Como reduzir a pontuação de detecção de IA no fluxo de trabalho de geração de conteúdo do n8n?

Ajude-me a construir meu fluxo de trabalho
1

## Meu Problema
Estou construindo um workflow de geração de conteúdo no n8n que cria artigos de blog.
Atualmente recebendo scores de detecção de IA de 60-95%. Preciso reduzir para menos de 20%
usando apenas ferramentas GRATUITAS (sem orçamento para humanizadores pagos).

Minha Configuração Atual

  • Groq (8 modelos de chat)
  • Google Gemini 2.0 Flash
  • Nós de código JavaScript para limpeza
  • HuggingFace (tentei, pouco confiável)

Estrutura do Workflow

  1. Rascunho do artigo (Groq llama-3.3-70b)
  2. Passe de Humanização 1 (Gemini)
  3. Injetor de caos JS
  4. Limpeza final (JS)
  5. Enviar para Telegram

O Que Já Tentei

  • Prompts humanizadores customizados (tom acadêmico + casual)
  • Substituição de palavras (utilize→use, etc.)
  • Variabilidade de sentenças
  • Reescrita multi-modelo
  • Adição de palavras de proteção

Resultados Atuais

  • Detecção de IA: 58-95% (varia)
  • Testado em: zerogpt.com

O Que Preciso

Técnicas de workflow gratuitas ou templates que consistentemente alcancem menos de 20% de score de IA
mantendo qualidade profissional.

Perguntas

  1. Alguém conseguiu baixa detecção de IA com ferramentas gratuitas?
  2. Existem técnicas de prompt específicas que funcionam?
  3. Há APIs gratuitas que estou perdendo?
  4. Devo adicionar tipos de nó específicos?

Obrigado antecipadamente pela ajuda! :folded_hands:

2

Oi sarathkumar,

fluxo de trabalho interessante. Eu tinha me envolvido com esse tema antes e cheguei a um resultado desconfortável.

O problema real não está no seu fluxo de trabalho, mas nas ferramentas que você usa para testar. Eu coloquei o mesmo texto completamente gerado por IA em 5 detectores diferentes. Resultado: 33% até 100% com o texto idêntico. ZeroGPT, que você usa, foi o mais não-confiável no teste. Então você está otimizando uma métrica que não é nem reproduzível.

O que realmente faz diferença: passar seus próprios dados, exemplos concretos e experiências pessoais direto no prompt, não mexer no pós-processamento. Um modelo que escreve com base em observações reais produz menos padrões reconhecíveis desde o início. A arquitetura do prompt é mais efetiva do que qualquer humanizer pass depois.

Para seu setup: a abordagem Groq+Gemini com múltiplos passes é basicamente sólida. Eu deixaria de lado o JS Chaos Injector, ele piora o texto sem reduzir o score de forma confiável.

Fiz um teste com números concretos sobre isso, se interessar, posso passar por DM.