Modelos de visão gratuitos e locais quebram o reCAPTCHA do Google em 92,6% das sessões
Usando apenas os modelos abertos CLIP e OWLv2 rodando localmente, sem pagar por nenhuma API, pesquisadores construíram um solver automatizado que venceu 92,6% de 500 sessões reais do reCAPTCHA do Google. Os autores também mostram que um adversário sem qualquer conhecimento técnico consegue o mesmo resultado apenas dando instruções em linguagem natural a um assistente de IA comercial, o que praticamente zera a barreira de habilidade necessária para atacar esse mecanismo de defesa.
O reCAPTCHA visual é uma das defesas anti-bot mais difundidas da internet, protegendo centenas de milhares de sites contra credential stuffing, criação em massa de contas e abuso automatizado de formulários desde 2007. Trabalhos anteriores já haviam mostrado que modelos de visão-linguagem comerciais na nuvem conseguem resolver esses desafios, mas a um custo monetário por tentativa que limitava o uso em escala. Este artigo muda esse cálculo ao mostrar que modelos abertos, leves o suficiente para rodar localmente e de graça, já bastam.
Os autores primeiro constroem uma taxonomia dos desafios do reCAPTCHA — Tipo A, composto por grades de imagens independentes (com variantes estáticas e dinâmicas), e Tipo B, uma única imagem particionada em uma grade 4x4 — porque cada tipo exige uma estratégia de resolução diferente. Para o Tipo A, usam o CLIP, atingindo 58% de acurácia por desafio individual; para o Tipo B, usam o OWLv2, com 43,5%. Isoladamente esses números parecem modestos, mas o solver de ponta a ponta, que provavelmente tem múltiplas chances por sessão e combina as duas estratégias, converte essas taxas parciais em 92,6% de sucesso por sessão completa em 500 sessões reais do reCAPTCHA, sem custo de API e sem qualquer treinamento de modelo.
O dado mais alarmante do ponto de vista de ameaça não é técnico, mas de acessibilidade: os autores demonstram que um atacante sem nenhuma habilidade técnica de programação consegue obter o mesmo resultado apenas descrevendo a tarefa em linguagem natural para um assistente de IA comercial de uso geral, que então executa a automação necessária. Isso colapsa o piso de habilidade necessário para montar um solver de CAPTCHA a praticamente zero, transformando o que antes exigia conhecimento de visão computacional e engenharia em algo acessível a qualquer pessoa com acesso a um chatbot popular.
A conclusão dos próprios autores é dura, mas bem fundamentada pelos dados: o fallback de desafio visual do reCAPTCHA, que hoje sobrevive como rede de segurança quando a verificação baseada em reputação/comportamento falha, tornou-se paradoxalmente o elo mais fraco da cadeia de defesa, e captchas visuais baseados em desafio podem ter chegado ao fim de sua vida útil como mecanismo de defesa viável. Isso é relevante para qualquer produto ou serviço que ainda dependa de CAPTCHA visual como controle anti-bot primário ou secundário: a suposição de que humanos resolvem esses desafios melhor que máquinas simplesmente deixou de ser verdadeira, e a decisão de arquitetura precisa migrar para sinais comportamentais, prova de trabalho ou outros mecanismos que não dependam de tarefas de percepção visual.