Modelo de Detecção de Deepfakes SARAAB Afirma Ter 91% de Precisão, mas Testes Abertos Vêm a Seguir

O modelo de detecção de deepfakes SARAAB, de Dubai, teria alcançado 91% de precisão ao analisar vídeos de apenas sete segundos. A afirmação dá ao Dubai Electronic Security Center, ou DESC, uma posição excepcionalmente concreta na corrida para autenticar mídias sintéticas.

O número de destaque é apenas o começo da história. O DESC afirma que lançará o SARAAB por meio de plataformas para desenvolvedores, permitindo que pesquisadores externos inspecionem, testem e aprimorem o sistema. Essa decisão desloca a disputa de um anúncio governamental para um projeto open source que pode ser testado.

O principal adversário não é outro detector específico. É a lacuna persistente entre resultados sólidos em benchmarks e desempenho confiável em vídeos desconhecidos, comprimidos ou deliberadamente alterados. Pesquisas do NIST mostram por que a generalização continua sendo um problema central na perícia de mídias.

O Que Dubai De Fato Anunciou Sobre o SARAAB

O SARAAB importa porque uma agência governamental de cibersegurança planeja submeter seu detector de deepfakes ao escrutínio externo.

O DESC apresentou oficialmente o SARAAB em 16 de setembro de 2026, durante o GISEC Global, no Dubai Exhibition Centre. A agência o descreveu como um modelo de inteligência artificial open source desenvolvido inteiramente por uma equipe dos Emirados.

O DESC também o classificou como o primeiro modelo open source de detecção de deepfakes criado por uma entidade governamental na região árabe. Essa descrição estabelece a primazia institucional reivindicada pela agência. Ela não comprova que o SARAAB supera todos os detectores disponíveis no mundo.

O anúncio do SARAAB da agência afirma que o modelo será distribuído por plataformas para desenvolvedores. Engenheiros de IA, especialistas em cibersegurança e pesquisadores poderão testá-lo e contribuir para seu desenvolvimento.

O DESC não publicou os números de precisão reportados naquele anúncio inicial. Esses detalhes apareceram em cobertura posterior, com base em informações atribuídas ao centro.

Segundo o relato publicado, o SARAAB alcançou precisão de até 91% na avaliação do DESC. O modelo teria registrado 89% de precisão em dados que não encontrou durante o treinamento.

Esse segundo resultado é possivelmente mais importante do que o número de destaque. Testes com dados não vistos buscam medir se um detector aprendeu sinais forenses transferíveis, em vez de memorizar características de seu conjunto de treinamento.

No entanto, “não visto” pode descrever diversas condições de teste. Pode significar vídeos novos de geradores conhecidos, novas pessoas, um conjunto de dados separado ou resultados de métodos de geração inteiramente desconhecidos. Essas condições impõem níveis muito diferentes de dificuldade.

O material público disponível não identifica os conjuntos de dados de teste, as contagens de amostras, a composição demográfica, as fontes dos vídeos ou as ferramentas de manipulação. Tampouco divulga o equilíbrio entre classes, as taxas de falsos positivos ou os limiares de confiança.

Sem esses detalhes, os leitores não podem reproduzir o resultado de 91% nem compará-lo de forma justa com outro modelo. A precisão isolada também pode induzir a erro quando amostras autênticas e manipuladas estão representadas de maneira desigual.

A reportagem afirma que o SARAAB pode avaliar clipes de apenas sete segundos. Outros modelos open source incluídos na comparação do DESC exigiriam pelo menos 15 segundos de filmagem.

Essa capacidade aborda uma restrição operacional importante. Muitos vídeos suspeitos circulam como clipes curtos em serviços de mensagens e plataformas sociais. Investigadores não podem presumir que um original mais longo e de maior qualidade continuará disponível.

Um detector que aceite entradas curtas pode ajudar equipes a fazer a triagem desse material antes de realizar um trabalho forense mais aprofundado. Ele também pode se adequar a fluxos de trabalho em que uma análise tardia permite que um clipe enganoso se espalhe mais rápido do que uma resposta.

Ainda assim, um mínimo de sete segundos não revela como o desempenho varia com a duração. Um detector pode aceitar sete segundos e, ao mesmo tempo, produzir seus resultados mais confiáveis em clipes mais longos. Uma avaliação pública deve medir essa curva, em vez de tratar o comprimento mínimo de entrada como uma alegação completa de desempenho.

