O que é fraude em anúncios? Tipos, detecção e prevenção

Introdução: a industrialização do engano digital

O ecossistema de publicidade digital, antes celebrado como o auge do marketing mensurável e responsável, está hoje cercado por uma crise de integridade que ameaça os próprios alicerces da economia da internet. Não vivemos mais em uma era em que “fraude” significa um hacker solitário escrevendo um script para clicar em um banner. Hoje, a fraude em anúncios é um empreendimento global industrializado, que funciona com a sofisticação das empresas de negociação de alta frequência e a opacidade dos bancos offshore. É uma economia parasitária que desvia bilhões do comércio legítimo, distorcendo dados, corroendo a confiança e financiando o crime organizado.

Para anunciantes e líderes de marketing, as implicações dessa ameaça vão muito além da perda imediata de orçamento de mídia. A fraude em anúncios representa uma corrupção fundamental da cadeia de suprimentos de dados. Quando os dados de conversão, as taxas de cliques (CTR) e os modelos de atribuição são contaminados por tráfego não humano, o processo de tomada de decisões estratégicas fica comprometido. Os algoritmos otimizam em direção ao comportamento dos bots, e não à intenção humana, criando um ciclo de ineficiência que degrada o valor da marca e distorce a realidade do mercado.

O impacto financeiro medido é impressionante. Uma análise do setor divulgada pelo MediaPost constatou que o tráfego inválido respondeu por 8,51% dos cliques pagos em 2025, cerca de US$ 63 bilhões em investimento global em anúncios desperdiçado, enquanto os bots automatizados ultrapassaram 53% de todo o tráfego da web (Imperva, 2026). Isso não é apenas um reflexo do aumento dos gastos digitais; significa uma evolução fundamental nas táticas adversárias dos fraudadores. À medida que avançamos por 2025 e entramos em 2026, o cenário está migrando de botnets simples para operações sofisticadas, movidas por IA, que usam proxies residenciais, machine learning e imitação comportamental para escapar da detecção. O crescimento da Connected TV (CTV) e dos ambientes mobile-first abriu novas fronteiras de exploração, em que o inventário de custo por mil (CPM) alto atrai as operações mais sofisticadas de tráfego inválido (SIVT).

Este relatório oferece uma análise exaustiva do cenário de fraude em anúncios, pensada para o planejador estratégico que precisa atravessar esse campo minado. Vamos desconstruir as diferenças técnicas sutis entre a fraude em anúncios de amplo espectro e os mecanismos específicos da fraude de cliques, explorar os modelos econômicos de teoria dos jogos por trás da dificuldade do setor em contê-la e detalhar as metodologias forenses necessárias para detecção e mitigação em uma era de engano movido por IA.

Definindo o cenário de ameaças: fraude em anúncios vs. fraude de cliques

Uma falha crítica na defesa estratégica contra o tráfego inválido é a confusão entre “fraude em anúncios” e “fraude de cliques”. Embora muitas vezes usados como sinônimos no jargão do setor, esses termos representam categorias distintas dentro da taxonomia do tráfego inválido (IVT), cada uma com assinaturas técnicas, objetivos de monetização e impactos próprios sobre as análises de marketing. Uma distinção semântica e técnica precisa é necessária para uma análise de lacunas eficaz e para a adoção das contramedidas adequadas.

Fraude em anúncios: o guarda-chuva da fabricação de inventário

Fraude em anúncios é a classificação abrangente para qualquer atividade deliberada que impeça a entrega correta dos anúncios ao público pretendido ou a medição correta desses anúncios. É um termo guarda-chuva amplo que abrange todo o ciclo de vida de um anúncio, da solicitação de lance e da renderização da impressão até o clique e a atribuição pós-clique. O principal objetivo da fraude em anúncios costuma ser a monetização do próprio inventário.

