Pesquisadores da Unicamp colocaram em operação uma inteligência artificial capaz de interceptar mensagens fraudulentas na rota entre empresas e operadoras. O sistema, batizado de Smish-Checker, já processa milhões de SMS por dia e bloqueia ameaças invisíveis ao olho humano. Mas como uma máquina consegue julgar a intenção de um texto em milissegundos?
A resposta não está em uma única pista, mas na combinação de camadas que vão do caractere suspeito ao comportamento da conexão de rede. Entender esse mecanismo revela por que a defesa contra smishing — o phishing via SMS — deixou de ser um problema de filtragem de palavras-chave para se tornar uma disputa de velocidade e precisão cirúrgica.
O nascimento de um filtro cirúrgico
Tudo começou com uma dor de mercado: uma grande empresa de comunicação em nuvem precisava separar o joio do trigo em tempo real. Bloquear mensagem legítima de banco ou varejo é prejuízo certo; deixar passar o golpe é risco de reputação e processos. A cientista da computação Stephane Schwarz, sob orientação do professor Anderson Rocha no laboratório Recod.ai, aceitou o desafio durante o doutorado.
O objetivo era claro: assertividade máxima com latência zero. Não bastava acertar; era preciso não errar o que era verdadeiro.
Quatro camadas de evidência que o fraudador não controla
O Smish-Checker não “lê” a mensagem como nós. Ele disseca a anatomia do envio em quatro frentes simultâneas:
- Texto camuflado: Detecção de homoglifos — caracteres visualmente idênticos (como ‘I’ maiúsculo, ‘l’ minúsculo e ‘i’ minúsculo) que têm códigos distintos para a máquina. Espaços invisíveis e alterações sutis na marca também entram no radar.
- URLs encurtadas e domínios: O sistema “desencurta” links e consulta registros públicos: idade do domínio, titularidade, histórico de alterações e TLD (o final tipo .com, .br, .xyz). Domínios recém-criados ou anônimos acendem o alerta.
- Comportamento de rede (Man-in-the-Middle): Se a página falsa clona o site real e faz a ponte para o legítimo roubando a sessão, a latência da conexão entrega o truque. O tempo de resposta do servidor vira assinatura digital do golpe.
- Padrões em escala: Em um teste, 12 milhões de mensagens foram agrupadas em 17 mil clusters. A IA aprende o “DNA” da campanha criminosa olhando para o grupo, não para a unidade isolada.
Onde a mágica acontece: antes da operadora
Arquitetonicamente, a ferramenta senta no meio do caminho: Marca → Plataforma de Comunicação (IA aqui) → Operadora → Cliente.
Uma empresa internacional de mensageria já integra o modelo nessa etapa de intermediação. Se o algoritmo flagra anomalia, o SMS morre ali. O usuário final nunca sabe que foi alvo. Para o negócio, significa redução de chargebacks, proteção de marca e conformidade sem atrito na entrega de notificações legítimas — códigos 2FA, avisos de entrega, promoções.
Por que regras estáticas e humanos falharam
Dois fatores tornaram a abordagem tradicional obsoleta:
- IA Generativa do lado do crime: Textos sem erros de português, tom corporativo perfeito, personalização com nome da vítima. A “cara de golpe” sumiu.
- Volume inumano: Nenhuma equipe de segurança consegue triar milhões de eventos/dia. A máquina agrupa, prioriza e decide em milissegundos.
É a clássica corrida armamentista: hoje o modelo pega a alteração de caractere; amanhã o criminoso testa outra evasão. A pesquisadora resume: “É gato e rato. Enquanto um bloqueia, o outro já pensa no contorno”.
O que observar daqui para frente
A tecnologia prova que a detecção multimodal (texto + metadados + rede) é o novo padrão mínimo. Para gestores de risco, CISOs e investidores, três movimentos merecem radar nos próximos trimestres:
- Adaptação do modelo para canais ricos (RCS, WhatsApp Business API), onde o smishing migra em busca de taxa de conversão maior.
- Pressão regulatória por responsabilidade compartilhada no ecossistema de mensageria (marcas, hubs, operadoras), o que torna filtros auditáveis um ativo de compliance.
- Evolução da evasão adversarial: criminosos treinando modelos para gerar tráfego que “pareça” estatisticamente legítimo para o detector atual.
A lição final da Unicamp é pragmática: a IA reduz a superfície de ataque drasticamente, mas a variável humana — a desconfiança diante de “oferta boa demais” — continua sendo a última linha de defesa que nenhum algoritmo substitui por completo.
