AI Slop

AI slop, muitas vezes abreviado para slop, é conteúdo digital de baixa qualidade produzido em massa com IA generativa e pouca atenção humana: artigos de enchimento, imagens inquietantes, vídeos narrados com imagens de arquivo e músicas geradas por máquinas, publicados para captar tráfego de pesquisa, envolvimento ou receitas publicitárias. A Merriam-Webster escolheu slop como palavra do ano de 2025, definindo-a como «conteúdo digital de baixa qualidade, geralmente produzido em quantidade por meio de inteligência artificial», e o Macquarie Dictionary escolheu «AI slop» para o mesmo ano. O que torna um conteúdo slop é a forma e a razão por que é criado — a um custo quase nulo e em grande volume —, não um erro específico que contenha.

Origem do termo#

Slop significava originalmente lama mole e, mais tarde, restos de comida dados aos porcos. Em maio de 2024, o programador Simon Willison defendeu que slop devia passar a designar conteúdo indesejado gerado por IA, tal como spam passou a designar correio eletrónico indesejado, e atribuiu a ideia ao autor online deepfates, que notou a palavra a transformar-se num termo técnico. No mesmo ano, os feeds do Facebook encheram-se de imagens surreais de texto para imagem, como «Shrimp Jesus» — imagens de Jesus fundido com camarões —, publicadas por páginas à procura de envolvimento; em 2025, a palavra já abrangia também vídeos, músicas, livros e textos académicos produzidos por IA.

Por que o AI slop se espalha#

Slop é um produto económico. Um modelo de linguagem grande (LLM) ou um gerador de imagens baseado em modelos de difusão pode produzir milhares de publicações pelo custo de uma peça criada por uma pessoa, enquanto os feeds ordenados por um sistema de recomendação e as redes de publicidade pagam pela atenção, independentemente de quem ou do que produziu o conteúdo. Quem o produz só precisa que uma pequena parte das publicações tenha sucesso:

O padrão já aparece por toda a Web:

• Fábricas de conteúdo e spam de pesquisa: Os sites produzem em massa páginas escritas por LLM para aparecerem nos resultados de consultas. As políticas de spam da Google definem o abuso de conteúdo em escala como a geração de muitas páginas que acrescentam pouco valor aos utilizadores, «independentemente de como são criadas», visando o volume e o propósito do slop, e não a ferramenta utilizada.
• Plataformas de streaming: Em setembro de 2025, o Spotify disse que havia removido mais de 75 milhões de faixas de spam nos 12 meses anteriores, e o YouTube renomeou sua regra de monetização de “conteúdo repetitivo” para “conteúdo inautêntico” em julho de 2025 para abranger vídeos produzidos em massa.
• Publicação científica: Uma análise de quase 951.000 artigos constatou que até 17,5% dos resumos de ciência da computação apresentavam sinais de modificação por LLM até fevereiro de 2024. Submissões de baixo esforço com referências inventadas sobrecarregam a revisão por pares.

AI Slop vs. termos relacionados#

• Alucinação: Uma afirmação falsa ou sem fundamento na saída de um modelo. Slop descreve como o conteúdo é produzido e usado; por isso, um artigo preciso, mas inútil, ainda é slop, e um artigo revisado cuidadosamente pode conter uma alucinação.
• Deepfakes: Mídia sintética criada para fazer uma pessoa real parecer dizer ou fazer algo. Em geral, o slop busca chamar atenção, em vez de enganar o público sobre uma pessoa ou acontecimento específico.
• Colapso de modelo: A degradação de modelos treinados repetidamente com conteúdo gerado. O slop extraído da web e incluído nos dados de treinamento é uma das formas de iniciar esse ciclo; por isso, pipelines de limpeza de dados para conjuntos de dados na escala da web eliminam duplicatas de amostras quase idênticas e filtram as de baixa qualidade.
• Dados sintéticos: Dados gerados intencionalmente, filtrados e validados para treinar modelos; são a contraparte controlada do slop.

Detecção e filtragem de AI Slop#

Os sinais de procedência são as evidências mais confiáveis quando estão disponíveis. A marca-d'água de IA incorpora um sinal detectável no momento da geração, e as Credenciais de Conteúdo (C2PA) adicionam metadados assinados que registram qual ferramenta criou ou editou um arquivo, permitindo que as plataformas rotulem o conteúdo cujo gerador cooperou. Nenhum dos dois recursos ajuda com saídas de ferramentas que não adicionam marcas, e os metadados se perdem quando um arquivo é recodificado ou capturado em uma captura de tela.

Os classificadores que avaliam o conteúdo depois de produzido preenchem essa lacuna com resultados variados. Os detectores de texto escrito por IA têm um histórico ruim: a OpenAI retirou seu próprio classificador de texto em julho de 2023, depois que ele identificou corretamente apenas 26% dos textos escritos por IA. As imagens são mais fáceis de detectar, porque os geradores deixam rastros estatísticos; alguns são visíveis para as pessoas, como letras distorcidas ou mãos malformadas, que ajudam os leitores a identificar se uma imagem foi gerada por IA, e os modelos detectam rastros mais sutis. Um modelo de classificação Ultralytics YOLO26 treinado com imagens reais e geradas rotuladas pode sinalizar imagens provavelmente geradas por IA para revisão humana. Esses detectores precisam acompanhar os novos geradores: um classificador treinado com imagens de uma GAN generalizou para outros geradores baseados em CNN quando treinado com desfoque e aumento de dados JPEG; no entanto, detectores treinados com GAN falharam com imagens de modelos de difusão latente, e criar o detector com recursos de CLIP aumentou a precisão em cerca de 26 pontos percentuais para geradores de difusão e autorregressivos não vistos.