Resumo: Um relatório da Anthropic descreveu uma operação que usou inteligência artificial para publicar quase 9 mil artigos em dezenas de sites falsos, inclusive com conteúdo voltado ao Brasil. O caso mostra por que aparência profissional, repetição e posição no buscador já não bastam para avaliar uma notícia — e como a leitura lateral pode melhorar nossas decisões.
Imagine procurar uma informação e encontrar a mesma história em vários sites, assinada por jornalistas diferentes e repercutida por dezenas de perfis. A repetição transmite uma sensação poderosa: se tanta gente publicou, deve ser verdade.
Em setembro de 2026, um relatório de inteligência de ameaças da Anthropic mostrou como essa aparência de consenso pode ser fabricada. Segundo a empresa, uma operação comercial usou o Claude para produzir e reescrever histórias políticas distribuídas por aproximadamente 70 sites falsos. A rede incluía 70 contas correspondentes no X e mais de 250 perfis de comentários não autênticos.
A operação publicou pelo menos 8.913 artigos em cerca de 20 idiomas. O Brasil estava entre os países visados, ao lado de Estados Unidos, França e República Democrática do Congo. A Anthropic afirma ter encerrado as contas relacionadas antes que a rede alcançasse grande audiência autêntica.
Esses dados vêm de uma investigação da própria fornecedora do modelo. Eles merecem atenção, mas não equivalem a uma auditoria pública completa de todos os casos. O relatório reconhece limites de visibilidade depois que o conteúdo deixa sua plataforma. Essa ressalva é importante: aprender a lidar com informação exige examinar também a natureza da evidência que sustenta cada afirmação.
O problema não é apenas criar uma notícia falsa
Desinformação é conteúdo falso ou enganoso difundido com a intenção de manipular. Ela não começou com a IA. O que muda é a capacidade de produzir rapidamente textos, perfis, imagens e variações de uma narrativa para públicos diferentes.
A Anthropic classifica o caso como influence-as-a-service, ou influência como serviço. Em vez de defender uma ideologia constante, o operador comercial ajustava a posição dos textos de acordo com o cliente. A mesma história podia ser reescrita em direções políticas opostas, ganhar uma interpretação que não existia na fonte original ou ser transportada para outro país sem o contexto inicial.
O relatório também descreve um fluxo técnico padronizado: respostas em formato estruturado, artigos em HTML, limites definidos de caracteres e links internos inseridos para favorecer os mecanismos de busca. Nomes de repórteres inexistentes e fotografias produzidas por IA ajudavam a dar aparência de redação jornalística.
Portanto, o produto não era apenas um texto falso. Era uma infraestrutura de credibilidade aparente. Sites, autores, perfis e comentários reforçavam uns aos outros. Quando várias páginas pertencem ao mesmo operador, contar quantas repetem uma alegação não significa encontrar confirmação independente.
Por que a aparência profissional deixou de ser um atalho confiável
Durante muito tempo, alguns sinais ajudaram a formar uma primeira impressão: escrita correta, página bem organizada, biografia do autor, referências e presença em buscadores. Todos ainda podem oferecer pistas, mas se tornaram muito mais fáceis de fabricar.
Uma página pode exibir logotipo, editorias, fotografias e dezenas de matérias sem manter práticas jornalísticas reais. Um autor pode ter nome, retrato e biografia sem existir. Links internos podem formar um circuito no qual páginas controladas pela mesma rede citam umas às outras.
Isso não significa desconfiar de tudo. A desconfiança indiscriminada paralisa e pode beneficiar quem deseja destruir qualquer referência comum. A alternativa é trocar sinais superficiais por um processo de verificação: quem está por trás da publicação, que evidência sustenta a alegação e quais fontes independentes confirmam o acontecimento?
Leia para os lados antes de ler até o fim
Sam Wineburg e Sarah McGrew compararam como historiadores, estudantes universitários e verificadores profissionais avaliavam sites. Os verificadores faziam algo diferente: saíam rapidamente da página e abriam outras abas para investigar a fonte, suas relações e a cobertura disponível. Os pesquisadores chamaram essa prática de leitura lateral.
Os historiadores e estudantes, apesar de sua formação, permaneciam mais tempo dentro do próprio site e podiam ser influenciados por logotipos e domínios com aparência oficial. Os verificadores chegaram a conclusões mais justificadas em menos tempo.
O valor dessa estratégia aumentou na era da IA. Ler profundamente uma única página pode apenas nos tornar especialistas na história que o operador decidiu contar. Antes desse investimento, precisamos descobrir se a página merece nossa atenção.
Um protocolo de cinco minutos
O processo abaixo adapta a leitura lateral ao cotidiano. Ele não garante certeza absoluta, mas reduz o risco de compartilhar ou usar uma alegação sem base suficiente.
| Movimento | Pergunta prática | Ação |
|---|---|---|
| 1. Pare | A mensagem tenta provocar reação imediata? | Não compartilhe, não responda e não tome decisão enquanto a origem estiver incerta. |
| 2. Isole a alegação | O que exatamente está sendo afirmado? | Transforme o texto em uma frase verificável, separando fato, interpretação e opinião. |
| 3. Investigue a fonte | Quem mantém o site e quem é o autor? | Pesquise o nome da publicação fora dela. Procure responsáveis, histórico, correções e vínculos. |
| 4. Procure cobertura independente | Outras fontes realmente apuraram o fato? | Compare veículos reconhecidos, órgãos oficiais e especialistas pertinentes. Não conte cópias do mesmo texto como novas confirmações. |
| 5. Volte à origem | Existe documento, estudo, vídeo completo ou declaração original? | Confira data, contexto, metodologia e diferença entre o material original e a versão compartilhada. |
Um alerta importante: perguntar a outro chatbot se a notícia é verdadeira não produz automaticamente uma fonte independente. Modelos podem reproduzir o mesmo erro, trabalhar com informação desatualizada ou apresentar uma resposta plausível sem evidência suficiente. A IA pode ajudar a identificar alegações e sugerir caminhos de busca; a comprovação precisa chegar a fontes verificáveis.
