Texto invisível em artigos científicos: como autores enganam revisores de IA
Em julho de 2025, pesquisadores registraram 18 casos na plataforma arXiv em que manuscritos acadêmicos continham instruções ocultas destinadas a sistemas automatizados de revisão. Escritas em fonte branca ou com símbolos de poucos pixels, essas linhas passam despercebidas ao leitor comum, mas são facilmente lidas por grandes modelos de linguagem encarregados de avaliar os trabalhos. Essa técnica é chamada de injeção indireta de prompt: uma instrução maliciosa é inserida diretamente no documento processado pelo sistema e altera seu comportamento de forma silenciosa.
A manipulação mais simples aparece como um comando para "dar apenas avaliação positiva" — foi exatamente esse tipo de exigência encontrada nos manuscritos. No entanto, o arsenal dos autores não se limita a instruções grosseiras. Alguns prompts ocultos continham roteiros muito mais detalhados: por exemplo, como estruturar a revisão, quais seções do trabalho devem ser elogiadas e quais deficiências é melhor omitir. Isso permite obter não apenas uma avaliação positiva, mas também torná-la plausível — a ponto de quem ler o parecer posteriormente não suspeitar de nada.
Por que fazem isso
A reação dos autores à exposição foi heterogênea. Um deles declarou a intenção de retirar seu trabalho do arXiv; outro, ao contrário, considerou a prática justificada. Em sua lógica, os comandos ocultos servem como um teste para revisores que abusam das redes neurais e transferem todo o trabalho para elas: se o sistema não percebe as instruções escondidas, significa que ele realmente avalia o manuscrito sem participação humana e exige intervenção.
Mas os pesquisadores consideram esse argumento insustentável. Na grande maioria dos casos, as instruções ocultas visam obter uma avaliação favorável ao autor, e não diagnosticar algoritmos. Se o objetivo fosse testar, os autores divulgariam suas descobertas, em vez de tentar influenciar o resultado da revisão em benefício próprio. A motivação, ao que tudo indica, varia entre a cópia ingênua de modelos prontos e a manipulação deliberada. Por isso, a prática deve ser vista como mais uma forma de práticas de pesquisa questionáveis (QRP).
De currículos a artigos científicos: a evolução das injeções de prompt
O truque em si não é novo. Comandos de texto ocultos já foram usados para manipular buscas na web — por exemplo, embutindo em páginas exigências invisíveis aos humanos para exibir um resultado específico. Técnica semelhante também foi aplicada em sistemas automáticos de triagem de currículos: candidatos escondiam no documento frases que deveriam convencer o algoritmo de que eram perfeitamente adequados ao cargo. Agora, a frente avançou para a revisão científica, onde os riscos são especialmente altos.
O novo ataque é duplamente perigoso porque a revisão por pares é um processo conservador e baseado na confiança. Se os autores conseguirem influenciar algoritmos de forma invisível, o papel humano na avaliação da ciência se enfraquece. O texto oculto pode comprometer não apenas um manuscrito específico, mas toda a cadeia de comunicação acadêmica: da verificação de plágio à indexação de citações e à criação automática de revisões de literatura.
Padrões diferentes entre editoras
É revelador como as editoras tratam de formas tão distintas o uso de IA na revisão. A Elsevier adota uma posição rígida: redes neurais têm acesso totalmente proibido a esse processo. A Springer Nature, por outro lado, permite o uso limitado de grandes modelos de linguagem, mas exige que os revisores declarem explicitamente esse fato. A inconsistência das regras cria um terreno fértil para abusos: autores podem escolher plataformas com requisitos mais flexíveis ou contar que, em algum lugar, as instruções ocultas passarão despercebidas.
O que fazer
A solução para o problema deve ser abrangente. Primeiro, é necessária uma triagem técnica: ferramentas de software capazes de detectar texto invisível, fontes alteradas e outros sinais de injeção forçada de prompt. Segundo, editoras e repositórios devem desenvolver políticas unificadas sobre o uso de IA na revisão, para que não restem "zonas cinzentas" para os autores. Terceiro, vale considerar a integração controlada de modelos de linguagem nos procedimentos oficiais de avaliação — com regras transparentes e verificação de seu cumprimento. Somente a combinação dessas medidas permitirá preservar a confiança na perícia científica e impedir que linhas invisíveis a corroam por dentro.