A reportagem também afirma que o SARAAB pode identificar regiões faciais manipuladas com mapas de calor. Um mapa de calor é uma camada visual que marca áreas que contribuem para a decisão de um modelo.

Esse recurso pode ajudar analistas a investigar por que um clipe foi sinalizado. Ele não torna automaticamente correta a previsão subjacente nem explica por completo o raciocínio do modelo.

O SARAAB supostamente oferece suporte à análise de vídeos parcialmente manipulados. Nesse cenário, a maior parte de uma gravação permanece autêntica enquanto um segmento ou rosto é alterado. Detectar essa intervenção localizada é mais difícil do que classificar um clipe inteiramente sintético.

Também é mais próximo de um ataque realista. Um fraudador não precisa fabricar uma reunião inteira quando basta alterar uma solicitação, declaração ou instrução de pagamento.

Essas capacidades tornam o detector de deepfakes de Dubai interessante. Seu valor final, porém, dependerá do que avaliadores externos conseguirem reproduzir depois que o código, os pesos e o procedimento de avaliação se tornarem disponíveis.

Por Que o Modelo de Detecção de Deepfakes SARAAB Mira um Problema Mais Difícil

A verdadeira disputa técnica é entre sinais forenses reutilizáveis e artefatos que desaparecem quando os métodos de geração mudam.

Sistemas de detecção de deepfakes normalmente aprendem padrões associados a mídias sintéticas ou manipuladas. Esses padrões podem incluir inconsistências faciais, irregularidades temporais, artefatos de composição, sinais de frequência ou relações entre quadros consecutivos.

A dificuldade é que os sistemas de geração continuam mudando. Uma pista associada a um pipeline de troca facial pode desaparecer em um fluxo de trabalho mais recente baseado em difusão. Compressão e edição podem enfraquecer ainda mais as evidências restantes.

Assim, um detector pode ter bom desempenho em um benchmark conhecido sem continuar confiável no mundo real. Esse problema é conhecido como generalização, ou seja, desempenho em dados ou técnicas de manipulação fora da distribuição de treinamento.

O trabalho do NIST sobre o problema de generalização ilustra a dimensão dessa lacuna. Em uma comparação, um detector de referência registrou uma AUC de 0,89 em um gerador conhecido.

Sua AUC caiu para 0,58 e 0,55 em exemplos de métodos de geração desconhecidos. A AUC mede quão bem um classificador separa duas classes em diferentes limiares. Um resultado próximo de 0,5 se aproxima de uma classificação aleatória.

Outro sistema avaliado generalizou muito melhor, registrando valores de AUC entre 0,97 e 0,99 nos conjuntos de dados ilustrados. A comparação mostra que a falha não é inevitável. Também mostra que arquitetura, dados de treinamento e desenho da avaliação importam enormemente.

Os 89% de precisão reportados pelo SARAAB em dados não vistos abordam diretamente esse desafio. Ainda assim, o resultado continua difícil de interpretar sem saber o que era não visto e como o conjunto de teste foi construído.

Uma avaliação pública significativa deve separar várias dimensões. Ela deve testar geradores desconhecidos, identidades ausentes do treinamento, diferentes tons de pele, condições variadas de iluminação e vários tipos de câmera.

Também deve incluir transformações comuns. Plataformas sociais frequentemente redimensionam vídeos, reduzem sua taxa de bits, modificam cores, removem metadados ou recomprimem o arquivo diversas vezes.

Atacantes podem introduzir essas transformações intencionalmente. Eles podem recortar rostos, adicionar ruído, sobrepor texto, alterar taxas de quadros ou gravar um vídeo manipulado a partir de outra tela.

Cada operação pode apagar artefatos forenses enquanto preserva o significado enganoso. Um detector destinado ao uso operacional deve ser medido após essas mudanças, e não apenas diante de amostras laboratoriais limpas.

A manipulação parcial cria outro desafio. Se apenas alguns segundos forem falsos, um modelo que calcula a média dos sinais ao longo de todo o vídeo pode diluir o segmento suspeito.

A análise em nível de quadro ou segmento pode ajudar a localizar a alteração. Ela também cria mais previsões, aumentando a chance de alarmes falsos isolados.