No ecossistema programático, a fraude em anúncios frequentemente mira a camada de impressões (modelos de CPM). Os fraudadores criam sites falsos, falsificam domínios ou usam malware para carregar anúncios em segundo plano nos dispositivos dos usuários. O objetivo é enganar a demand-side platform (DSP), fazendo-a acreditar que um usuário legítimo em um site de um publisher premium visualizou um anúncio. Isso inclui mecanismos que não envolvem necessariamente interação, como lavagem de impressões, pixel stuffing e fraude em anúncios de vídeo, em que a receita é gerada simplesmente pelo registro de um evento de “renderização” no servidor.

Para o estrategista, a fraude em anúncios é um problema de alcance e de segurança da marca. Ela dilui o CPM efetivo (eCPM) e expõe a marca a ambientes que podem ser contrários aos seus valores. Ela infla o topo do funil, fazendo as campanhas de reconhecimento parecerem mais bem-sucedidas do que são e, ao mesmo tempo, degrada as métricas de visibilidade que costumam ser usadas como KPIs em iniciativas de branding.

Fraude de cliques: o vetor baseado em interação

A fraude de cliques é uma subdisciplina específica e agressiva da fraude em anúncios, focada exclusivamente em fabricar engajamento. Ela envolve a geração de cliques falsos em anúncios de pagamento por clique (PPC) com a intenção específica de esgotar o orçamento de um anunciante (esgotamento financeiro) ou de inflar a receita de um publisher que hospeda o anúncio (geração de receita).

Ao contrário da fraude de impressões em geral, a fraude de cliques ataca a camada de performance da pilha de marketing. Ela mira o marketing de busca (SEM), a publicidade em redes sociais e as redes de afiliados, em que os pagamentos estão atrelados a uma ação do usuário (CPC ou CPA). A fraude de cliques é particularmente nociva porque distorce ativamente métricas de desempenho como a taxa de cliques (CTR) e o custo por clique (CPC). Em ecossistemas de busca como o Google Ads, taxas altas de cliques inválidos podem inflar a CTR no início, potencialmente elevando o Índice de qualidade de forma temporária, mas a ausência posterior de sinais de conversão (ou o comportamento de “pogo-sticking”, em que o bot sai imediatamente) acaba sinalizando baixa relevância ao algoritmo, prejudicando a posição do anunciante no longo prazo.

A fraude de cliques exige um nível de interação técnica maior do que a fraude de impressões. O fraudador precisa não só carregar o anúncio, mas também simular um evento de interação do usuário: um clique do mouse, um evento de toque ou um tap. Isso exige scripts mais sofisticados ou o uso de fazendas de cliques humanas para passar pelos filtros elementares que procuram impressões sem interação.

Análise comparativa: fraude em anúncios vs. fraude de cliques

A análise a seguir esclarece as distinções técnicas, financeiras e operacionais entre esses dois conceitos sobrepostos, oferecendo uma estrutura para identificar qual vetor ameaça cada objetivo de campanha.

A taxonomia do tráfego inválido (IVT): estruturas regulatórias

Para padronizar o combate à fraude e oferecer uma linguagem comum a fornecedores, publishers e anunciantes, o Media Rating Council (MRC) e o Interactive Advertising Bureau (IAB) estabeleceram uma taxonomia rigorosa. Essa estrutura classifica o tráfego inválido com base na sofisticação da detecção necessária para identificá-lo. Entender essa dicotomia é essencial para avaliar as capacidades dos fornecedores de verificação e entender as limitações das defesas padrão das plataformas.

Tráfego inválido geral (GIVT)

O GIVT se refere ao tráfego gerado por fontes não humanas conhecidas, geralmente inofensivo ou fácil de identificar por métodos de filtragem de rotina. Ele funciona como o “fruto mais fácil de colher” da detecção de fraudes: o ruído que precisa ser filtrado antes de qualquer análise séria começar.

