Estudo de caso empresarial marcado como IA? SWOT, Five Forces e dois tipos de semelhança

Quando uma turma inteira entrega documentos parecidos, a primeira preocupação costuma ser plágio. Esse reflexo aponta para o relatório errado. Você provavelmente tem dois números na mão, e eles não medem a mesma coisa.

Um framework faz duas coisas com o seu texto. Entrega um vocabulário fixo numa ordem fixa, e é por isso que os seus parágrafos parecem os dos seus colegas. E transforma o seu relatório num conjunto de espaços paralelos, e é por isso que os seus próprios cinco parágrafos parecem iguais entre si.

Só o segundo é aquilo a que uma porcentagem de escrita por IA foi feita para reagir. A descrição publicada pela Turnitin sobre a pontuação de IA é um processo por envio: o arquivo é cortado em segmentos sobrepostos, cada segmento recebe uma probabilidade, as pontuações das frases são reunidas e agregadas. Nada disso compara o seu documento com o de outra pessoa. A comparação com outros trabalhos é o outro número, a pontuação de similaridade, definida em relação a "Turnitin's comprehensive collection of content" (todo o acervo abrangente de conteúdo da Turnitin), e o fornecedor afirma que os dois são "completely independent and do not influence each other" (completamente independentes e não influenciam um ao outro).

Há uma terceira coisa que vale saber antes de você mexer em qualquer coisa, e é a que surpreende as pessoas: num estudo de caso cheio de frameworks, a maior parte do que você escreveu simplesmente não está sendo avaliada. A porcentagem é calculada sobre frases de prosa. Por essa definição, uma matriz SWOT, um PESTEL em tópicos e uma lista de títulos das cinco forças não são frases de prosa.

Vale separar as duas antes de decidir qualquer coisa, porque estudantes costumam levar a primeira preocupação ao segundo relatório.

Dois detalhes do lado da similaridade que são específicos da linguagem de framework. Primeiro: os rótulos de framework são curtos. O guia de filtros de exclusão da Turnitin documenta uma configuração para correspondências pequenas: "By default, the threshold is 8 words, meaning that only matches 8 words or longer appear in the Similarity Report. You can increase this number, but 8 words is the minimum allowed value." (Por padrão, o limite é de 8 palavras, o que significa que apenas correspondências de 8 palavras ou mais aparecem no Similarity Report. Você pode aumentar esse número, mas 8 palavras é o valor mínimo permitido.) Conte as suas próprias strings de framework contra isso. "Threat of new entrants" tem quatro palavras. "Bargaining power of buyers" tem quatro. «Forças, fraquezas, oportunidades e ameaças» tem cinco. A configuração não está disponível na versão clássica do relatório, e também não cabe a você ligá-la ou desligá-la. Oito palavras é o padrão depois que alguém ativa o filtro, não um piso que vale independentemente de alguém ter ativado — mas ainda assim diz a você que tamanho de correspondência o fornecedor trata como ruído.

Segundo: do lado da IA, o modelo não está procurando frases compartilhadas. O FAQ diz que os classificadores "are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers" (são treinados para detectar essas diferenças de probabilidade de palavras e dominam as sequências particulares de probabilidade de palavras de quem escreve como humano), e, em outro ponto, que o modelo "is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions" (não é explicitamente programado para avaliar sinais específicos como 'burstiness,' ou 'perplexity,' ou outras métricas individuais às vezes citadas em discussões públicas). Relatório de Escrita por IA da Turnitin x Relatório de Similaridade mostra a separação completa, se você tiver os dois números na sua frente.

O FAQ é explícito sobre o que é analisado:

"This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures." (Este texto elegível inclui apenas frases de prosa, o que significa que analisamos apenas blocos de texto escritos em frases gramaticais padrão e não incluímos outros tipos de escrita, como listas, marcadores — estruturas curtas que não são frases — ou outras estruturas que não são frases.)

E sobre do que é a porcentagem:

"As noted previously, this percentage is not necessarily the percentage of the entire submission. If text within the submission is not considered long-form prose text, it will not be included." (Como observado antes, esta porcentagem não é necessariamente a porcentagem de toda a submissão. Se um texto dentro da submissão não for considerado texto de prosa longa, ele não será incluído.)

Agora percorra um relatório de caso de MBA normal e marque o que sobrevive a essa definição.

Essa tabela tem duas consequências, e o número na sua tela não mostra nenhuma delas.

A sua porcentagem e a do seu colega não são comparáveis se vocês organizaram a mesma análise de formas diferentes. Mesmo conteúdo de PESTEL, um em marcadores e outro em frases completas dentro de uma tabela, e vocês estarão sendo avaliados sobre quantidades diferentes de texto.