Mapas de calor podem orientar um analista humano para regiões faciais que merecem exame. No entanto, mapas de atenção não equivalem a explicações causais. Eles podem parecer persuasivos mesmo quando um modelo depende de padrões irrelevantes.

Pesquisadores externos devem, portanto, testar se as regiões destacadas pelo SARAAB correspondem a edições reais. Eles também devem verificar se condições inofensivas, incluindo maquiagem, filtros, pouca luz ou efeitos de videoconferência, acionam padrões semelhantes.

Clipes curtos apresentam seu próprio problema estatístico. Menos quadros fornecem menos evidência temporal, enquanto a compressão das plataformas pode remover detalhes visuais sutis. Movimentos rápidos e oclusão complicam ainda mais a análise facial.

Isso torna a alegação dos sete segundos útil, mas exigente. Testes independentes devem relatar o desempenho em várias durações de clipe, incluindo sete, 15, 30 e 60 segundos.

Eles também devem relatar latência e requisitos de hardware. Um detector que processa um clipe curto com precisão, mas leva vários minutos em hardware especializado, desempenha uma função diferente de um sistema de triagem em tempo real.

A questão central não é se o detector de deepfakes de Dubai pode encontrar exemplos que humanos não percebem. É se sua decisão permanece estável diante das transformações desorganizadas que caracterizam a distribuição real.

O plano open source do SARAAB cria um caminho para responder a essa pergunta. Um repositório acessível pode expor pré-processamento, arquitetura do modelo, limiares e limitações conhecidas.

Pesos abertos permitiriam testes independentes de red team. Um conjunto de dados documentado e um script de avaliação tornariam a alegação de 91% reproduzível, em vez de meramente repetível dentro do DESC.

A distinção é importante. A repetição pela equipe original demonstra consistência interna. A reprodução por terceiros mostra que o resultado reportado resiste a métodos e premissas independentes.

Open Source Muda o Equilíbrio Entre Alegações e Verificação

Lançar o SARAAB abertamente transforma críticas externas de um risco de comunicação em parte do processo de desenvolvimento.

Agências governamentais frequentemente adquirem produtos de detecção de fornecedores privados. Esses sistemas podem fornecer uma pontuação de confiança sem revelar seus dados de treinamento, comportamento do modelo ou condições de falha.

Essas ferramentas podem ajudar na triagem, mas sua opacidade cria riscos operacionais. Investigadores podem atribuir peso excessivo a uma pontuação que não conseguem examinar nem reproduzir.

O DESC está seguindo um caminho diferente. Ao planejar um lançamento por meio de plataformas usadas por desenvolvedores, a agência convida pesquisadores de segurança a testar o modelo contra casos que seus criadores não selecionaram.

Essa abertura favorece a descoberta mais rápida de pontos cegos. Pesquisadores podem investigar a sensibilidade à compressão, à variação demográfica, a mudanças adversariais e a novos modelos de geração.

Ela também pode expor vulnerabilidades a atacantes. Quando os pesos e a lógica de pré-processamento são públicos, um adversário pode estudar o detector e otimizar mídias sintéticas para contorná-lo.

Essa tensão é familiar na cibersegurança. Código aberto permite inspeção e aprimoramento coletivo, enquanto a divulgação fornece aos atacantes informações sobre as premissas defensivas.

O fator decisivo é a manutenção. Um detector aberto que receba avaliações regulares, acompanhamento de problemas e atualizações do modelo pode responder às fraquezas descobertas.

Um repositório abandonado oferece transparência sem proteção duradoura. Seu benchmark publicado se torna menos relevante à medida que os sistemas de geração e os padrões de distribuição mudam.

A DESC afirmou que pesquisadores poderão desenvolver e contribuir para o SARAAB. Essa promessa se tornará mensurável quando o repositório aparecer.

Um lançamento sério deve identificar sua licença, pesos do modelo, uso pretendido e usos proibidos. Deve incluir resultados de avaliação versionados e um canal claro para relatar descobertas de segurança.

A documentação do conjunto de dados também importa. Conjuntos de dados de deepfakes podem incorporar desequilíbrios demográficos, problemas de consentimento ou premissas restritas sobre o que conta como mídia autêntica.

Um cartão do modelo deve explicar quais rostos, idiomas, formatos de vídeo e famílias de manipulação foram representados. Deve indicar onde o modelo tem desempenho insatisfatório.

