---
id: CP-293
slug: carateres-unicode-invisiveis-ia
lang: pt
title: "Carateres Unicode invisíveis: um texto que esconde instruções à IA"
description: Carateres Unicode invisíveis no ecrã podem ser lidos por uma IA. O que a Microsoft observou em 2026 e os gestos a adotar.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/carateres-unicode-invisiveis-ia/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/carateres-unicode-invisiveis-ia.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, «Carateres Unicode invisíveis: um texto que esconde instruções à IA», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/carateres-unicode-invisiveis-ia/ (CC BY 4.0)"
wing: 4
theme: prompt_correctly
reflex: air-012
schema: G1
updated: "2026-11-14"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/carateres-unicode-invisiveis-ia/
  fr: https://startbrain.io/cyberpedia/fr/articles/caracteres-unicode-invisibles-ia/
  en: https://startbrain.io/cyberpedia/en/articles/invisible-unicode-characters-ai/
  de: https://startbrain.io/cyberpedia/de/articles/unsichtbare-unicode-zeichen-ki/
  es: https://startbrain.io/cyberpedia/es/articles/caracteres-unicode-invisibles-ia/
  it: https://startbrain.io/cyberpedia/it/articles/caratteri-unicode-invisibili-ia/
  nl: https://startbrain.io/cyberpedia/nl/articles/onzichtbare-unicode-tekens-ai/
  pl: https://startbrain.io/cyberpedia/pl/articles/niewidoczne-znaki-unicode-ai/
  ja: https://startbrain.io/cyberpedia/ja/articles/invisible-unicode-characters-ai/
sources:
  - "n": 1
    title: ASCII smuggling crosses over from AI prompt injection to phishing evasion
    publisher: Microsoft
    url: https://www.microsoft.com/en-us/security/blog/2026/09/03/ascii-smuggling-crosses-over-from-ai-prompt-injection-to-phishing-evasion/
    published: "2026-09-03"
    accessed: "2026-11-14"
  - "n": 2
    title: LLM01:2025 Prompt Injection
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 3
    title: "ChatGPT and large language models: what's the risk?"
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk
    published: "2023-03-14"
    accessed: "2026-11-14"
  - "n": 4
    title: "Reverse CAPTCHA: Evaluating LLM Susceptibility to Invisible Unicode Instruction Injection"
    publisher: arXiv
    url: https://arxiv.org/abs/2603.00164
    published: "2026-02-26"
    accessed: "2026-11-14"
  - "n": 5
    title: "Bypassing LLM Guardrails: An Empirical Analysis of Evasion Attacks against Prompt Injection and Jailbreak Detection Systems"
    publisher: arXiv
    url: https://arxiv.org/abs/2504.11168
    published: "2025-04-15"
    accessed: "2026-11-14"
  - "n": 6
    title: LLM Prompt Injection Prevention Cheat Sheet
    publisher: OWASP
    url: https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html
    accessed: "2026-11-14"
---

# Carateres Unicode invisíveis: um texto que esconde instruções à IA

Um texto pode conter carateres que o ecrã não mostra. Uma pessoa não vê nada de invulgar, mas um assistente de IA que receba o texto em bruto pode lê-los, descodificá-los como texto e ser levado a seguir instruções definidas pelo atacante [1].

A Microsoft descreveu em 3 de setembro de 2026 uma campanha de phishing que inseria estes carateres em palavras-isco financeiras para escapar aos filtros de correio eletrónico [1]. Esta utilização retoma uma técnica conhecida na investigação sobre IA com o nome de ASCII smuggling [1].

## Em 30 segundos

- Onde acontece: numa página web, num documento, numa mensagem de correio eletrónico ou noutro conteúdo que um assistente de IA recebe [1].
- O que pretende o atacante: esconder instruções ao ser humano, deixando-as legíveis para o modelo, o que pode levar a uma exposição de dados ou a ações não autorizadas, consoante os direitos e as salvaguardas do assistente [1].
- O reflexo: tratar como não fiável um conteúdo externo confiado à IA [2], e não colocar informações sensíveis num pedido a um LLM público, o que recomenda o NCSC (Reino Unido) [3].