• Rastreadores conhecidos: esta categoria inclui bots de mecanismos de busca (por exemplo, Googlebot, Bingbot) e rastreadores comerciais usados para indexação e monitoramento. Esses agentes normalmente se declaram na string de User-Agent, o que facilita filtrá-los
• Tráfego de data center: tráfego originado de endereços IP pertencentes a provedores de hospedagem (por exemplo, AWS, Azure, Google Cloud), e não a ISPs residenciais. Como os humanos raramente navegam na web a partir de um servidor de data center, esse tráfego é automaticamente sinalizado como não humano. No entanto, como veremos na seção sobre SIVT, fraudadores sofisticados desenvolveram métodos para mascarar o tráfego de data center como tráfego residencial
• Padrões irregulares: o GIVT também inclui scripts simples que executam cliques em intervalos precisos e não humanos (por exemplo, exatamente a cada 1,0 segundo) ou que apresentam outros comportamentos claramente robóticos que acionam os filtros heurísticos básicos

Tráfego inválido sofisticado (SIVT)

O SIVT representa a fronteira adversária e é a principal preocupação do estrategista sênior. Ele é definido como tráfego difícil de detectar, que exige análises avançadas, corroboração de múltiplos pontos e intervenção humana para ser identificado. O SIVT é intencionalmente enganoso, projetado para imitar o comportamento humano, passar pelos filtros padrão e “se passar” por dados legítimos de audiência.

• Proxies residenciais: os fraudadores direcionam o tráfego de bots pelos dispositivos de usuários residenciais desavisados (muitas vezes via malware ou apps de VPN duvidosos) para mascarar a origem do tráfego. Isso faz a requisição parecer vir de uma conexão legítima de um ISP residencial (por exemplo, Verizon Fios, Comcast Xfinity), escapando das listas de bloqueio padrão de “data center” usadas para pegar o GIVT
• Falsificação de dispositivos: envolve a manipulação da string de User-Agent e das impressões digitais da pilha TCP/IP para fazer um script do lado do servidor parecer um dispositivo móvel específico (por exemplo, um iPhone 15 Pro com iOS 17.4). Os fraudadores emulam minuciosamente os cabeçalhos e as características de dispositivos reais para enganar as tecnologias de impressão digital do dispositivo
• Imitação comportamental: bots avançados (como os vistos na operação 3ve) simulam movimentos do mouse, velocidades de rolagem variadas e “tempo de permanência” na página. Eles são programados para navegar pelo site de forma não linear, pausando para “ler” o conteúdo e interagindo com elementos da página para gerar sinais de “engajamento” que enganam os sensores de biometria comportamental
• Malware ofuscado: código malicioso embutido em apps móveis ou extensões de navegador injeta anúncios ou cliques em segundo plano, sem o conhecimento do usuário. Esse tráfego é tecnicamente gerado por um dispositivo real, o que o torna extremamente difícil de distinguir da atividade legítima do usuário no mesmo dispositivo

A mecânica da manipulação: tipologias detalhadas

A execução da fraude em anúncios se apoia em um arsenal variado de mecanismos técnicos. Esses vetores atacam vulnerabilidades diferentes da pilha de ad tech, do dispositivo do usuário ao leilão da exchange. Entender a mecânica específica desses ataques é crucial para identificar quais partes de uma estratégia de marketing são mais vulneráveis.

Mecanismos de fraude baseados em impressões

Pixel stuffing e ad stacking

São técnicas usadas para monetizar o tráfego orgânico várias vezes ou para gerar impressões sem visibilidade. Elas representam uma traição fundamental à promessa de “oportunidade de ver” do modelo de CPM.

Pixel stuffing: nesse cenário, os fraudadores colocam um anúncio dentro de um iframe de 1x1 pixel. O anúncio tecnicamente “carrega” e dispara um beacon de impressão para o servidor de anúncios, mas fica invisível ao olho humano. O anunciante paga por uma impressão que não teve nenhuma chance de ser vista. Uma única página pode conter dezenas desses pixels de 1x1, permitindo que o publisher monetize um único visitante dezenas de vezes ao mesmo tempo.