E o que sobra de prosa elegível num relatório cheio de matrizes pode ser pequeno. Isso importa por causa do que o FAQ diz sobre quantidades pequenas de texto: "In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap." (Em documentos mais curtos, com apenas algumas centenas de palavras, a previsão será basicamente 'all or nothing', porque estamos prevendo sobre um único segmento, sem a oportunidade de sobreposição.) Abaixo de 300 palavras de texto em prosa, nenhum relatório de escrita por IA é produzido. Se o seu estudo de caso de 3.000 palavras é na maior parte quadros e marcadores, a porcentagem que você está vendo pode ter sido calculada sobre o comentário de ligação e pouco mais. Que conteúdo a IA da Turnitin ignora? cobre as exclusões em geral; o ponto aqui é que layouts de framework mudam o denominador mais do que quase qualquer outro formato de trabalho.

A Turnitin publica uma descrição do texto em que os seus falsos positivos incidem:

"Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (Às vezes os falsos positivos — marcar incorretamente texto escrito por um humano como gerado por IA — podem incluir conteúdo sem muita variação estrutural, texto que se repete literalmente, ou texto que foi parafraseado sem desenvolver novas ideias.)

A prosa de framework chega a essa descrição honestamente, e por motivos que não têm nada a ver com quem escreve.

O vocabulário é fixado pela fonte. O Institute for Strategy and Competitiveness da Harvard Business School publica as cinco forças exatamente com estes nomes: Threat of New Entrants, Bargaining Power of Suppliers, Bargaining Power of Buyers, Threat of Substitute Products or Services, Rivalry Among Existing Competitors. Michael Porter as apresentou pela primeira vez num artigo de 1979 da Harvard Business Review. Essas strings não são suas para variar, e nenhum avaliador quer que você as varie.

A ordem é convenção, não doutrina. A própria página do ISC lista os substitutos primeiro e os novos entrantes em quarto, que não é a ordem do parágrafo acima. O que é fixo é a frase que fecha cada bloco. O movimento característico é um veredito numa moldura fixa: força, classificação, uma oração de justificativa. Faça isso cinco vezes e você terá escrito cinco frases com estrutura idêntica e substantivos trocados, o que é uma descrição justa de "content without a lot of structural variation" (conteúdo sem muita variação estrutural na escrita).

Também verifiquei se algo disso está documentado como caso especial.

O que eu contei. Em 27 de agosto de 2026 li o texto renderizado das três páginas da Turnitin que definem o AI Writing Report: Using the AI Writing Report (6.492 caracteres), o FAQ de capacidades de detecção de escrita por IA (30.987) e as notas de lançamento do AI writing detection model (9.233). Pesquisei nas três: `SWOT` 0 · `PESTEL` 0 · `PESTLE` 0 · `Porter` 0 · `case study` 0 · `business` 0 · `marketing` 0 · `discipline` 0 · `genre` 0. A única ocorrência de `framework` é o fornecedor descrevendo o próprio framework de testes. Verificação de sensibilidade no mesmo texto: `prose` 13 · `qualifying` 15 · `bibliograph` 4. `subject area` retorna três vezes, todas na página do FAQ e todas descrevendo a amostra de treinamento: uma vez como "academic writing across geographies and subject areas" (escrita acadêmica em diferentes geografias e áreas de assunto), e duas vezes numa lista repetida de "less common subject areas such as anthropology, geology, sociology, and others" (áreas de assunto menos comuns, como antropologia, geologia, sociologia e outras).

Ou seja, não há exceção para escolas de negócios, em nenhum dos dois sentidos. O modelo não distingue um estudo de caso de um relatório de laboratório, e a documentação não afirma que ele distinga.

A parte de framework de um estudo de caso deve ser intercambiável. É essa a ideia inteira de um framework. A análise é a parte que só você poderia ter escrito, e na maioria dos relatórios as duas estão no mesmo parágrafo, no mesmo registro, e é isso que torna o documento uniforme.

Movimentos concretos que separam as duas coisas:

1. Coloque o veredito e o raciocínio em formas de frase diferentes. Se a frase de classificação é uma moldura fixa, deixe que ela seja uma, e não escreva a frase seguinte também em moldura fixa. Uma linha curta e direta de classificação seguida de um parágrafo argumentativo mais longo soa de forma diferente de cinco híbridos idênticos.
2. Nomeie o número, a data e a fonte. Uma frase que amarra o poder dos fornecedores aos dois fabricantes contratados citados nominalmente no seu próprio Exhibit 4, e ao ano em que o segundo foi adquirido, carrega informação que «o poder do fornecedor é alto devido à concentração da indústria» não carrega. A segunda frase pode ser escrita sobre qualquer setor por qualquer pessoa que não leu nada.
3. Diga onde o framework falha para esta empresa. Um parágrafo explicando que a força dos substitutos é quase sem sentido num mercado regulado com monopólio estatutário é análise. Classificá-la como «baixa» e seguir em frente é preencher formulário.
4. Abra mão de uma caixa e justifique a omissão numa frase. Tratar com a mesma extensão forças que não têm a mesma importância é exatamente a estrutura plana que o fornecedor descreve, e gasta a mesma quantidade de palavras numa força que vale uma frase e numa que vale uma página.
5. Escreva a recomendação antes dos frameworks e depois verifique se eles a sustentam. Relatórios montados a partir do framework tendem a terminar com uma conclusão que repete as caixas. Uma nota de lançamento da Turnitin de 2023 observou falsos positivos concentrados na primeira e na última frase dos documentos, "written in a generic way" (escritas de forma genérica), e a lógica de detecção foi alterada para reduzir isso; o hábito de escrita por trás não desapareceu. Por que introduções e conclusões são marcadas como IA traz a nota de lançamento na íntegra.

