A disputa entre criadores de conteúdo e empresas que treinam modelos de inteligência artificial ganhou um novo capítulo. Em vez de tentar bloquear robôs por meio do arquivo robots.txt, limitar acessos ou recorrer a sistemas de autenticação, um novo projeto open source resolveu atacar o problema de uma forma bastante criativa: fazer com que humanos e inteligências artificiais enxerguem conteúdos completamente diferentes na mesma página.
Batizado de ShieldFont, o projeto utiliza recursos avançados do formato OpenType para exibir o texto correto para pessoas, enquanto ferramentas que coletam o HTML bruto encontram uma versão alterada, composta por palavras diferentes, porém gramaticalmente plausíveis.
A proposta não é impedir que um scraper copie uma página, mas tornar os dados coletados pouco confiáveis para treinamento de modelos de IA.
Um truque que acontece dentro da fonte
À primeira vista, parece mágica. Um visitante abre um site protegido pelo ShieldFont e lê exatamente o texto escrito pelo autor.
Entretanto, se alguém inspecionar o código-fonte da página ou utilizar um scraper tradicional para coletar o conteúdo, verá outra mensagem.
Em um dos exemplos apresentados pelos desenvolvedores, a frase “good luck reading this, you useless robot” é convertida para algo como “good comfort reading this, you yellow barrier”. A estrutura da frase permanece coerente, mas o significado muda completamente.
O detalhe importante é que as substituições não acontecem de maneira aleatória. Os desenvolvedores organizaram aproximadamente 250 grupos linguísticos diferentes. Assim, substantivos são substituídos apenas por outros substantivos semelhantes, verbos por verbos equivalentes e adjetivos apenas por outros adjetivos.
Essa preocupação evita que o texto pareça simplesmente corrompido. A intenção é que um sistema automatizado interprete aquele conteúdo como uma variação válida da linguagem, aumentando a chance de incorporá-lo ao conjunto de treinamento.
Segundo os criadores do projeto, aproximadamente 25% das palavras de um texto são substituídas durante o processo.
Aproveitando um recurso antigo das fontes OpenType
O funcionamento do ShieldFont depende de um mecanismo existente há muitos anos nas fontes OpenType chamado GSUB (Glyph Substitution). Esse recurso normalmente é utilizado para criar ligaduras tipográficas, como a união das letras “f” e “i” em um único glifo (“fi”), melhorando a aparência do texto.
O ShieldFont leva essa ideia muito mais longe. Em vez de substituir apenas caracteres individuais ou pares de letras, ele substitui palavras inteiras durante a renderização da página.
O HTML enviado pelo servidor já contém a versão modificada das palavras. Quando o navegador carrega a fonte especial, ela desenha na tela os glifos correspondentes ao texto original, fazendo com que o leitor humano veja exatamente a mensagem pretendida.
Já um scraper que apenas lê o código HTML jamais executa essa etapa de renderização, capturando apenas a versão “envenenada”.
Tudo isso acontece utilizando arquivos relativamente pequenos. Segundo os responsáveis pelo projeto, as fontes para desktop ocupam cerca de 5 MB, enquanto as versões otimizadas para web ficam próximas de 800 KB.
Um projeto aberto, mas com ressalvas
Embora o ShieldFont seja distribuído como software open source sob licença AGPL v3, existe um detalhe importante. A implementação padrão utiliza uma versão modificada da fonte Optik, da empresa Playtype. Essa fonte não é open source e está presente no projeto graças a uma autorização específica concedida pelos seus desenvolvedores.
Quem desejar uma solução completamente livre pode gerar uma nova versão utilizando fontes distribuídas sob a licença SIL Open Font License, como a popular Inter. O próprio projeto oferece scripts para converter praticamente qualquer fonte TrueType em uma variante compatível com o protocolo do ShieldFont. Além disso, é possível criar dicionários personalizados de substituição de palavras.
Essa característica é considerada uma das maiores vantagens do sistema. Caso muitos sites utilizem mapeamentos diferentes, torna-se muito mais difícil para empresas especializadas desenvolverem uma única ferramenta capaz de reverter todas as substituições.
Devemos considerar que o ShieldFont atualmente funciona apenas para textos em inglês. O dicionário utilizado pelo projeto foi construído com base nas 10 mil palavras mais comuns do idioma, priorizando substantivos, verbos, adjetivos e advérbios, justamente por serem as classes gramaticais que carregam a maior parte do significado de uma frase. Cada palavra é pareada com outra da mesma categoria — substantivos substituem substantivos, verbos substituem verbos e assim por diante — preservando a estrutura gramatical do texto.
