---
id: CP-290
slug: model-extraction-roubo-modelo-ia
lang: pt
title: Roubo de modelo de IA por pedidos à API
description: Como um concorrente copia um modelo de IA interrogando a sua API, e o que deve reter um colaborador de uma empresa que o expõe.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/model-extraction-roubo-modelo-ia/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/model-extraction-roubo-modelo-ia.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «Roubo de modelo de IA por pedidos à API», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/model-extraction-roubo-modelo-ia/ (CC BY 4.0)
wing: 4
theme: use_responsibly
reflex: air-040
schema: G1
updated: "2026-11-14"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/model-extraction-roubo-modelo-ia/
  fr: https://startbrain.io/cyberpedia/fr/articles/model-extraction-vol-modele-ia/
  en: https://startbrain.io/cyberpedia/en/articles/model-extraction-ai-model-theft/
  de: https://startbrain.io/cyberpedia/de/articles/model-extraction-diebstahl-ki-modell/
  es: https://startbrain.io/cyberpedia/es/articles/model-extraction-robo-modelo-ia/
  it: https://startbrain.io/cyberpedia/it/articles/model-extraction-furto-modello-ia/
  nl: https://startbrain.io/cyberpedia/nl/articles/diefstal-ai-model-via-api-verzoeken/
  pl: https://startbrain.io/cyberpedia/pl/articles/model-extraction-kradziez-modelu-ai/
  ja: https://startbrain.io/cyberpedia/ja/articles/model-extraction-ai-model-theft/
sources:
  - "n": 1
    title: "GTIG AI Threat Tracker: Distillation, Experimentation, and (Continued) Integration of AI for Adversarial Use"
    publisher: Google
    url: https://cloud.google.com/blog/topics/threat-intelligence/distillation-experimentation-integration-ai-adversarial-use
    published: "2026-02-12"
    accessed: "2026-11-14"
  - "n": 2
    title: Our new report details the latest ways threat actors are misusing AI.
    publisher: Google
    url: https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/gtig-report-ai-cyber-attacks-feb-2026/
    published: "2026-02-12"
    accessed: "2026-11-14"
  - "n": 3
    title: "Cloud CISO Perspectives: New AI threats report: Distillation, experimentation, and integration"
    publisher: Google
    url: https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-new-ai-threats-report-distillation-experimentation-integration
    published: "2026-02-19"
    accessed: "2026-11-14"
  - "n": 4
    title: LLM10:2025 Unbounded Consumption
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 5
    title: LLM02:2025 Sensitive Information Disclosure
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/
    published: "2024-04-10"
    accessed: "2026-11-14"
---

# Roubo de modelo de IA por pedidos à API

Um modelo de IA oferecido como serviço pode ser copiado sem que nenhum servidor seja pirateado. Segundo o Google Threat Intelligence Group (GTIG), há atores que usam um acesso legítimo à API para tentar clonar certas capacidades de um modelo, quando antes era preciso uma intrusão informática clássica para roubar segredos industriais [1]. O princípio tem dois tempos: interrogar o modelo de forma metódica e, depois, treinar outro modelo com as respostas dele [1].

Esta ficha dirige-se, antes de mais, aos editores de modelos. A Google escreve que outras empresas com modelos de IA provavelmente enfrentarão este problema num futuro próximo [2], e espera ver estes ataques surgir noutros lados à medida que mais organizações expõem os seus modelos aos clientes e ao público [3]. Um colaborador de uma empresa que oferece um modelo aos seus clientes está, por isso, envolvido na vigilância da API e na proteção dos acessos.

## Em 30 segundos

- Onde acontece: na API de um modelo oferecido como serviço. Os ataques descritos pela Google visavam os seus modelos Gemini [1].
- O que pretende o atacante: acelerar o desenvolvimento do seu próprio modelo, depressa e a um custo bastante mais baixo, aproveitando o que um modelo maduro aprendeu [1].
- Quem é afetado: os editores de modelos e os fornecedores de serviços de IA. O utilizador comum, em geral, não está exposto a um risco [1].
- O reflexo: se a sua empresa fornece um modelo de IA como serviço, vigiar o acesso à API para detetar padrões de extração ou de destilação [1] e limitar o número de pedidos que uma mesma origem pode enviar [4].