Não vou dizer a você o que uma porcentagem faz depois, e ninguém honesto dirá. O que a lista acima descreve é quais parágrafos de um estudo de caso são seus e quais pertencem ao framework, e essa linha vale a pena ser traçada haja ou não um detector envolvido.

Suponha que o relatório voltou e algo precisa mudar. A ordem importa, porque um estudo de caso é um dos documentos mais fáceis de estragar ao reescrever.

1. Leia as marcações, não a porcentagem. Onde as marcações caem diz a você se o modelo reagiu ao seu comentário de ligação ou à sua recomendação. O número não diz.
2. Deixe os rótulos de framework em paz. Eles são termos técnicos. Quem corrige para ver se você aplicou Porter corretamente quer ver os cinco nomes.
3. Deixe os quadros, índices e números em paz. Eles não são prosa elegível e são a parte do documento onde um erro é fatal.
4. Comece pelos parágrafos de análise. Eles são a parte que uma reescrita pode legitimamente tocar, e se o relatório saiu uniforme eles também são a parte que já estava rasa desde o início.
5. Revise tudo o que você mexeu. Cada parágrafo que muda é um parágrafo que você agora precisa conferir contra os números dos seus próprios quadros. Esse custo, não a reescrita, é o que torna caras as passagens pelo documento inteiro.

O ponto cinco é a razão pela qual o escopo importa mais do que qualquer outra coisa numa ferramenta. A ferramenta HumanPen trabalha no arquivo, não num trecho colado: um DOCX sobe e um DOCX editável volta, com a estrutura, a terminologia, as citações, o layout e os estilos como estavam. Para um relatório cheio de tabelas e quadros, essa é a diferença entre um trabalho e uma tarde de reformatação. Ou você marca as passagens você mesmo, ou aponta a ferramenta para o relatório de IA que já recebeu da Turnitin ou do iThenticate e deixa ela escolher as marcadas; de um jeito ou de outro, ela reescreve aquelas e deixa todo o resto em paz. Um parágrafo é a menor coisa que ela toca, e a seleção ampliada é colocada na sua frente para aprovação primeiro, para você saber exatamente quantos parágrafos aceitou reler. Passagens elegíveis podem ser reprocessadas sem custo.

Trinta de nós escreveram a mesma SWOT. Isso vai aparecer como IA? Não por esse mecanismo. A porcentagem de escrita por IA é descrita como uma classificação, por envio, do seu próprio texto em segmentos sobrepostos, não como uma comparação com outras submissões, e o FAQ afirma que existe "no separate repository for AI writing detection" (nenhum repositório separado para detecção de escrita por IA). Texto compartilhado com outros trabalhos é o lado da similaridade, que é um número diferente, com os seus próprios filtros.

A própria matriz SWOT é avaliada? Marcadores e outras estruturas que não são frases estão documentados como fora da análise. Frases de prosa completas dentro de uma tabela são um caso diferente: uma nota de lançamento de agosto de 2023 diz que prosa longa em tabelas agora é processada, com submissões existentes precisando de reenvio para serem reprocessadas. Assim, o mesmo PESTEL pode entrar ou sair do denominador dependendo de como você o montou.

O meu estudo de caso voltou com 100%. São só 900 palavras de prosa de verdade. Essa combinação vale ser lida contra a própria ressalva do FAQ sobre texto curto: "In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap." (Em documentos mais curtos, com apenas algumas centenas de palavras, a previsão será basicamente 'all or nothing', porque estamos prevendo sobre um único segmento, sem a oportunidade de sobreposição.) Um relatório cheio de matrizes pode ter muito menos prosa elegível do que a sua contagem total de palavras sugere. Documentos curtos e o problema do tudo ou nada na Turnitin explica a mecânica dos segmentos.

Devo parar de usar frameworks? Não, e os seus critérios de avaliação provavelmente os exigem. O que você pode mudar é a proporção: menos espaço rotulando as caixas, mais espaço no julgamento que as caixas deveriam sustentar. Isso dá um relatório melhor e, ao mesmo tempo, menos uniforme.

Posso simplesmente levar a porcentagem ao meu orientador e argumentar que é um falso positivo? Você pode levantar o assunto, e a própria formulação do fornecedor ajuda. O guia de uso do relatório de escrita por IA diz que o indicador "may not always be accurate" (pode nem sempre ser preciso) e "should not be used as the sole basis for adverse actions against a student" (não deve ser usado como única base para medidas adversas contra um estudante). O FAQ de detecção, na passagem sobre falsos positivos, recomenda levar texto estruturalmente uniforme "into consideration when looking at the percentage indicated" (em consideração ao analisar a porcentagem indicada). Nada disso é prova de quem escreveu o documento. O que uma taxa de falsos positivos de 1% significa quando uma universidade submete 75.000 trabalhos é a versão honesta da aritmética.