Ad stacking: consiste em empilhar vários anúncios uns sobre os outros em um único espaço publicitário, manipulando o z-index do CSS. Apenas o anúncio de cima fica visível para o usuário, mas o fraudador programa a página para informar impressões de todos os anúncios da pilha. Em algumas variantes de fraude de cliques, um único clique no anúncio de cima é planejado para ser registrado como clique em todos os anúncios empilhados ao mesmo tempo, fraudando vários anunciantes com uma única ação do usuário.

Falsificação de domínio

A falsificação de domínio é uma tática de arbitragem em que o fraudador apresenta inventário de baixa qualidade como inventário premium. Ela explora a desconexão entre os dados da solicitação de lance e o ambiente real de renderização.

Mecanismo: o fraudador opera um site de baixo valor (por exemplo, um site com conteúdo pirata, discurso de ódio ou texto gerado aleatoriamente), mas modifica a solicitação de lance enviada à ad exchange para alegar que a URL é de um publisher premium, como nytimes.com ou cnn.com.

Impacto: os anunciantes dão lances de CPM altos acreditando que estão alcançando públicos premium em sites confiáveis. Na realidade, seus anúncios são exibidos em sites de baixo valor e sem segurança para a marca. Isso não só desperdiça orçamento, como traz riscos graves à reputação, já que a marca parece estar financiando conteúdo ilícito. A criação do ads.txt (Authorized Digital Sellers) foi uma resposta direta do setor a esse vetor, permitindo que os publishers declarem publicamente quem está autorizado a vender seu inventário.

Mecanismos de fraude baseados em interação

Click injection (mobile)

O click injection é uma forma sofisticada de fraude mobile, muito comum no ecossistema Android, que explora recursos específicos dos broadcast receivers do sistema operacional.

Mecanismo: um usuário instala um app malicioso (muitas vezes um utilitário como lanterna, calculadora ou gerenciador de arquivos) que pede permissão para rodar em segundo plano. Esse app fica escutando os “install broadcasts”, sinais do sistema que indicam que um novo app está sendo instalado no dispositivo. Quando o usuário baixa um app legítimo (por exemplo, Uber ou Spotify) da Play Store, o app malicioso detecta o processo de instalação.

Roubo de atribuição: pouco antes de a instalação terminar, o app malicioso dispara um clique sintético para o parceiro de mensuração mobile (MMP). Como os modelos de atribuição costumam funcionar com base no “último clique”, o provedor de atribuição vê o clique vindo do app malicioso imediatamente antes da instalação. Consequentemente, a instalação orgânica é atribuída ao fraudador, que recebe um pagamento de custo por instalação (CPI) por um usuário que ele não trouxe.

Click spamming / click flooding

Essa técnica consiste em gerar um volume enorme de cliques falsos em segundo plano, executando um ataque estatístico contra o modelo de atribuição.

Mecanismo: um app fraudulento envia relatórios de cliques de milhares de anúncios em segundo plano enquanto o usuário usa o app, embora nenhum anúncio seja exibido. Isso é feito independentemente da intenção do usuário.

A aposta estatística: o fraudador está apostando na probabilidade. Se ele dispara cliques de apps populares (por exemplo, apps de compras, apps de viagem) para cada usuário que controla, existe uma probabilidade estatística de que o usuário visite organicamente um desses apps ou sites mais tarde. Quando essa visita orgânica acontece, o fraudador reivindica a atribuição de “último clique”, porque inundou o histórico do dispositivo do usuário com sinais falsos de engajamento.

Fazendas de cliques

Embora muitas formas de fraude sejam automatizadas, as fazendas de cliques introduzem o elemento “humano” para derrotar a detecção biométrica.

Operação: grandes grupos de trabalhadores mal remunerados são contratados para clicar manualmente em anúncios, assistir a vídeos ou instalar apps. Essas fazendas podem ser locais físicos com racks de dispositivos ou redes descentralizadas de trabalhadores remotos.

Evasão: como os cliques são gerados por humanos reais, com dedos reais em telas reais, eles passam em muitas das verificações de “detecção de bots” que procuram movimentos robóticos do mouse ou tempos perfeitos. Mesmo assim, o tráfego continua sendo fraudulento, porque não há intenção genuína de comprar ou interagir; a única intenção é gerar o clique para receber o pagamento.