## Perguntas diretas

### O que é um ataque de extração de modelo?

Ocorre quando um adversário usa um acesso legítimo para sondar de forma metódica um modelo de aprendizagem automática maduro, a fim de dele retirar informações que servem para treinar um novo modelo [1]. Para isso, o atacante recorre à destilação de conhecimento, o que explica o nome de «ataques por destilação» [1].

### A destilação é sempre um ataque?

Não. É uma técnica corrente para treinar um modelo «aluno» a partir de um modelo «professor» já existente [1]. Consiste muitas vezes em interrogar o professor sobre problemas de um domínio preciso e, depois, afinar o modelo aluno com as respostas (fine-tuning supervisionado) [1]. Existem usos legítimos, e o Google Cloud oferece serviços de destilação [1]. Em contrapartida, destilar os modelos Gemini sem autorização viola as condições de utilização da Google [1].

### Um utilizador comum está ameaçado?

A Google indica que estes ataques não representam, em geral, um risco para os utilizadores comuns, porque não ameaçam nem a confidencialidade, nem a disponibilidade, nem a integridade dos serviços de IA [1]. O risco concentra-se nos programadores de modelos e nos fornecedores de serviços [1].

### Quem conduz estes ataques?

A Google diz ter observado e mitigado frequentes ataques de extração vindos de entidades do setor privado em todo o mundo e de investigadores que queriam clonar uma lógica proprietária [1]. Em 2025, o grupo não observou nenhum ataque direto contra modelos de ponta por parte dos atores estatais ou das operações de influência que acompanha [1].

### O que deve fazer uma empresa que expõe um modelo aos seus clientes?

A Google recomenda às organizações que fornecem modelos de IA como serviço que vigiem o acesso à API para nele detetar padrões de extração ou de destilação [1]. A OWASP acrescenta outras medidas: limitar a taxa de pedidos e fixar quotas por origem, registar a utilização e detetar anomalias, controlar rigorosamente os acessos [4]. Estão detalhadas mais abaixo.

## Na pele do atacante

O atacante procura ganhar tempo e dinheiro. A extração seguida de destilação permite-lhe acelerar o desenvolvimento de um modelo depressa e a um custo bastante mais baixo, o que a Google qualifica de roubo de propriedade intelectual [1].

O seu alvo é a lógica proprietária e a formação especializada de um modelo [1]. A Google dá dois exemplos: um modelo personalizado para a análise de dados financeiros, visado por um concorrente comercial que quer criar um produto derivado, e um modelo de programação, visado por um adversário que quer reproduzir as suas capacidades num ambiente sem salvaguardas [1].

Os atacantes procuram também obter a capacidade de raciocínio do Gemini, um alvo frequente [1]. A OWASP descreve uma variante, a replicação funcional: o atacante utiliza o modelo visado para produzir dados de treino sintéticos e, depois, afina outro modelo para obter um equivalente funcional [4].

## O que vê no ecrã

Para um utilizador comum, estes ataques não afetam, em geral, nem a confidencialidade, nem a disponibilidade, nem a integridade do serviço [1]. O atacante passa por um acesso legítimo à API [1]. É por isso que a Google recomenda aos fornecedores que vigiem esse acesso para nele detetar padrões de extração [1], e que a OWASP recomenda monitorizar de forma contínua a utilização dos recursos e registar para detetar padrões invulgares [4].

## Por baixo do capô

O mecanismo segue o da destilação legítima. O atacante envia ao modelo professor perguntas sobre um domínio, recolhe as respostas e usa-as depois para treinar o seu modelo aluno [1].

Os vestígios de raciocínio internos do Gemini são normalmente resumidos antes de serem entregues ao utilizador. Alguns atacantes tentaram forçar o modelo a produzir os processos de raciocínio completos [1].

A OWASP classifica a extração de modelo pela API entre as formas de consumo ilimitado: o atacante interroga a API com entradas cuidadosamente concebidas e técnicas de injeção de prompt, para recolher respostas suficientes para reproduzir um modelo parcial ou criar um modelo-sombra («shadow model») [4]. Além da cópia, a OWASP observa que a extração prejudica a integridade do modelo de origem [4].

