correspondem a essa complexidade.

Green flags comuns

Projetos com IA genuína compartilham características reconhecíveis. Quanto mais delas um projeto demonstra, mais provável é que suas alegações de IA sejam substantivas.

Alegações específicas e testáveis. O projeto nomeia a arquitetura do modelo, a abordagem de treinamento e as fontes de dados com detalhe suficiente para um revisor técnico avaliar.
Código ativo e relevante. Um repositório público com código de treinamento ou inferência de modelo, histórico de commits significativo, testes e atividade recente.
Métricas reproduzíveis. Os resultados de desempenho incluem nome do benchmark, dataset, metodologia, versão e data.
Documentação de arquitetura. A documentação técnica inclui design de sistema, fluxo de dados e autoria versionada que evolui ao longo do tempo.
Demos funcionais e testáveis. Uma aplicação ao vivo ou API pública que produz saídas de IA que qualquer pessoa pode testar de forma independente.
Equipe com históricos verificáveis em IA/ML. Artigos publicados, contribuições open-source ou histórico profissional verificável.
Model cards ou data sheets. O projeto segue práticas estabelecidas para documentar modelos: uso pretendido, limitações, dados de treinamento, resultados de avaliação.

Padrões do mundo real

Para desenvolver intuição, considere estes arquétipos contrastantes. Nenhum projeto específico é nomeado; o objetivo é reconhecer diferenças estruturais.

Padrão A: IA genuína com evidência forte. Repositório ativo com código de treinamento de modelo, scripts de avaliação e pipeline de inferência documentado. Benchmarks publicados com metodologia. Demo ao vivo produzindo saídas de IA observáveis. O ai_score é 3.

Padrão B: IA em estágio inicial com evidência parcial. A documentação oficial descreve o que a IA fará, com um roadmap incluindo marcos de IA. Existe um protótipo, mas não está acessível publicamente. Ainda sem benchmarks. O ai_score é 1-2. Isto não é AI-washing; é um projeto em estágio inicial em que a evidência ainda não se materializou.

Padrão C: AI-washing sem substância. "AI" em destaque no branding. O pitch deck menciona "redes neurais proprietárias". Nenhuma documentação técnica além do marketing. Sem repositório, demos, benchmarks ou artefatos de modelo. O ai_score é 0.

Padrão D: API wrapper apresentado como IA proprietária. O AI component consiste inteiramente em chamadas a um provedor terceiro. Sem fine-tuning, sem pipeline personalizado, sem processamento específico de domínio. Isto não é uma acusação contra o projeto, mas chamá-lo de "IA proprietária" distorce a realidade técnica. Veja Automação vs AI component real.

Como o DecAIHub resolve isso

O DecAIHub existe porque responder "esta IA é real?" não deveria exigir horas de pesquisa independente para cada projeto. A plataforma usa um framework estruturado para separar IA real de AI-washing.

DecAI Fit

O DecAI Fit é um índice composto (0-6) que mede quão bem um projeto se alinha aos princípios da IA Descentralizada. Ele combina quatro dimensões: AI reality, Onchain necessity, Token necessity e Evidence.

A regra crítica: se ai_score = 0, então DecAI Fit = 0 independentemente das outras dimensões. Nenhuma IA verificada significa que o projeto não atinge o limiar para a classificação de IA Descentralizada. Esta única regra elimina a forma mais comum de AI-washing do sistema de pontuação.

Flags de AI reality (AI_0 a AI_4)

A AI reality é construída a partir de cinco flags binárias, cada uma capturando uma camada de verificação progressivamente mais profunda:

Flag	O que verifica	Exemplo de evidência
AI_0	Declaração Tier-1 de intenção de IA	Roadmap ou documentação oficial mencionando planos de IA
AI_1	Descrição do que a IA faz	Documentação técnica explicando a função do modelo
AI_2	Demos ou exemplos funcionais	Demo pública, API ao vivo, saídas registradas
AI_3	Métricas e benchmarks	F1 score publicado em um dataset nomeado com versão
AI_4	Arquitetura e versões de modelo	Diagramas de arquitetura, model cards, histórico de versões

Todas as cinco flags em 1 significam evidência forte e multicamadas de IA real. Apenas AI_0 = 1 significa intenção declarada sem nada verificável ainda.

Sistema de evidências Tier-1, Tier-2, Tier-3

Cada alegação em um cartão de projeto é fundamentada em fontes classificadas:

Tier-1 (evidência): código, contratos, documentação oficial, auditorias, fatos on-chain. Maior peso.
Tier-2 (contexto): descrições de agregadores, catálogos de ecossistema, dashboards de análise, entrevistas. Útil para verificação cruzada, insuficiente como prova única.
Tier-3 (ruído): posts de influenciadores, artigos de PR, rumores, alegações sem fonte. Se existirem apenas fontes Tier-3, o DecAI Fit é limitado a 2.

Esta hierarquia garante que materiais de marketing por si só não possam elevar a avaliação de um projeto.

