Camada de Texto Oculta em PDF: Como Fraudadores Enganam o OCR

Um PDF quase sempre carrega duas versões do mesmo conteúdo: a imagem que aparece na tela e uma camada de texto invisível, embutida por baixo, usada para busca, cópia e — cada vez mais — lida diretamente por sistemas automáticos de verificação documental. Quando essas camadas divergem, uma pessoa vê uma coisa e o sistema que processa o arquivo "lê" outra. Essa é a base de uma técnica de fraude documental que contorna tanto a conferência visual quanto muitos motores de OCR mal configurados.

Este artigo é fornecido apenas para fins informativos e não constitui aconselhamento jurídico, financeiro ou regulatório. As referências regulatórias estão corretas na data de publicação.

O que é a camada de texto oculta de um PDF e por que os sistemas confiam nela

A camada de texto oculta é um conjunto de glifos embutido no arquivo PDF, posicionado com coordenadas exatas sobre a imagem visível, mas invisível a olho nu por padrão. Essa camada existe legitimamente em qualquer PDF gerado por OCR: um scanner converte um papel em imagem, o motor de OCR reconhece os caracteres, e o resultado é gravado como texto com modo de renderização invisível (Tr 3 na sintaxe PDF), sobreposto pixel a pixel à imagem original para permitir busca e cópia sem alterar a aparência do documento.

O problema surge porque muitos sistemas de processamento documental — esteiras de KYC, análise de crédito, extração de dados — leem preferencialmente essa camada de texto em vez de rodar OCR de novo sobre a imagem, porque extrair texto já codificado é instantâneo e o OCR consome tempo de processamento. A pesquisa acadêmica "PhantomLint", publicada em 2025, documenta como conteúdo oculto embutido em documentos estruturados consegue contornar pipelines de ingestão automatizada que tratam o texto interno como fonte de verdade (arXiv:2508.17884, arxiv.org/pdf/2508.17884). O mesmo princípio que permite enganar um sistema de IA com um prompt escondido num documento se aplica a um sistema de verificação enganado por um valor escondido.

Como os fraudadores exploram o descompasso entre texto oculto e imagem visível

O ataque consiste em desalinhar propositalmente as duas camadas de um PDF para que um sistema automático leia dados diferentes dos que uma pessoa vê. Existem três variantes principais, todas reproduzíveis com ferramentas de edição de PDF comuns:

Imagem alterada, texto original preservado. O fraudador edita visualmente um valor, uma data ou um nome num holerite, extrato bancário ou nota fiscal, mas a camada de texto por baixo — herdada de uma versão anterior ou de uma cópia legítima — mantém os valores antigos ou de outra pessoa. Um analista humano vê o valor falso; um sistema que extrai só o texto pode capturar o valor genuíno e aprovar por engano, ou ignorar a inconsistência porque nunca cruza as duas fontes.

Texto "limpo" injetado sobre imagem manipulada. Mais sofisticado: depois de alterar a imagem, o fraudador escreve uma nova camada de texto invisível, coerente com o valor falso, especificamente para enganar sistemas que fazem só extração de texto e nunca chegam a analisar os pixels.

Desalinhamento acidental por edição sucessiva. Nem toda divergência é maliciosa: um documento editado várias vezes em ferramentas diferentes pode acumular camadas de texto desatualizadas sem intenção fraudulenta. A patente norte-americana US11775749, "Content masking attacks against information-based services and defenses thereto", formaliza essa classe de ataque como um risco estrutural dos serviços que processam informação extraída de documentos sem verificação cruzada contra a representação visual (image-ppubs.uspto.gov), confirmando que o problema é uma categoria de ataque reconhecida, não uma curiosidade técnica isolada.

O caso Manafort: quando a camada de texto traiu uma redação jurídica

Em janeiro de 2019, um erro de redação num processo judicial americano mostrou publicamente que as camadas visível e oculta de um PDF são realmente independentes. Os advogados de Paul Manafort protocolaram um documento no tribunal federal com trechos cobertos por retângulos pretos, mas sem apagar o texto por baixo — apenas desenharam uma forma opaca em cima. Jornalistas copiaram o texto "tarjado" e colaram em outro arquivo, revelando em poucas horas que Manafort tinha compartilhado dados de pesquisas eleitorais da campanha de Trump com um associado ligado à Rússia, um fato que a redação deveria ter escondido (ABA Journal, "Paul Manafort's attorneys failed at redacting").

