Cyberpediapor Brain

Carateres Unicode invisíveis: um texto que esconde instruções à IA

Carateres Unicode invisíveis no ecrã podem ser lidos por uma IA. O que a Microsoft observou em 2026 e os gestos a adotar.

Nesta página
  1. 1Em 30 segundos
  2. 2Do que se trata
  3. 3Perguntas diretas
  4. 4Na pele do atacante
  5. 5O que vê no ecrã
  6. 6Por baixo do capô
  7. 7Autópsias
  8. 8Fontes
  9. 9Citar este artigo

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].
Mapa do artigo

Do que se trata

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].

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 capôEquipas de TI

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].

AutópsiasCasos reais

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)