Detecção de AI-washing

O DecAIHub não atribui rótulos acusatórios ou absolutórios aos projetos. Em vez disso, mede a lacuna entre alegações e evidência. Quando as alegações de marketing excedem significativamente os artefatos verificáveis, essa lacuna fica visível no cartão: um use case de IA arrojado emparelhado com positioning only ou ai_score = 0 é um sinal mensurável e objetivo. O leitor tira suas próprias conclusões.

Checklist rápido de verificação

Verificação	Onde olhar	O que esperar
Especificidade do AI component	Campo AI component	Mecanismo concreto, não jargões
AI score	ai_score no DecAI Fit	Acima de 0 para qualquer IA verificada
Tier de evidência	Tabela de Evidence	Artefatos Tier-1 para alegações fortes
Existência de código	Repositórios vinculados	Código relacionado a IA com histórico de commits
Qualidade das métricas	Documentação, benchmarks	Metodologia, dataset, versão, data
Disponibilidade de demo	Links do produto, APIs públicas	Saídas de IA observáveis
Expertise em IA da equipe	Seção de equipe, artigos publicados	Histórico verificável em ML/IA
Versionamento	Documentação, changelog	Datas, números de versão, histórico

O que a verificação por si só não prova

Mesmo a verificação minuciosa tem limites:

Um ai_score alto não significa que a IA é boa. Significa que existem artefatos verificáveis. Qualidade é uma questão separada.
Um ai_score alto não significa que o projeto terá sucesso. Mérito tecnológico e viabilidade são dimensões diferentes.
Um ai_score baixo não é uma acusação contra o projeto. Alguns projetos têm tecnologia real, mas documentação ruim ou um modelo de desenvolvimento fechado.
A verificação reflete um ponto no tempo. As avaliações são datadas (Last verified) e atualizadas quando surge nova evidência.
A verificação de IA não avalia o modelo de negócio, a qualidade da equipe ou o ajuste ao mercado. Estes são relevantes, mas estão fora do escopo da avaliação de AI reality.

Perguntas frequentes

Com que rapidez consigo verificar se um projeto cripto tem IA real?

Uma verificação básica leva menos de cinco minutos usando o cartão de projeto no DecAIHub. Observe o campo AI component, o ai_score e o tier de evidência. Se o AI component diz positioning only e ai_score = 0, você já tem um sinal forte. Uma verificação mais profunda com o teste das cinco perguntas e a revisão do repositório leva de 15 a 30 minutos.

E se um projeto tem código de IA no GitHub mas nenhum produto funcional?

Código é um sinal positivo, mas precisa de contexto. Está sendo ativamente mantido? Está relacionado ao produto alegado? Um repositório com scripts de treinamento que não é atualizado há dois anos, ou que parece não ter relação com a funcionalidade declarada do projeto, é evidência mais fraca do que uma base de código ativa e bem documentada com CI/CD e commits recentes.

Ter uma demo prova que a IA é real?

Uma demo é evidência forte (ela ativa a flag AI_2), mas não é definitiva. Ela poderia usar uma API de terceiros nos bastidores ou exibir um protótipo limitado. A verificação mais forte combina uma demo com código, documentação e métricas: múltiplas camadas independentes contando uma história consistente.

Um projeto pode pontuar bem no DecAI Fit sem código open-source?

Sim. Código open-source é a evidência Tier-1 mais forte, mas não é a única. Um projeto pode alcançar um ai_score significativo por meio de documentação técnica detalhada, benchmarks publicados, demos funcionais e artefatos de modelo. No entanto, sem nenhuma evidência Tier-1, os limites de governança restringem a pontuação máxima.

Qual é a forma mais comum de AI-washing em cripto?

O padrão mais comum é a IA apenas de marketing: "AI" no nome e nos materiais, mas nenhuma descrição técnica, código, demos ou métricas. O segundo mais comum é o API wrapper: chamar um provedor de IA terceiro e apresentar isso como tecnologia proprietária sem fine-tuning ou lógica específica de domínio.

É possível um projeto ter IA real, mas um DecAI Fit baixo?

Sim. O DecAI Fit mede evidência verificável, não o estado real da tecnologia por trás de portas fechadas. Um projeto com IA sofisticada que não publica nada receberá uma pontuação baixa porque não há nada a verificar. O DecAI Fit recompensa a transparência por design. Quando esse projeto publica artefatos mais tarde, a pontuação é atualizada.

Ver também

Referências externas

Stanford HAI — Artificial Intelligence Index Report — dados anuais sobre o estado da pesquisa em IA e da adoção pela indústria.
OECD AI Policy Observatory — frameworks e definições internacionais de governança de IA.
MIT Technology Review — AI topic — reportagem acessível sobre avanços e tendências em IA.
Hugging Face — Model Cards — padrão de documentação para publicar informações de modelo e resultados de avaliação.
Papers With Code — benchmarks, datasets e resultados estado-da-arte em tarefas de IA.