É importante situar esse caso corretamente: não foi um esquema de fraude, foi uma falha de redação. Mas ele ilustra o mecanismo tratado neste artigo — a camada visível e a camada de texto de um PDF podem divergir de forma consequente, e essa divergência já causou incidentes reais, muito antes de qualquer conversa sobre IA generativa. Um fraudador que entenda essa independência estrutural tem incentivo direto para explorá-la no sentido inverso: não expor texto oculto por acidente, mas escondê-lo ou fabricá-lo de propósito.

Como detectar a divergência entre texto extraído e imagem renderizada

A detecção se baseia num princípio simples: extrair a camada de texto embutida e, em paralelo, rodar OCR independente sobre a imagem renderizada, depois comparar os dois resultados campo a campo. Uma diferença material entre o que o arquivo "diz" internamente e o que está visualmente representado é um sinal forte de manipulação, sobretudo em campos sensíveis como valores, chave PIX, CPF, datas e nomes.

Nenhuma camada isolada é suficiente. Um sistema que só faz OCR sobre a imagem nunca sabe que existe uma segunda fonte de dados contradizendo ele; um sistema que só lê o texto embutido nunca confirma que ele corresponde ao que está de fato visível. Combinar as duas extrações com uma verificação de metadados e histórico de revisões — a mesma lógica documentada no artigo sobre detecção de adulteração de metadados em PDF — é a abordagem com maior taxa de detecção documentada para esse tipo de manipulação estrutural.

Em fóruns e comunidades online, é comum encontrar usuários perguntando por que "copiar o texto de um PDF" às vezes traz valores diferentes dos que aparecem na tela, ou como confirmar se um documento recebido por e-mail foi "só editado na aparência". Essas perguntas, ainda que em linguagem leiga, descrevem o fenômeno deste artigo: duas fontes de verdade dentro do mesmo arquivo raramente verificadas em conjunto.

Ferramentas e sinais técnicos que revelam texto oculto num PDF

Um PDF suspeito costuma exibir artefatos técnicos reconhecíveis, mesmo quando a manipulação visual é convincente: texto branco sobre fundo branco, texto fora dos limites visíveis da página, fontes de tamanho ínfimo ou ilegível, modo de renderização invisível aplicado a campos que não deveriam ser texto de OCR, e caracteres Unicode invisíveis entre glifos legítimos.

O projeto de código aberto "hidden-text-detector" implementa detecção automatizada exatamente desses cinco padrões — texto branco sobre branco, fontes sub-legíveis, texto fora da página, modo de renderização invisível e caracteres Unicode invisíveis — em arquivos PDF e DOCX, provando que esses sinais são identificáveis programaticamente e não exigem inspeção manual página a página (github.com/wppoland/hidden-text-detector).

Por que a verificação automática não deve confiar só na camada de texto

Confiar cegamente na camada de texto embutida expõe qualquer empresa que processe documentos de clientes a um vetor de fraude que nem a conferência visual manual nem o OCR tradicional cobrem isoladamente. No Brasil, as instituições financeiras sujeitas à Lei 9.613/1998 de combate à lavagem de dinheiro e à regulamentação de prevenção à lavagem de dinheiro e ao financiamento do terrorismo (PLD/FT) precisam aplicar diligência proporcional ao risco na verificação de documentos de clientes, e a Circular BCB 3.978/2020 reforça a expectativa de controles técnicos — não apenas visuais — sobre documentos digitais recebidos à distância no processo de conheça seu cliente (KYC). Instituições supervisionadas pelo Banco Central do Brasil (Bacen) e pela CVM que tratam dados extraídos automaticamente de PDFs de clientes também devem considerar suas obrigações de exatidão de dados pessoais perante a Autoridade Nacional de Proteção de Dados (ANPD), sob a LGPD — Lei 13.709/2018, quando a fonte processada pode ter sido adulterada.

O custo de não cruzar as duas camadas não é só regulatório: segundo o Relatório ACFE 2024 to the Nations, apenas cerca de 37% das fraudes ocupacionais são detectadas por meio de controles internos, com um atraso médio de 87 dias até a detecção — tempo em que documentos fraudulentos não cruzados continuam circulando pelo processo de decisão. No cenário brasileiro, o próprio Bacen tem reforçado, em orientações sobre governança de PLD/FT, que a validação automatizada de documentos precisa evoluir junto com as ferramentas usadas para fraudá-los, num contexto de adoção crescente de edição de imagem e geração de conteúdo por IA em golpes de abertura de conta e concessão de crédito.

