Rastreadores de IA falsificados

Os proprietários de sites contam «GPTBot», «ClaudeBot» ou «ChatGPT-User» nos seus registos de acesso como prova de que os sistemas de IA os leem ou citam. O User-Agent é texto livre. Comparámos cada pedido que dizia ser um de 23 rastreadores de IA ou de motores de busca em três sites pequenos em produção (16 548 pedidos; um registo de 68 dias, dois de 7–9 dias, mais uma vista de 30 dias no edge da Cloudflare) com o método de verificação publicado por cada operador: ficheiros JSON de intervalos de IP e DNS inverso com confirmação direta. 39,3% das identidades declaradas eram falsificadas (44,3% das que puderam ser testadas), 49,5% foram verificadas e 11,2% eram inverificáveis ou indeterminadas. Os agentes iniciados pelo utilizador, os nomes mais frequentemente lidos como sinal de «citação por IA», foram os piores: 67,8% de falsificações, e em Claude-User, Perplexity-User, MistralAI-User e DuckAssistBot a proporção autêntica foi de 0–4,2%. O Google-Extended, um token que a Google diz nunca ser enviado como User-Agent, apareceu 371 vezes. Toda a falsificação veio de, no máximo, 54 endereços, 81% em redes de nuvem ou de alojamento (só o espaço de clientes de um fornecedor de nuvem: 66%); 97% dos pedidos falsificados vieram de fontes que também procuravam credenciais (.env, config.json, service-account.json) e 92% de fontes que alternavam entre as identidades de vários operadores. No site principal, no edge da CDN, o volume falsificado foi 3,1 vezes o que a origem registou; as predefinições do plano gratuito bloquearam 0,7% desse volume. Disponibilizamos o ai-bot-verify, um verificador sem dependências para qualquer registo de acesso, que produz apenas agregados e se recusa a escrever endereços IP.