As medidas de defesa que a OWASP indica para este risco são as seguintes [4]:

- limitar o tamanho das entradas;
- restringir ou ocultar os parâmetros `logit_bias` e `logprobs` nas respostas da API;
- aplicar uma limitação da taxa de pedidos e quotas de utilização por origem;
- registar e monitorizar para detetar consumos invulgares;
- integrar uma marca de água nas saídas do modelo para detetar a sua utilização não autorizada;
- treinar os modelos para detetar pedidos adversários e tentativas de extração;
- pôr em prática controlos de acesso fortes (RBAC, princípio do menor privilégio) para limitar o acesso não autorizado aos repositórios de modelos e aos ambientes de treino.

Por seu lado, a Google indica recorrer a defesas proativas em tempo real, que podem degradar o desempenho do modelo aluno, e lembra que estes ataques podem dar lugar a retiradas (takedowns) e a ações judiciais [1].

Os próprios acessos são um alvo. Para abusar de serviços de IA em grande escala, os atores maliciosos precisam de chaves de API, o que cria um risco de desvio para as organizações com muitos recursos de cloud e de IA [1]. Ferramentas de IA de código aberto vulneráveis são correntemente exploradas para roubar chaves de API, o que alimenta um mercado negro de revenda de acessos e faz recair custos sobre os utilizadores afetados [1]. A OWASP assinala que os métodos de treino e o código-fonte dos modelos proprietários podem ser considerados sensíveis [5]. Além disso, saídas de modelo mal configuradas podem revelar algoritmos ou dados proprietários [5]. O ataque «Proof Pudding» (CVE-2019-20634) é um exemplo: dados de treino divulgados facilitaram a extração e a inversão de um modelo e permitiram contornar filtros de correio eletrónico [5].

## Autópsias

### 12 de fevereiro de 2026: uma campanha de mais de 100 000 pedidos contra o Gemini

A 12 de fevereiro de 2026, o GTIG publica um relatório que descreve ataques de extração contra os modelos Gemini, identificados e perturbados pelo Google DeepMind e pelo GTIG [1]. Provinham de investigadores e de empresas privadas de todo o mundo [1].

Um caso detalhado visava o raciocínio do Gemini. Os atacantes pediam ao modelo que produzisse o seu raciocínio completo, exigindo que a língua do conteúdo de reflexão se mantivesse coerente com a língua principal da entrada [1]. A análise contabilizou mais de 100 000 pedidos (prompts) [1]. Segundo o GTIG, a amplitude das perguntas sugere uma tentativa de reproduzir a capacidade de raciocínio do Gemini em línguas que não o inglês, numa grande variedade de tarefas [1].

Os sistemas da Google reconheceram o ataque em tempo real e reduziram o seu risco, o que protegeu os vestígios de raciocínio internos [1].

## Fontes

1. Google, «GTIG AI Threat Tracker: Distillation, Experimentation, and (Continued) Integration of AI for Adversarial Use», 12 de fevereiro de 2026. https://cloud.google.com/blog/topics/threat-intelligence/distillation-experimentation-integration-ai-adversarial-use (consultado em 14 de novembro de 2026)
2. Google, «Our new report details the latest ways threat actors are misusing AI.», 12 de fevereiro de 2026. https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/gtig-report-ai-cyber-attacks-feb-2026/ (consultado em 14 de novembro de 2026)
3. Google, «Cloud CISO Perspectives: New AI threats report: Distillation, experimentation, and integration», 19 de fevereiro de 2026. https://cloud.google.com/blog/products/identity-security/cloud-ciso-perspectives-new-ai-threats-report-distillation-experimentation-integration (consultado em 14 de novembro de 2026)
4. OWASP, «LLM10:2025 Unbounded Consumption», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/ (consultado em 14 de novembro de 2026)
5. OWASP, «LLM02:2025 Sensitive Information Disclosure», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ (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/model-extraction-roubo-modelo-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.