Estudos de caso de crime cibernético industrializado: Methbot e 3ve

Para compreender plenamente a escala da ameaça, é preciso examinar as operações emblemáticas que definiram a era moderna da fraude em anúncios. Não foram golpes pequenos, e sim operações cibernéticas enormes e coordenadas que mudaram fundamentalmente o cenário da defesa.

A operação Methbot (2016)

O Methbot representa um marco na industrialização da fraude em anúncios. Operado por um grupo cibercriminoso russo, ele gerou entre US$ 3 milhões e US$ 5 milhões de receita diária no seu auge, mirando o valioso mercado de publicidade em vídeo.

Arquitetura técnica: ao contrário das botnets anteriores, que dependiam de computadores residenciais infectados (pouco confiáveis e com tempo de atividade variável), o Methbot usava uma infraestrutura própria de mais de 2.000 servidores dedicados em data centers (principalmente em Dallas e Amsterdã). Isso lhe dava largura de banda e poder de processamento enormes.

O engano: para esconder que o tráfego vinha de data centers, os operadores forjaram registros de IP para fazer seus blocos de IP de data center parecerem pertencer a ISPs residenciais como Verizon e Comcast. Eles usavam um mecanismo de navegador personalizado (baseado em Node.js) para executar JavaScript, simulando visualizações de vídeo e interações em mais de 6.000 domínios premium falsificados.

Impacto: o Methbot provou que os fraudadores conseguiam falsificar o ambiente inteiro (o usuário, a rede, o navegador e o publisher) em escala industrial.

A botnet 3ve (2018)

Depois da exposição do Methbot, os fraudadores evoluíram. A operação 3ve (pronuncia-se “Eve”) demonstrou a mudança rumo à resiliência e às arquiteturas híbridas.

Modelo híbrido: a 3ve combinava a abordagem de data center do Methbot com uma enorme botnet residencial (mais de 1,7 milhão de PCs infectados). Ela usava famílias de malware como Kovter e Boaxxe para sequestrar dispositivos de usuários reais.

Sofisticação: ao direcionar o tráfego por IPs residenciais reais, a 3ve derrotou as defesas de filtragem de IP que tinham parado o Methbot. O malware muitas vezes rodava uma instância oculta do navegador Chromium na máquina da vítima, gerando tráfego indistinguível da navegação real do usuário.

Escala: no seu auge, a 3ve gerou mais de 3 bilhões de solicitações de lance por dia. Ela acabou sendo desmantelada por uma coalizão histórica envolvendo o Google, a White Ops (hoje HUMAN) e o FBI, que levou ao indiciamento de vários operadores. O caso 3ve mostrou que defesas puramente técnicas são insuficientes; é preciso colaboração jurídica e entre setores para derrubar a infraestrutura da fraude.

A economia da fraude em anúncios: incentivos e teoria dos jogos

Para entender por que a fraude em anúncios persiste apesar dos enormes investimentos do setor em detecção, é preciso analisar os incentivos econômicos e as dinâmicas de teoria dos jogos por trás dela. A persistência da fraude não é apenas uma falha técnica; é uma falha de mercado.

O “problema dos limões” e a assimetria de informação

O mercado de publicidade digital sofre de uma grave assimetria de informação, semelhante ao famoso “mercado de limões” de George Akerlof. Os anunciantes não conseguem distinguir perfeitamente as impressões legítimas (de alta qualidade) das fraudulentas (de baixa qualidade) antes da compra.

A consequência para o mercado: essa incerteza reduz o valor de todo o inventário. Os compradores protegem seus lances contra a probabilidade de fraude, pagando menos por cada impressão. No entanto, como os publishers de alta qualidade não conseguem provar facilmente a pureza da sua audiência em tempo real, eles são forçados a competir em preço com a oferta fraudulenta de baixo custo.