Palavras funcionais, como artigos, preposições e conjunções (“the”, “of”, “and”), não são alteradas, já que contribuem pouco para o significado. Considerando as diferentes flexões de cada termo, o dicionário atual reúne cerca de 12 mil entradas. Os desenvolvedores afirmam que já trabalham na criação de mapeamentos para outros idiomas, mas eles ainda fazem parte do roadmap do projeto.
A ideia não é vencer, mas aumentar o custo
Os próprios criadores deixam claro que o ShieldFont não pretende impedir completamente a coleta de dados. Na documentação oficial, eles afirmam que o objetivo é tornar o processo de scraping mais caro, trabalhoso e incerto.
Hoje, boa parte dos robôs simplesmente baixa o HTML de milhões de páginas e adiciona esses textos ao conjunto de treinamento.
Caso um número significativo de sites passe a utilizar diferentes versões do ShieldFont, esses robôs precisarão detectar qual mapeamento foi utilizado, reconstruir o texto verdadeiro e repetir esse processo para cada página protegida. Em outras palavras, o custo computacional da operação aumenta significativamente.
Os autores acreditam que, se esse custo crescer o suficiente, poderá ser economicamente mais interessante negociar licenças com os produtores de conteúdo do que simplesmente copiar tudo indiscriminadamente.
Nem tudo são vantagens
Apesar da ideia ser bastante engenhosa, o próprio projeto reconhece diversas limitações. A principal delas é que o ShieldFont protege apenas sistemas que coletam o HTML bruto.
Caso um scraper utilize OCR sobre uma captura de tela da página, execute um navegador completo com renderização de fontes ou utilize modelos multimodais capazes de interpretar imagens, a proteção deixa de funcionar.
Outra possibilidade é baixar a própria fonte utilizada pelo site e reconstruir sua tabela GSUB. Como essas informações ficam armazenadas dentro do arquivo da fonte, pesquisadores demonstraram que esse processo é relativamente viável para ataques direcionados.
Os desenvolvedores são transparentes ao afirmar que um adversário determinado conseguirá contornar a proteção. O foco do projeto nunca foi impedir ataques sofisticados, mas criar obstáculos suficientes para desestimular operações massivas de coleta automática.
Impactos em SEO e acessibilidade
Talvez o maior desafio para adoção prática esteja justamente em seus efeitos colaterais. Motores de busca, assim como scrapers de IA, também analisam o HTML bruto das páginas. Isso significa que mecanismos de pesquisa podem indexar a versão modificada do conteúdo, prejudicando seriamente o SEO do site.
Os desenvolvedores recomendam que o ShieldFont seja utilizado apenas em conteúdos cujo ranqueamento não seja prioridade, como ensaios, artigos opinativos ou textos exclusivos.
Outro ponto delicado envolve leitores de tela utilizados por pessoas com deficiência visual. Como o texto visível não corresponde ao conteúdo presente no HTML, o projeto precisou desenvolver mecanismos específicos de acessibilidade para fornecer uma versão correta do texto aos softwares assistivos.
Mesmo assim, a solução ainda está em evolução e algumas plataformas ainda não foram totalmente validadas.
Também existem impactos em funções comuns do navegador. Copiar e colar um trecho protegido resulta na versão modificada do texto, e buscas usando Ctrl+F deixam de localizar palavras que o usuário consegue enxergar na tela.
Um experimento que pode influenciar o futuro
O ShieldFont chega em um momento em que cresce a tensão entre produtores de conteúdo e empresas responsáveis por grandes modelos de linguagem.
Nos últimos anos surgiram diversas tentativas de bloquear coleta automatizada de dados, desde mecanismos tradicionais como o robots.txt até projetos como Nightshade e Glaze, voltados para proteção de imagens contra treinamento de IA.
A proposta do ShieldFont segue uma filosofia semelhante: em vez de tentar impedir completamente o acesso, aumenta o risco de que os dados coletados sejam pouco úteis. Ainda é cedo para saber se a iniciativa será amplamente adotada. Os próprios criadores classificam a versão atual como um lançamento inicial, sujeito a melhorias e mudanças significativas.
Mesmo assim, o projeto demonstra como recursos antigos das tecnologias web podem ser reutilizados de maneiras inesperadas para enfrentar desafios bastante atuais.
Fique por dentro das principais novidades sobre tecnologia e Linux: receba nossa newsletter!