## Perguntas diretas

### O que é um caráter Unicode invisível?

É um caráter que faz parte do texto, mas que os tipos de letra e as interfaces correntes não mostram. A Microsoft cita sobretudo o bloco Unicode Tags, de U+E0000 a U+E007F, que contém uma cópia fantasma dos carateres ASCII imprimíveis. Destinava-se à etiquetagem de língua e hoje está largamente obsoleto [1]. Uma cadeia de texto pode, assim, transportar uma mensagem ilegível para um ser humano, mas tratada por qualquer modelo de linguagem ou software que receba o texto [1]. Um estudo de 2026 testa duas formas de esconder uma mensagem: os carateres de largura zero (codificação binária) e os Unicode Tags [4].

### Uma IA segue mesmo estas instruções escondidas?

Investigadores mediram-no. Num artigo submetido em 26 de fevereiro de 2026, Marcus Graves apresenta um banco de ensaio que avalia cinco modelos de dois fornecedores, num total de 8 308 respostas [4]. Constata que a utilização de ferramentas pelo modelo aumenta fortemente a conformidade com as instruções escondidas, e que indicações explícitas de descodificação a aumentam até 95 pontos percentuais para um dado modelo e uma dada codificação [4]. O autor fala de uma superfície de ataque pouco explorada [4]. A OWASP lembra que há entradas que podem influenciar o modelo mesmo sendo impercetíveis para os seres humanos, desde que o modelo leia o conteúdo [2].

### Um filtro anti-injeção para-as?

Nem sempre. Investigadores testaram seis sistemas de proteção, entre os quais o Azure Prompt Shield da Microsoft e o Prompt Guard da Meta. Mostram que métodos de injeção de carateres e de aprendizagem automática adversarial podem evitar a deteção, com até 100 % de êxito de evasão em certos casos [5]. A OWASP precisa que a filtragem das entradas não é uma fronteira de segurança [6].

### Foram observados ataques?

A Microsoft observou uma campanha de phishing de grande volume que utilizava estes carateres. Nas mensagens examinadas, não escondia instruções a uma IA: inseria-os em palavras para contornar os filtros [1]. O caso é detalhado mais abaixo.

### Que gestos adotar?

- Tratar um documento, uma página web ou uma mensagem de correio eletrónico de origem desconhecida como não fiável antes de o confiar ao assistente. A OWASP descreve injeções indiretas que passam por sites web ou por ficheiros [2], e recomenda separar e assinalar claramente o conteúdo não fiável [2].
- Não colocar informações sensíveis num pedido a um LLM público, como recomenda o NCSC (Reino Unido) [3].
- Deixar atuar os controlos da empresa. A Microsoft recomenda retirar ou normalizar os carateres de tag e os outros carateres invisíveis antes da análise da mensagem e a montante da ingestão pela IA [1]. A OWASP recomenda enviar para revisão os carateres de largura zero ou de tag inesperados [6].
- Levar a sério uma resposta inesperada do assistente. A OWASP aconselha a vigiar as saídas do modelo para detetar sinais de uma injeção bem-sucedida [6].
- Não deixar o assistente conduzir sozinho uma operação sensível: a OWASP recomenda uma validação humana para as operações privilegiadas [2].

## Na pele do atacante

A Microsoft descreve duas utilizações dos mesmos carateres. A primeira visa o assistente: o atacante esconde instruções em carateres de tag invisíveis integrados numa página web, num documento, numa mensagem de correio eletrónico ou noutro conteúdo. O ser humano não vê nada de invulgar, ao passo que o assistente que lê o texto em bruto as descodifica [1]. A segunda visa o filtro: os carateres cortam uma palavra que o filtro procura, e este deixa de a reconhecer [1].

A OWASP descreve um cenário do primeiro tipo. Um utilizador pede a um LLM que resuma uma página web que contém instruções escondidas. Estas levam o assistente a inserir uma imagem ligada a um endereço, o que conduz à exfiltração da conversa privada [2].

A OWASP refere também um estudo (Zhang et al., USENIX Security 2026) sobre 196 682 currículos de uma plataforma de recrutamento: mais de 90 % dos prompts escondidos não continham nenhuma instrução explícita [6].

## O que vê no ecrã

Nada. Os tipos de letra e as interfaces correntes não mostram a maior parte destes carateres [1]. Na campanha descrita pela Microsoft, uma palavra-isco como funding parecia normal ao destinatário, embora pudesse haver um caráter invisível a meio [1].

Nem todos estes carateres são suspeitos. As bandeiras de Inglaterra, da Escócia e do País de Gales são codificadas com carateres de tag [1].

O único indício visível é então o comportamento do assistente: a OWASP define a injeção de prompt como uma entrada que modifica o comportamento ou a saída do modelo de forma não desejada [2].

