Pesquisadores quebram o Google reCAPTCHA com IA gratuita, ameaçando defesa contra automação de fraude
Um novo estudo mostra que modelos de visão computacional gratuitos e executados localmente conseguem resolver desafios do Google reCAPTCHA com taxa de sucesso de 92,6% por sessão, sem custo e sem treinamento específico. Isso derruba a barreira de habilidade técnica necessária para automatizar credential stuffing, criação em massa de contas falsas e outros abusos que o CAPTCHA deveria impedir.
O reCAPTCHA do Google é hoje o sistema de CAPTCHA visual mais usado do mundo, protegendo centenas de milhares de sites contra bots. Trabalhos anteriores já haviam mostrado que modelos de visão-linguagem comerciais na nuvem conseguem resolver esses desafios, mas a um custo por tentativa que limitava o uso em escala. O diferencial deste estudo é mostrar que modelos abertos, gratuitos e rodando localmente — sem qualquer chamada de API paga e sem treinamento específico para CAPTCHA — já são suficientes para quebrar o sistema de forma consistente.
Os autores criam uma taxonomia dos desafios do reCAPTCHA (o Tipo A, de blocos de imagem independentes, e o Tipo B, uma única imagem dividida em grade 4x4) e mostram que modelos como CLIP e OWLv2, usados em modo "zero-shot" — ou seja, sem nenhum ajuste fino específico para a tarefa —, já atingem taxas de acerto por desafio de 58% e 43,5% respectivamente. Combinados em um solver automatizado de ponta a ponta, esses modelos alcançam 92,6% de sucesso por sessão completa em 500 tentativas reais contra o sistema em produção.
O ponto mais preocupante do ponto de vista de fraude não é só a taxa de sucesso, mas a barreira de entrada: os pesquisadores demonstram que um atacante sem nenhum conhecimento técnico consegue obter o mesmo resultado apenas dando instruções em linguagem natural a um assistente de IA comercial comum, sem escrever uma linha de código. Isso é relevante porque o CAPTCHA visual é uma das últimas camadas de defesa contra automação em massa de credential stuffing (testar senhas vazadas em lote), criação industrial de contas falsas (usadas depois como "laranjas" digitais ou infraestrutura de golpe) e abuso de formulários — justamente os processos que sustentam boa parte da fraude automatizada contra bancos, e-commerces e fintechs.
Os próprios autores observam que o reCAPTCHA já vem migrando para verificação baseada em reputação e sinais comportamentais, deixando o desafio visual como um fallback — e é exatamente esse fallback que se mostra agora o elo mais fraco da cadeia. Na prática, isso reforça que plataformas não deveriam mais confiar em CAPTCHA visual como controle antifraude isolado: a recomendação é reforçar camadas de device fingerprinting, análise comportamental e modelos de risco que consigam sinalizar automação mesmo quando o desafio visual é resolvido corretamente.