A espiral: essa competição pode tirar o inventário legítimo do mercado ou forçar os publishers a recorrer ao “traffic sourcing”, comprando tráfego barato para cumprir as metas de entrega das campanhas, e esse tráfego muitas vezes já vem contaminado por bots. O resultado é um ecossistema degradado, em que a qualidade é subvalorizada e a fraude é incentivada pela demanda por escala barata.

Teoria dos jogos: o dilema da plataforma

Uma pesquisa de Wilbur e Zhu (2009) aplica a teoria dos jogos à relação entre mecanismos de busca e anunciantes, revelando uma estrutura de incentivos complexa.

O equilíbrio: em um leilão de segundo preço com informação completa, se os anunciantes sabem que x% dos cliques são fraudulentos, eles vão racionalmente reduzir seus lances exatamente em x%. Nesse equilíbrio teórico, a receita do mecanismo de busca permanece neutra: ele recebe por mais cliques, mas a um preço por clique proporcionalmente menor.

O incentivo para tolerar: no entanto, a pesquisa indica que, se houver incerteza sobre a taxa de fraude, ou se o leilão for menos competitivo, a plataforma pode se beneficiar economicamente de um certo nível de fraude não detectada. Isso cria um conflito principal-agente em que a plataforma (o agente) tem um desincentivo para eliminar a fraude por completo se o custo da detecção superar a perda de receita causada pela menor confiança dos anunciantes. A plataforma precisa equilibrar a receita de curto prazo dos cliques fraudulentos com o risco de longo prazo de perder anunciantes.

Fraude de afiliados e a brecha da atribuição

O marketing de afiliados funciona com base em desempenho (CPA), o que, em teoria, reduz o risco para o anunciante. No entanto, esse modelo cria um forte incentivo para a “fraude de atribuição”.

O mecanismo: como os afiliados só recebem por conversões, eles têm um grande incentivo para usar cookie stuffing ou click injection e roubar o crédito de conversões orgânicas que aconteceriam de qualquer forma.

A perda econômica: o anunciante sofre uma perda dupla: paga comissão por um cliente que já tinha e seus dados sugerem, de forma equivocada, que o canal de afiliados é altamente eficaz. Isso leva à má alocação do orçamento futuro no canal fraudulento, agravando ainda mais a ineficiência.

Para o lado do anunciante, veja como prevenir a fraude de cliques no marketing de afiliados.

Detecção técnica e análise forense

Detectar a fraude em anúncios moderna exige ir além das listas de bloqueio simples (bloqueio de IP), rumo à modelagem probabilística e à biometria comportamental. A defesa precisa ser tão sofisticada quanto o ataque.

Detecção determinística vs. probabilística

Detecção determinística (baseada em assinaturas): depende de um banco de dados de sinais “ruins” conhecidos. É a primeira linha de defesa.

• Listas de bloqueio de IP: manter listas em tempo real de data centers conhecidos, nós de saída de VPN e servidores de comando e controle (C2) de botnets
• Listas negras de User-Agent: bloquear strings de user-agent desatualizadas, malformadas ou de bots conhecidos

Limitações: essa abordagem é reativa. Ela só consegue parar fraudes que já foram identificadas e catalogadas. O SIVT escapa facilmente dela alternando IPs e falsificando User-Agents.

Detecção probabilística (comportamental): usa machine learning para identificar anomalias nos padrões de tráfego.

• Análise de entropia: o comportamento humano real é matematicamente “bagunçado”. Os humanos movem o mouse em curvas, variam a velocidade de rolagem e têm um tempo no site irregular. Os bots costumam ser perfeitos demais (movimento linear do mouse) ou aleatórios demais de um jeito previsível e algorítmico. Entropia alta sugere humanidade; entropia baixa ou padrões repetidos sugerem automação
• Análise do tempo até a instalação (CTIT): em campanhas de instalação de apps móveis, um CTIT impossivelmente curto (por exemplo, menos de 10 segundos) indica click injection (o clique aconteceu depois de o download começar). Por outro lado, um CTIT extremamente longo (por exemplo, mais de 24 horas) com distribuição plana sugere click spamming. Uma distribuição legítima normalmente segue uma curva reconhecível (distribuição de Pareto). (Veja como funciona a fraude em anúncios de apps móveis, do click injection ao SDK spoofing.)

