Fraude de tokens vira modelo de negócio para explorar agentes de IA em produção
Claire Vo, fundadora do ChatPRD, descreveu grupos que usam teste grátis e código promocional em loop para extrair tokens de modelo caro e rodar negócios paralelos através do agente.
· 6 min de leitura
Este artigo foi escrito por Lucas Ferraz. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
O golpe que Claire Vo viu dentro do próprio produto
Claire Vo é fundadora do ChatPRD, uma plataforma de IA que ajuda gerentes de produto a transformar uma ideia solta em uma especificação (PRD) pronta para o time técnico. O produto está no ar desde a era do GPT-4, lá por 2023, e Claire construiu boa parte dele em público, compartilhando decisões e números no X.
Em 20 de novembro de 2026, ela publicou um vídeo no YouTube descrevendo algo que qualquer time que opera um agente de IA com teste grátis vai reconhecer: uma enxurrada do que ela chama de "token fraud", fraude de tokens. O relato foi retomado por Simon Willison em seu blog no mesmo dia.
Segundo Claire, parte do abuso é gente comum tentando só usar IA de graça. A parte que dói de verdade é outra: grupos organizados usando o ChatPRD como infraestrutura gratuita para operações comerciais que não têm nada a ver com especificação de produto.
Estou financiando sem querer um estúdio internacional de mapas para Roblox e Fortnite. Eles rodam um ciclo de testes grátis e códigos promocionais, depois tunelam até meu agente e o usam para construir mapas de Roblox e Fortnite.
I am funding a international Roblox and Fortnite map studio. They run a loop of free trials and promo codes and then tunnel to my agent and use it to build Roblox and Fortnite maps.Claire Vo, fundadora do ChatPRD
Como o tunelamento transforma seu agente em proxy alheio
O mecanismo que Claire descreve não é uma falha de segurança no sentido clássico: não tem injeção de prompt nem vazamento de dados. É abuso econômico do modelo de negócio. Alguém cria conta atrás de conta usando teste grátis e código promocional em loop, e em vez de usar o produto como foi pensado, manda prompts fora do escopo (gerar lógica e assets de mapas de jogo) através do mesmo agente que a empresa paga para rodar.
Na prática, isso funciona como um proxy não autorizado. O ChatPRD paga por token ao fornecedor do modelo (OpenAI, Anthropic ou outro) para oferecer a experiência de produto de PM. O grupo de fraude não quer o produto, quer o acesso ao modelo por trás dele, e usa a conta de teste como porta de entrada mais barata do que pagar a própria chave de API.
Isso muda o cálculo de custo de forma silenciosa. Enquanto o volume de teste grátis parecia custo de aquisição de cliente, ele virou, sem aviso, custo direto de infraestrutura sequestrada por terceiros que nunca vão converter em assinante pagante.
O pelicano de bicicleta como ferramenta de reconhecimento
Um dos detalhes mais técnicos do relato de Claire é o tipo de prompt que ela via repetidamente passando pelo agente: pedidos para gerar um SVG de um pelicano andando de bicicleta.
Não é coincidência. Simon Willison usa esse exato prompt, an SVG of a pelican riding a bicycle, há tempos como teste informal para comparar modelos de linguagem: cada família de modelo (GPT, Claude, Gemini, Llama) produz um desenho com traços visuais bem diferentes, quase uma assinatura. Ele conta que já usou o mesmo truque para tentar adivinhar qual modelo real está por trás de previews sem nome revelado disponíveis em plataformas como o OpenRouter.
Para quem está explorando um wrapper de IA, esse prompt funciona como fingerprint de baixo custo: um pedido simples, barato em tokens, que entrega um sinal visual sobre qual modelo roda atrás da API. Isso importa porque, uma vez identificado o modelo, fica mais fácil decidir se vale insistir no esquema (modelo caro e potente compensa mais a exploração) ou migrar o ataque para outro alvo.
Para quem constrói um produto de IA, o mesmo sinal vira indício de abuso: se boa parte do tráfego gratuito manda prompts de diagnóstico de modelo em vez de prompts de uso real do produto, isso é bandeira vermelha antes mesmo de olhar volume ou custo.
O que muda para quem constrói e opera agentes em produção
A resposta de Claire foi direta: ela está encerrando o teste grátis do ChatPRD por completo. Simon Willison concorda que, diante desse nível de abuso, é a decisão certa, por mais que doa para o crescimento do produto.
Para quem projeta ou mantém um agente de IA com acesso a modelo de terceiro, o caso do ChatPRD aponta para práticas que a maioria dos times de produto trata como opcional e deveria tratar como obrigatória:
- Limitar não só número de requisições, mas volume de tokens por conta e por IP em janelas curtas, porque fraude de token escala por volume, não por frequência de login.
- Monitorar diversidade de prompt por conta: contas que mandam sempre a mesma categoria de pedido (como o pelicano de bicicleta, ou código genérico fora do domínio do produto) merecem revisão manual.
- Tratar código promocional e cadeia de testes grátis como superfície de ataque, com limite por dispositivo ou método de pagamento, não só por e-mail, que é fácil de gerar em massa.
- Colocar alerta de custo por conta e por hora, não só agregado mensal: um pico isolado de uso de token é mais fácil de pegar em tempo real do que na fatura do fim do mês.
- Considerar cap de modelo no teste grátis, oferecendo um modelo mais barato ou de contexto menor por padrão e liberando o modelo de ponta só para conta verificada ou paga.
Nenhuma dessas medidas é exclusiva de produto de IA: qualquer serviço com cobrança por uso já lida com fraude parecida. A diferença é que, com modelo de linguagem, o custo marginal de cada abuso é alto e sobe rápido com janela de contexto grande e modelo caro, então o prejuízo por conta comprometida tende a ser maior do que em abuso de crédito de nuvem tradicional.
Onde o teste grátis ainda compensa, e onde não compensa mais
O caso do ChatPRD não significa que teste grátis morreu como estratégia de aquisição. Produto que usa modelo pequeno ou barato, com teto de token apertado, consegue absorver um nível razoável de abuso sem que isso vire a maior linha de custo do negócio.
O problema aparece quando o produto é, na prática, uma casca fina sobre um modelo de ponta caro com pouco limite de uso. Nesse perfil, teste grátis sem fricção é, por definição, um convite para quem quer tokens de modelo caro de graça, e a diferença entre cliente em potencial testando e fazenda de fraude só aparece olhando padrão de uso, não identidade de conta.
Times que avaliam o custo de IA só pela fatura do fornecedor de modelo no fim do mês estão medindo tarde demais. O relato de Claire Vo mostra que o controle precisa estar na camada de produto, olhando prompt, padrão de conta e sinal de reconhecimento de modelo, antes que o token vire prejuízo sem volta.
Fonte: Simon Willison

Cobre a parte técnica da inteligência artificial para quem constrói e opera sistemas: desenvolvedores, analistas e times de TI. Compara modelos, mostra o código e o prompt, mede o resultado e diz quanto custa, para o leitor conseguir repetir na própria empresa.