1. Classifique o contexto do documento
Identifique se o texto é uma redação, um artigo de pesquisa, um artigo, um relatório de negócios, uma candidatura ou um documento interno antes de interpretar o risco de escrita com IA.
Metodologia
A WriteGo é construída em torno de fluxos de trabalho de integridade da escrita: pontuar o documento, mostrar as evidências, reduzir os falsos positivos e manter as pessoas no comando das decisões de alto risco.
Benchmark
A WriteGo publicou o protocolo de avaliação descrito abaixo, mas ainda não um relatório de desempenho auditável que sustente uma taxa de precisão exata. Até que a definição do conjunto de dados, o procedimento de teste versionado, os resultados por subgrupos e os materiais reproduzíveis sejam públicos, as pontuações do detector devem ser tratadas como sinais probabilísticos de revisão.
Versão do conteúdo da metodologia 2026-07-15 · revisado por produto e engenharia da WriteGo · rascunho de protocolo público, resultados de desempenho auditáveis pendentes.
Nenhuma média de benchmark pode comprovar como um documento individual foi escrito. Comprimento do texto, idioma, edição, tradução, gênero, mudanças de modelo e autoria mista podem alterar o sinal, por isso ações de alto impacto exigem contexto independente e revisão humana.
Nota de atualização: Esta revisão separa o protocolo público de avaliação das afirmações de desempenho ainda não publicadas. Os resultados numéricos só serão adicionados junto com a definição do conjunto de dados, um procedimento de teste versionado, resultados por subgrupos e materiais reproduzíveis.
A saída do detector é evidência de revisão, não um julgamento final. Os relatórios mostram sinais ao nível da frase, faixas de confiança e notas do revisor para que as equipes possam tomar decisões defensáveis.
O protocolo público exige famílias de modelos versionadas, amostras de autoria mista, rascunhos editados, escrita humana, texto multilíngue e prosa específica de domínio. Os resultados de desempenho permanecem pendentes até que os materiais de apoio sejam auditáveis.
O produto prefere faixas de risco transparentes em vez de acusações absolutas. Fluxos sólidos combinam sinais de probabilidade de IA com o contexto da fonte, o histórico de escrita, os rascunhos e as políticas.
O tratamento de envios, o acesso e a retenção devem seguir a política de privacidade publicada, as configurações da conta e o fluxo de trabalho configurado. Os revisores devem evitar enviar texto sensível sem verificar os controles aplicáveis.
Fluxo de revisão
A metodologia separa a triagem do julgamento. Os revisores devem entender o que foi analisado, por que um trecho foi sinalizado, quais padrões de falsos positivos se aplicam e qual ação baseada em políticas é apropriada.
Identifique se o texto é uma redação, um artigo de pesquisa, um artigo, um relatório de negócios, uma candidatura ou um documento interno antes de interpretar o risco de escrita com IA.
Use a pontuação ao nível do documento para a triagem e depois inspecione as evidências da frase ou do parágrafo que causaram a faixa de risco.
Verifique se o texto é curto, traduzido, baseado em modelo, escrito por um não nativo, muito editado ou com muitas citações antes de escalar um resultado.
Registre o prompt, a tarefa, o material de origem, os rascunhos, as notas do revisor e o limite de política que moldaram a decisão final.
Aceite o texto, solicite revisão, peça divulgação, escale para revisão ou descarte o sinal quando as evidências de apoio forem fracas.
Limitações
Uma detecção de IA confiável é transparente quanto à incerteza. A WriteGo evita apresentar uma única pontuação como veredito final.
Ainda não. A WriteGo publicou sua abordagem de avaliação, mas um relatório de benchmark versionado com definições do conjunto de dados, resultados por subgrupos e materiais reproduzíveis continua pendente. Por isso não apresentamos uma taxa de precisão exata como afirmação pública verificada. A saída do detector continua sendo evidência probabilística de revisão, não prova de autoria individual.
Não. A WriteGo trata a saída da detecção de IA como evidência de revisão, não como prova. Decisões de alto risco devem incluir rascunhos, fontes, políticas e julgamento humano.
A metodologia explica como as pontuações são calibradas, quais evidências os revisores veem, como os falsos positivos são tratados e quando um resultado deve ser escalado.
As equipes devem inspecionar os trechos sinalizados, comparar o contexto de apoio, verificar padrões de falsos positivos, documentar as notas do revisor e escolher uma próxima ação baseada em políticas.