Machine learning e IA adversária

Os sistemas de detecção avançados usam modelos de aprendizado supervisionado e não supervisionado para classificar o tráfego. No entanto, isso levou a uma corrida armamentista conhecida como machine learning adversário.

A corrida armamentista: os fraudadores agora usam seus próprios modelos de ML para treinar bots capazes de derrotar os classificadores de detecção. Eles usam “redes adversárias generativas” (GANs) para simular possíveis padrões de fraude e testá-los contra os sistemas de defesa.

Resposta defensiva: os fornecedores de detecção agora precisam usar essas mesmas GANs para simular novas variantes de fraude e treinar seus detectores contra elas antes mesmo de a fraude aparecer no mundo real. Essa defesa preditiva é crucial para ficar à frente do SIVT gerado por IA.

Detecção baseada em grafos: consiste em mapear as relações entre dispositivos, IPs e cookies. Se um único ID de dispositivo aparece associado a 500 IPs diferentes em uma hora, ou se um grupo de dispositivos sempre se move junto pela web, visitando os mesmos sites na mesma ordem, a análise de grafos sinaliza isso como uma botnet, mesmo que os comportamentos individuais pareçam legítimos.

A próxima fronteira: ameaças emergentes em 2025 e depois

À medida que o setor reforça suas defesas na web tradicional, a fraude migra para ambientes mais novos e menos regulados. O estrategista sênior precisa olhar adiante, para esses vetores emergentes.

Fraude em Connected TV (CTV)

A CTV é hoje o alvo mais lucrativo para os fraudadores, por causa dos CPMs altos (muitas vezes de US$ 20 a US$ 30) e da falta de padrões de mensuração maduros em comparação com a web.

Falsificação de SSAI: a inserção de anúncios no lado do servidor (Server-Side Ad Insertion, SSAI) costura os anúncios no stream de vídeo no servidor, com o objetivo de oferecer uma experiência fluida, parecida com a da TV. Os fraudadores montam servidores proxy que imitam dispositivos de CTV, solicitando anúncios e informando que foram “vistos” sem nunca entregar o vídeo a uma tela. Vários grandes esquemas de falsificação de SSAI descobertos por pesquisadores de segurança são exemplos claros dessa evolução.

Apps fantasmas: os fraudadores criam apps para Roku e FireTV que dizem ser canais de conteúdo premium, mas que na verdade rodam em segundo plano (muitas vezes disfarçados de protetores de tela ou utilitários). Esses apps geram impressões de anúncios enquanto a TV está ociosa, simulando um espectador assistindo a horas de conteúdo.

Fraude gerada por IA (sites MFA)

A IA generativa permite que os fraudadores criem sites “Made for Advertising” (MFA, feitos para publicidade) com custo marginal zero.

A ameaça: esses sites são preenchidos com conteúdo escrito por IA, criado apenas para fazer arbitragem de palavras-chave e hospedar anúncios. Embora nem sempre sejam tráfego estritamente “inválido” (humanos reais podem visitá-los por meio de clickbait), eles representam uma enorme extração de valor do ecossistema. Eles oferecem posicionamentos de baixa qualidade que degradam o desempenho das campanhas e desperdiçam orçamentos de atenção. A IA também está sendo usada para criar conteúdo “slop”, coerente o suficiente para passar pelos filtros de palavras-chave, mas sem nenhum valor para o usuário.

O “déficit de confiança” e os walled gardens

A persistência da fraude empurra os anunciantes para os “walled gardens” (Google, Meta, Amazon), onde eles percebem mais segurança. No entanto, relatórios indicam que nem essas plataformas estão imunes, com taxas significativas de tráfego inválido muitas vezes ocultadas pela falta de auditabilidade por terceiros. Essa centralização do investimento reduz a diversidade do mercado, mas obriga os publishers independentes a adotar padrões mais rígidos para sobreviver. A tendência caminha para uma web “bifurcada”: uma camada segura e autenticada de usuários logados e publishers premium, e um “velho oeste” de inventário da web aberta, cada vez mais visto como tóxico.