No trabalho, velocidade sem verificação vira risco
Uma notícia falsa não precisa tratar de política para causar danos. Pode anunciar uma mudança regulatória inexistente, atribuir uma decisão a um concorrente, inventar uma vulnerabilidade de software ou distorcer uma pesquisa sobre saúde e segurança.
Quando o conteúdo entra em uma apresentação, relatório ou decisão gerencial, a organização passa a emprestar sua credibilidade à afirmação. Por isso, materiais que influenciam pessoas, recursos ou reputação deveriam registrar a fonte original, a data da consulta e o responsável pela revisão.
Para equipes que usam IA na pesquisa, uma regra simples ajuda: cada afirmação externa relevante deve ter uma evidência que outra pessoa consiga abrir e avaliar. Uma lista de links produzida pelo modelo não basta; os links precisam existir, corresponder à alegação e apresentar o contexto utilizado.
Na educação, verificar precisa ser uma prática
Ensinar apenas que “a IA pode errar” tem alcance limitado. O estudante precisa experimentar o processo de reconhecer uma afirmação, buscar outra cobertura e retornar à origem.
Um estudo publicado em 2026 na revista Computers and Education Open avaliou mensagens de inoculação — pequenos avisos prévios sobre riscos e estratégias de proteção — no uso educacional do ChatGPT. O alerta genérico aumentou o comportamento de verificação em uma tarefa de resumo de fonte acadêmica, embora não tenha produzido efeito significativo na intenção declarada de verificar.
O resultado sugere uma diferença importante entre concordar com a necessidade de checar e realmente checar. Em sala, a avaliação pode valorizar o caminho da evidência: quais buscas foram feitas, por que uma fonte foi considerada independente e que trecho do documento original sustenta a conclusão.
Em outro estudo, um programa de seis aulas de 50 minutos baseado em leitura lateral foi testado com cerca de 500 estudantes do ensino médio. O grupo que recebeu a formação melhorou sua capacidade de identificar sites duvidosos, embora os pesquisadores tenham ressaltado que ainda havia espaço considerável para evolução.
Autonomia digital é uma forma de desenvolvimento pessoal
Desenvolver pensamento crítico não é transformar cada leitura em uma investigação interminável. É aprender a distribuir atenção de acordo com o risco. Uma curiosidade sem consequência exige menos esforço do que uma informação que orientará voto, saúde, dinheiro, trabalho ou reputação.
Também envolve reconhecer nossos atalhos mentais. Tendemos a aceitar com menos resistência aquilo que confirma nossas opiniões, chega por alguém conhecido ou aparece repetidas vezes. Redes coordenadas exploram precisamente esses mecanismos.
Uma boa pergunta pessoal é: “Que evidência me faria mudar de ideia?”. Se nenhuma resposta for possível, talvez já não estejamos avaliando uma informação, mas protegendo uma identidade ou uma posição.
A resposta não é descobrir se o texto foi escrito por uma máquina
Um detector estima se um texto foi gerado por IA; isso não demonstra a veracidade de cada alegação. Conteúdo escrito por uma pessoa também pode ser falso, e conteúdo apoiado por IA pode ser correto e bem apurado.
A pergunta decisiva não é “foi a IA que escreveu?”, mas “há evidência suficiente para confiar e agir?”. Autoria e transparência importam, porém não substituem apuração.
O caso dos 70 sites mostra uma mudança de escala. Uma operação pode fabricar redações, jornalistas e sinais sociais com pouco tempo e custo. Mas também mostra um limite: segundo a Anthropic, a maior parte do conteúdo da rede teve pouco engajamento autêntico. Produzir milhares de páginas não garante convencer pessoas reais.
A vantagem continuará com quem souber interromper o impulso, sair da página e reconstruir o caminho da informação. Em um ambiente capaz de fabricar consenso, verificar a independência das fontes tornou-se parte da autonomia intelectual.
Referências
- Anthropic. Detecting and countering misuse of AI: September 2026. Publicado em 10 set. 2026.
- Wineburg, Sam; McGrew, Sarah. Lateral Reading and the Nature of Expertise: Reading Less and Learning More When Evaluating Digital Information. Teachers College Record, 2019.
- Student engagement with ChatGPT for educational tasks: Effects of inoculation training on verification intentions and behavior. Computers and Education Open, v. 10, 2026, art. 100335.
- Stanford Graduate School of Education. It doesn’t take long to learn how to spot misinformation online, Stanford study finds. 19 abr. 2022.
Quer receber mais guias práticos sobre IA e trabalho?
Assine a newsletter e receba conteúdos objetivos para aplicar no trabalho e na carreira.
Quero receber os conteúdos
Mestre em Educação Profissional e Tecnológica, engenheiro de software e profissional de transformação digital. Produz conteúdos sobre inteligência artificial, carreira e desenvolvimento pessoal e profissional.