O lançamento também deve distinguir entre uso em pesquisa e decisões de alto risco. A pontuação de um detector não deve determinar, por si só, se um vídeo é fraudulento, se uma pessoa está mentindo ou se uma evidência é admissível.

O NIST opera a avaliação OpenMFC para oferecer testes compartilhados para sistemas de perícia de mídia. Sua abordagem reflete por que condições comuns de avaliação são essenciais.

Quando cada desenvolvedor seleciona conjuntos de dados e métricas diferentes, a precisão divulgada se torna difícil de comparar. Um desafio compartilhado pode testar sistemas com dados reservados sob regras consistentes.

O SARAAB se beneficiaria desse tipo de avaliação. A comparação da DESC supostamente o colocou acima de outros modelos open source incluídos, mas os nomes e as configurações desses modelos não foram publicados.

Essa omissão impede que leitores avaliem a referência. Uma comparação com detectores antigos e sem manutenção significaria algo diferente de um teste contra sistemas líderes configurados por seus próprios desenvolvedores.

O benchmarking independente deve comparar o SARAAB nos mesmos pontos operacionais. Taxa de falsos positivos, taxa de falsos negativos, precisão, recall e calibração revelam informações ocultas por um único indicador de precisão.

Os falsos positivos merecem atenção especial. Um detector que classifica incorretamente imagens autênticas pode prejudicar reputações, atrasar reportagens e criar dúvidas sobre evidências legítimas.

Os falsos negativos criam um dano diferente. Eles podem conferir a um vídeo enganoso uma aura imerecida de autenticidade quando uma ferramenta de triagem não consegue sinalizá-lo.

O problema se torna mais grave quando os usuários tratam “não detectado” como “verificado como real”. Detectores de deepfakes normalmente avaliam se há sinais forenses conhecidos. Eles não estabelecem a veracidade de cada evento exibido.

A documentação aberta deve deixar esse limite explícito. O melhor resultado seria uma ferramenta que apoiasse analistas treinados, e não um juiz automatizado que substituísse a verificação.

É aqui que a abertura dá ao SARAAB uma vantagem estrutural sobre uma caixa-preta sem suporte. Pesquisadores podem testar os limites e comunicá-los antes que organizações construam fluxos de trabalho consequentes em torno do modelo.

O lançamento também pode incentivar a capacidade regional de pesquisa. Um projeto liderado pelos Emirados pode trazer instituições, conjuntos de dados e contextos operacionais adicionais para um campo frequentemente moldado por benchmarks norte-americanos, europeus e do Leste Asiático.

Esse benefício depende de práticas responsáveis de dados e avaliação transparente. A representação regional deve aprimorar a base de evidências sem enfraquecer os padrões de consentimento, privacidade ou documentação.

O que 91% de precisão não informa às equipes de segurança

Um resultado de 91% é um sinal promissor de pesquisa, não uma probabilidade universal de que o SARAAB identificará corretamente qualquer deepfake.

A precisão mede a parcela de classificações corretas em uma avaliação específica. Seu significado depende do conjunto de dados, dos rótulos, do equilíbrio entre classes, do limiar e da definição de um resultado correto.

Considere um conjunto de teste dominado por vídeos autênticos. Um modelo poderia alcançar alta precisão ao favorecer o rótulo de autenticidade, mesmo deixando de identificar muitos clipes manipulados.

A precisão pergunta quantos vídeos sinalizados eram realmente manipulados. O recall pergunta quantos vídeos manipulados o sistema encontrou com sucesso. Ambos são importantes em um fluxo de trabalho de triagem.

O equilíbrio preferido depende do caso de uso. Uma plataforma social que lida com milhões de envios pode priorizar uma triagem escalável. Uma equipe forense que examina evidências pode aceitar uma análise mais lenta para reduzir erros prejudiciais.

A calibração também é importante. Uma pontuação de confiança de 80% bem calibrada deve corresponder a previsões corretas aproximadamente nessa taxa em casos comparáveis.

Um modelo não calibrado pode produzir pontuações confiantes que não se relacionam de forma confiável ao risco real. Esse comportamento pode induzir operadores ao erro, mesmo quando a precisão agregada parece aceitável.