Como o CheckFile complementa essa detecção

A verificação documental automatizada eficaz combina várias camadas de análise em vez de confiar numa única fonte. A análise multicamada que combina OCR independente, extração de texto embutido, metadados e coerência entre documentos é a metodologia que permite identificar tanto a divergência entre texto oculto e imagem quanto outras formas de adulteração estrutural, como as descritas no artigo sobre ferramentas forenses de documentos com IA ou na validação cruzada de documentos além do OCR.

Para equipes de banco e crédito, essa lógica se integra aos fluxos de KYC bancário; para seguradoras que processam sinistros com documentação anexa, aplica-se de forma equivalente às soluções para seguradoras. A plataforma CheckFile suporta mais de 3.200 tipos de documentos, 24 idiomas de OCR e cobre 32 jurisdições, com um SLA de disponibilidade de 99,94%. Detalhes sobre a arquitetura de segurança estão na página de segurança, e os planos em tarifs.

Nenhuma técnica isolada, incluindo o cruzamento texto-imagem descrito aqui, detecta todas as formas de fraude documental. Como complemento aos controles existentes, a análise de sinais de geração por IA em documentos suspeitos — incluindo imagens totalmente sintéticas — reforça a cobertura de detecção. Para essa camada adicional, consulte a nossa detecção de deepfakes e conteúdo gerado por IA, pensada para complementar, e não substituir, os controles técnicos descritos neste artigo.

Consulte também o guia de verificação documental para um panorama completo dos métodos de detecção de fraude por tipo de documento.

Perguntas frequentes

Todos os PDFs têm uma camada de texto oculta?

Não. Só PDFs processados por OCR, ou exportados de software de edição de texto, contêm uma camada de texto pesquisável. Um PDF puramente fotográfico é apenas imagem e não tem texto extraível — o que, por si só, é um sinal a considerar.

É legal ou normal um PDF ter texto invisível?

Sim, é uma prática técnica comum e legítima. O modo de renderização invisível é a forma padrão de tornar um documento digitalizado pesquisável sem alterar sua aparência. O problema não é a existência da camada, é a divergência não detectada entre essa camada e a imagem visível.

Como posso verificar manualmente se um PDF tem texto escondido suspeito?

Selecione todo o conteúdo da página (Ctrl+A) e cole num editor de texto simples: se aparecerem valores diferentes dos visíveis no PDF, há uma divergência a investigar. Essa verificação manual detecta os casos mais óbvios, mas não substitui uma análise automatizada que cruze texto extraído, OCR independente e metadados.

Um sistema de OCR tradicional detecta esse tipo de fraude?

Não de forma confiável. Um OCR tradicional lê a imagem visível e, isoladamente, não sabe que existe uma camada de texto embutida nem que ela pode conter valores diferentes. A detecção exige extrair as duas fontes e compará-las explicitamente, e não apenas confiar numa das duas.

O que a lei brasileira diz sobre falsificar um documento em PDF?

A falsificação de documento se enquadra nos artigos 297 e 298 do Código Penal Brasileiro: o artigo 297 trata da falsificação de documento público (reclusão de dois a seis anos, e multa), e o artigo 298 trata da falsificação de documento particular (reclusão de um a cinco anos, e multa) — categoria em que se enquadra um PDF como holerite, extrato bancário ou contrato adulterado. Quando o documento fraudado é submetido eletronicamente para obter vantagem financeira, como em abertura de conta ou concessão de crédito, também entram em jogo as obrigações de PLD/FT das instituições financeiras e, quanto ao tratamento automatizado de dados pessoais na análise antifraude, os princípios de finalidade e segurança da LGPD — Lei 13.709/2018.

Essa técnica está ficando mais comum com ferramentas de IA?

Ainda não existe uma estatística pública confiável sobre a prevalência dessa técnica no Brasil. O que está documentado é que ferramentas de edição cada vez mais acessíveis reduzem a barreira técnica para executá-la, e que pesquisa acadêmica recente, como o estudo PhantomLint de 2025, confirma que pipelines automatizados continuam vulneráveis a conteúdo oculto em documentos estruturados.