Компанії, що керують сайтами, отримали нову лінію оборони проти AI-скрейперів — не CAPTCHA і не блокування за IP-адресою, а звичайний шрифт. Ідея проста: символи на сторінці підмінюються так, що людина в браузері бачить коректний текст, а скрипт, який просто витягує вміст HTML-коду, отримує беззмістовний набір символів. За даними Ars Technica AI, цей підхід уже розглядають як практичний інструмент захисту від масового збору даних для тренування мовних моделей.

Для видавців контенту це не абстрактна проблема. AI-скрейпери роками обходять сайти, копіюючи статті, довідники й форуми без узгодження умов використання — а потім цей текст опиняється в тренувальних датасетах великих мовних моделей. Класичні методи захисту — robots.txt, блокування User-Agent, платні API — скрейпери навчилися обходити майже одразу. Шрифт-обфускація атакує іншу ланку: не доступ до сторінки, а спосіб, яким машина інтерпретує текст усередині неї.

Це важливо для розробників, бо межа між «публічним текстом» і «текстом, придатним для копіювання ботом» знову зсувається — і цього разу не в бік юридичних заборон, а в бік технічного унеможливлення.

Що саме за шрифт і як він працює?

В основі лежить підміна відображення символів на рівні шрифту: у файлі шрифту гліфи прив'язані до інших кодів символів, ніж ті, що фізично лежать у HTML-розмітці сторінки. Браузер, завантаживши такий шрифт через CSS (@font-face), малює на екрані правильні літери — людина читає звичайний текст. Але будь-який інструмент, що зчитує «сирий» текст із DOM чи вихідного коду сторінки, а не рендерить її як браузер, отримує послідовність символів, яка не має нічого спільного з видимим текстом.

Простіше кажучи: те, що бачить око, і те, що лежить у коді, — це вже не той самий текст. Для людини сторінка виглядає ідентично оригіналу. Для скрипта, який тягне HTML пачками без повноцінного рендерингу сторінки в браузері, це шум.

Чим це відрізняється від старих anti-scraping трюків?

Подібні ідеї існували й раніше — приховані Unicode-символи проти харвестерів e-mail, «текст як картинка» на застарілих сайтах, CSS-трюки з псевдоелементами. Але в них або страждала доступність (скрін-рідери й пошукові боти теж не могли прочитати текст), або трюк ламався першим же оновленням парсера.

Кому це вигідно, а хто програє?

Найбільше виграють видавці з великими текстовими архівами — новинні сайти, довідники, форуми, — чий контент історично найпривабливіший для датасетів. Програють у першу чергу невеликі AI-стартапи й дослідницькі команди, які збирають дані самостійно, без ліцензійних угод із великими постачальниками контенту: для них рендеринг мільйонів сторінок headless-браузером — це на порядки дорожче за простий HTTP-запит.

Великі лабораторії з бюджетом на ліцензування даних або на інфраструктуру рендерингу постраждають менше — ймовірно, для них це радше додаткова стаття витрат, ніж непереборний бар'єр. Ми вже писали, чому довірені дані визначають масштаб ШІ-агентів: чим агресивніше сайти обфускують контент, тим більше моделі залежатимуть саме від ліцензованих і партнерських джерел, а не від вільного вебскрейпінгу.

Висновок AiiN: це не кінець скрейпінгу, а зміна його економіки

Наша теза проста: шрифт-обфускація не зупинить AI-скрейпінг як явище — вона зробить його дорожчим і повільнішим для тих, хто не готовий платити за рендеринг сторінок повноцінним браузером. Це технічна відповідь на економічну проблему: поки збір тренувальних даних лишається безкоштовним побічним продуктом веброзробки, видавці шукатимуть способи підняти вартість цього побічного продукту до рівня, коли простіше підписати ліцензійну угоду. Для AI-білдерів практичний висновок такий: якщо ваш пайплайн збору даних досі покладається на голий HTTP-запит і парсинг тексту, закладайте в архітектуру повноцінний рендеринг сторінок — інакше частина вебу для вас найближчим часом просто «замовкне».

Чи бачать люди різницю на сторінці зі шрифтом-обфускатором?

Ні — в браузері з коректно підключеним шрифтом текст виглядає і читається так само, як звичайний, оскільки підміна відбувається лише на рівні відображення гліфів, а не видимого результату.

Чи можна обійти такий захист?

Так, якщо скрейпер рендерить сторінку повноцінним браузерним рушієм і застосовує OCR або знімає скриншот, а не читає сирий HTML-код, — але це суттєво підвищує вартість і час обробки кожної сторінки.

Чи впливає це на SEO та доступність для скрін-рідерів?

Це залежить від реалізації: якщо текст у DOM лишається справжнім текстом, а підміняється лише його графічне відображення шрифтом, пошукові боти й асистивні технології в теорії можуть продовжувати працювати коректно — але це найслабше місце підходу, яке варто перевіряти на кожному конкретному сайті.