Mitigação estratégica: uma estrutura de defesa

Para os anunciantes, a defesa exige uma abordagem em camadas que combine implementação técnica, higiene da cadeia de suprimentos e supervisão estratégica. Não basta ligar um botão em uma ferramenta; é preciso arquitetar uma pilha resistente à fraude.

Para uma versão mais curta que você pode aplicar nas suas próprias campanhas, use o nosso checklist de prevenção de fraude em anúncios para equipes de mídia paga.

Supply Path Optimization (SPO)

Os anunciantes precisam encurtar a distância até o publisher e eliminar intermediários opacos.

• Exija ads.txt e app-ads.txt: exija rigorosamente que as DSPs só comprem inventário autorizado pelo arquivo ads.txt do publisher. Isso impede a falsificação de domínio, garantindo que o vendedor é válido
• Audite o sellers.json: audite regularmente os arquivos sellers.json dos parceiros de exchange para garantir que os intermediários sejam transparentes sobre sua relação com o publisher
• Consolide os parceiros: reduza o número de exchanges e SSPs no caminho de compra. Menos parceiros significam menos cantos escuros onde a fraude pode se esconder

Calibração defensiva e exclusão

• Listas de exclusão dinâmicas: embora o bloqueio de IP seja limitado contra o SIVT, manter listas de exclusão dinâmicas para URLs de posicionamentos é crucial. Isso inclui bloquear sites MFA conhecidos e apps com altas taxas de fraude
• Palavras-chave negativas: em campanhas de pesquisa, listas agressivas de palavras-chave negativas impedem que os anúncios sejam exibidos em consultas irrelevantes, que muitas vezes são usadas por bots para gerar volume de buscas. Isso protege o orçamento de ser esgotado por tráfego de bots que não converte e que pesquisa termos amplos

Mudança de métrica: do volume para a atenção

A defesa definitiva contra a fraude em anúncios é parar de otimizar para métricas que os bots falsificam com facilidade (impressões, cliques) e começar a otimizar para métricas que eles têm dificuldade de imitar.

• Métricas de atenção: integre fornecedores que medem o rastreamento ocular real ou a atenção ativa. Um bot consegue disparar um beacon de impressão, mas não consegue gerar sinais genuínos de atenção humana
• Resultados de negócio: leve as metas de otimização para o fundo do funil. Otimize para leads válidos (validados no CRM) ou compras reais (ROAS), em vez de CPA. Embora a fraude de conversões exista, ela é exponencialmente mais cara e difícil de executar para os fraudadores do que uma simples fraude de cliques

Conclusão

A fraude em anúncios não é uma falha pontual do sistema de publicidade digital; é uma economia parasitária que evolui no mesmo ritmo do mercado legítimo. A transição do GIVT simples para o SIVT complexo e movido por IA exige uma mudança de paradigma na forma como o setor encara a verificação. Já não basta depender dos “filtros de fraude” básicos oferecidos pelas redes de anúncios. Uma estratégia de defesa em camadas exige uma compreensão forense dos mecanismos técnicos da fraude, distinguindo as ameaças específicas da fraude de cliques dos perigos mais amplos da lavagem de impressões, e disposição para auditar os incentivos econômicos de cada parceiro da cadeia de suprimentos.

À medida que avançamos rumo a 2026, a batalha será definida pela dinâmica de “IA vs. IA”, em que o machine learning adversário colocará algoritmos de geração de fraude contra algoritmos de detecção em tempo real. Para o estrategista, o único caminho viável é a vigilância, a transparência e um foco implacável em resultados de negócio verificáveis, em vez de métricas de vaidade. A era do “confie, mas verifique” acabou; diante da fraude em anúncios industrializada, a nova máxima deve ser “verifique e depois confie”.

Recursos relacionados