Os resultados divulgados do SARAAB ainda não apresentam essas medidas. Eles também não revelam se a equipe testou áudio manipulado junto com vídeo.

A descrição pública concentra-se na manipulação facial em vídeo. Esse escopo importa porque um clipe pode usar imagens autênticas com áudio clonado, legendas sintéticas ou edições enganosas.

Por outro lado, uma gravação autêntica pode ser apresentada com contexto falso. Nenhum detector em nível de pixel pode determinar se a legenda, a data, o local ou a alegação ao redor são verdadeiros.

A detecção de deepfakes, portanto, deve fazer parte de um processo mais amplo de verificação. Analistas devem examinar a fonte, o histórico de publicação, os metadados, as evidências corroborativas e o comportamento solicitado pelo remetente.

A procedência do conteúdo fornece outra camada. O padrão C2PA oferece suporte a registros à prova de adulteração que descrevem a origem e o histórico de edição associados a um ativo digital.

O explicador oficial do C2PA enfatiza que as Content Credentials não decidem se uma afirmação é verdadeira. Elas verificam se as informações de procedência estão devidamente estruturadas, são confiáveis e estão associadas ao ativo.

Procedência e detecção resolvem problemas diferentes. O SARAAB procura sinais forenses de manipulação após examinar a mídia.

As Content Credentials podem registrar de onde um arquivo veio e quais alterações declaradas ocorreram. Sua ausência não prova que um arquivo é falso, pois muitas câmeras e ferramentas de edição não as adicionam.

As credenciais também podem ser removidas por conversão ou processamento de plataforma. Um detector continua útil quando a procedência está ausente, enquanto a procedência pode reforçar a confiança sem depender apenas de artefatos estatísticos.

A verificação humana oferece uma terceira camada. Investigadores podem contatar a fonte alegada por um canal conhecido, localizar cópias anteriores e comparar a mídia com material verificado.

Essas camadas funcionam melhor juntas. Nenhum detector, marca-d’água, credencial ou analista isolado consegue cobrir toda manipulação e todo caminho de distribuição.

O que está em jogo vai além da desinformação como um problema abstrato. Fraudes por personificação visam pessoas por meio de mensagens que parecem vir de parentes, executivos, empresas ou autoridades públicas.

A Comissão Federal de Comércio dos EUA relatou que consumidores perderam quase US$ 3 bilhões para impostores durante 2024. Sua orientação sobre fraudes aconselha as pessoas a verificar contatos inesperados usando informações que saibam, de forma independente, serem genuínas.

Essa prática continua necessária mesmo quando a triagem automatizada melhora. Um detector de 91% ainda implica erros dentro das condições de seu próprio teste divulgado.

O desempenho no mundo real pode ser menor quando a entrada difere dessas condições. Atacantes também se adaptam quando descobrem quais artefatos acionam a detecção.

As equipes de segurança devem evitar transformar o modelo de detecção de deepfakes SARAAB em um sistema de sinal verde. Uma pontuação de baixo risco não deve autorizar um pagamento, redefinir uma conta ou validar uma solicitação de executivo.

Um fluxo de trabalho melhor usa a pontuação para encaminhar casos. Clipes de alto risco recebem revisão imediata, enquanto solicitações consequentes exigem verificações de identidade separadas, independentemente da saída do detector.

As organizações também precisam de procedimentos para resultados contestados. Pessoas afetadas por uma sinalização falsa devem ter acesso à revisão humana e às evidências de apoio.

Registrar as versões do modelo é essencial. Se o SARAAB mudar ao longo do tempo, os investigadores devem saber qual lançamento analisou um clipe e qual limiar produziu o resultado.

Esses registros ajudam a reproduzir decisões e medir desvios. Eles também evitam que equipes apresentem o comportamento de um modelo atual como evidência para uma avaliação mais antiga.

Três sinais mostrarão se o detector de Dubai cumpre o que promete

A credibilidade do SARAAB crescerá ou cairá conforme a qualidade da publicação, testes independentes de estresse e evidências de uso operacional.

O primeiro sinal é o lançamento open source efetivo. Pesquisadores devem procurar código utilizável, pesos disponíveis para download, uma licença explícita, scripts de avaliação e documentação das condições de treinamento e teste.

Um repositório contendo apenas uma interface de demonstração não proporcionaria acesso suficiente para reproduzir o índice de 91%. Um lançamento completo permitiria que avaliadores rastreassem o caminho do vídeo bruto até a classificação final.