## Por baixo do capô

Os carateres de tag são invisíveis para os seres humanos, mas existem ao nível do tratamento do texto [1]. As cadeias de ingestão passam em geral ao modelo o texto extraído de um documento e ignoram a sua visualização: um texto que o leitor não vê chega, portanto, ao modelo [6].

Para os classificadores de correio eletrónico, a Microsoft explica que uma palavra corrente é muitas vezes dividida em tokens ou em pedaços de palavras. Um caráter invisível a meio pode quebrar essa unidade familiar, ou ser suprimido se uma normalização passar primeiro [1].

A OWASP indica que a normalização NFKC não retira os carateres de largura zero. Precisa que os carateres de tag podem transportar instruções escondidas que os modelos leem e executam. Se se analisar uma cópia limpa, mas se transmitir o original, o texto escondido chega na mesma ao modelo [6].

A Microsoft formula o princípio de defesa assim: normalizar antes de comparar [1]. O Microsoft Defender for Office 365 propõe uma proteção contra a injeção de prompt, que cobre os casos em que carateres invisíveis escondem instruções aos utilizadores, expondo-as ao mesmo tempo aos sistemas de IA. A cobertura depende da licença, da configuração e da telemetria [1]. A OWASP nota que não se sabe se existe um método infalível de prevenção da injeção de prompt [2].

## Autópsias

### Campanha de phishing com carateres de tag, de fevereiro a maio de 2026

A Microsoft relata que as deteções da sua assinatura de ASCII smuggling aumentaram fortemente a partir de 9 de fevereiro de 2026 [1]. Na véspera, a assinatura disparava em cerca de 21 000 mensagens; no dia seguinte, em mais de 1,3 milhões [1]. A maior parte dos correios eletrónicos ligava-se a um grupo de cerca de 150 domínios de remetentes sobre o tema das finanças [1]. As iscas assemelhavam-se a ofertas de empréstimo a empresas, de linha de crédito e de adiantamento de fundos [1].

A Microsoft descreve um ritmo estrito: forte atividade durante a semana, quase silêncio ao fim de semana [1]. A fase de grande volume durou cerca de três meses e caiu nitidamente depois de 15 de maio de 2026 [1]. Estas datas delimitam a utilização desta técnica nos dados da Microsoft, não a campanha no seu conjunto, que começou antes sem ela e continuou sem ela [1].

Numa amostra de mensagens assinaladas, a Microsoft não encontrou nenhuma instrução escondida destinada a um assistente. Um único caráter de tag invisível era introduzido no interior de palavras-isco, para que a pesquisa de uma cadeia exata falhasse [1]. As mensagens passavam por uma plataforma legítima de envio de correio em massa, a ActiveCampaign [1].

Segundo a Microsoft, mais de 99 % das mensagens foram detetadas por camadas de proteção que não dependiam da deteção direta dos carateres de tag, como a reputação do remetente, do endereço IP, das ligações e dos domínios, a classificação por aprendizagem automática ou os controlos de autenticação [1]. A Microsoft conclui que as técnicas oriundas da investigação em segurança da IA podem passar rapidamente para ataques mais clássicos como o phishing [1].

## Fontes

1. Microsoft, «ASCII smuggling crosses over from AI prompt injection to phishing evasion», 3 de setembro de 2026. https://www.microsoft.com/en-us/security/blog/2026/09/03/ascii-smuggling-crosses-over-from-ai-prompt-injection-to-phishing-evasion/ (consultado em 14 de novembro de 2026)
2. OWASP, «LLM01:2025 Prompt Injection», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultado em 14 de novembro de 2026)
3. NCSC (Royaume-Uni), «ChatGPT and large language models: what's the risk?», 14 de março de 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (consultado em 14 de novembro de 2026)
4. arXiv, «Reverse CAPTCHA: Evaluating LLM Susceptibility to Invisible Unicode Instruction Injection», 26 de fevereiro de 2026. https://arxiv.org/abs/2603.00164 (consultado em 14 de novembro de 2026)
5. arXiv, «Bypassing LLM Guardrails: An Empirical Analysis of Evasion Attacks against Prompt Injection and Jailbreak Detection Systems», 15 de abril de 2025. https://arxiv.org/abs/2504.11168 (consultado em 14 de novembro de 2026)
6. OWASP, «LLM Prompt Injection Prevention Cheat Sheet». https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html (consultado em 14 de novembro de 2026)

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/carateres-unicode-invisiveis-ia/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.