O cartão do modelo deve explicar os usuários pretendidos e os formatos compatíveis do SARAAB. Também deve descrever suas limitações, governança de dados e desempenho esperado em diferentes condições de entrada.

A DESC deve publicar quais modelos apareceram em seu teste comparativo. Números de versão, configurações de pré-processamento, hardware e limiares de decisão devem acompanhar os resultados.

Se esses materiais aparecerem, a afirmação central do projeto se tornará auditável. Se continuarem ausentes, o anúncio terá menos peso do que o número de precisão sugere.

O segundo sinal é o teste independente contra geradores desconhecidos e mídia degradada. Pesquisadores devem desafiar o modelo com novos sistemas de troca de rosto, ferramentas de difusão, filtros, gravações de tela e compressão repetida.

Eles devem incluir vídeos de dispositivos, condições de iluminação e grupos demográficos variados. Os resultados devem ser relatados para diversas durações de clipe, especialmente o mínimo alegado de sete segundos.

A manipulação parcial merece um teste dedicado. Avaliadores devem medir se o SARAAB consegue encontrar um breve segmento alterado dentro de uma gravação autêntica mais longa sem criar alarmes falsos excessivos.

A localização por mapa de calor deve receber uma pontuação separada. Um rótulo correto no nível do vídeo não significa necessariamente que a região facial destacada corresponda à verdadeira área manipulada.

A evidência mais forte viria de avaliações compartilhadas ou com dados reservados, que impedissem os desenvolvedores de ajustar diretamente o sistema às respostas. Resultados de desafios no estilo NIST seriam mais comparáveis do que demonstrações selecionadas pelos próprios participantes.

Um forte desempenho entre conjuntos de dados reforçaria a alegação da DESC de que o SARAAB oferece detecção transferível. Quedas acentuadas em novos geradores mostrariam que o modelo continua vinculado ao seu benchmark original.

O terceiro sinal é a adoção operacional responsável. A DESC ou organizações parceiras devem explicar onde o SARAAB é usado, quais decisões ele informa e como humanos revisam sua saída.

A adoção por si só não provaria precisão. No entanto, um fluxo de trabalho documentado pode mostrar se o modelo processa envios reais, reduz o tempo de revisão ou ajuda a localizar segmentos suspeitos.

Relatórios úteis devem incluir taxas de erro observadas após a implantação. Devem explicar como as equipes lidam com pontuações incertas e com que frequência analistas anulam as saídas do modelo.

As organizações também devem revelar se o SARAAB é executado localmente ou envia mídia para outro serviço. Essa distinção afeta a privacidade quando usuários enviam vídeos pessoais, confidenciais ou probatórios.

Uma implantação open source local poderia ajudar órgãos a manter o controle de material sensível. Ela também colocaria a responsabilidade pela segurança, atualizações e governança do modelo sobre a organização que o implementa.

Esses três sinais estabelecem um padrão claro. Um lançamento completo promove transparência. Testes independentes medem a capacidade de generalização. A adoção responsável revela se o modelo se encaixa em fluxos de trabalho investigativos reais.

Até lá, a avaliação mais justa é condicional. O SARAAB é uma iniciativa open source notável, apoiada pelo governo, com um resultado de precisão reportado de 91% e um foco útil em vídeos curtos.

Ele ainda não é um sistema universal de autenticação. As evidências publicadas não estabelecem seu desempenho em todos os geradores, plataformas, grupos demográficos ou transformações adversariais.

Essa distinção não deve apagar o valor do projeto. Deve orientar a próxima fase de escrutínio.

Desenvolvedores e equipes de segurança devem acompanhar o repositório, e não apenas a manchete. Devem reproduzir o benchmark reportado, testar a alegação dos sete segundos e publicar falhas junto com os sucessos.

Para usuários comuns, a lição imediata continua prática. Trate vídeos suspeitos como uma peça de evidência, especialmente quando vierem acompanhados de urgência, sigilo ou um pedido de dinheiro.

O modelo de detecção de deepfakes SARAAB pode fortalecer esse processo de verificação se seu lançamento aberto corresponder ao compromisso da DESC. A próxima questão é se testadores independentes conseguem reproduzir seus resultados em condições que a equipe original não controlou.