Desvendando o impacto de URLs em prompts de LLMs

A inclusão de URLs em prompts para Grandes Modelos de Linguagem (LLMs) não é um mero atalho de pesquisa. Pesquisadores do Google desvendaram que, se o conteúdo de uma página web já foi ingerido na fase de treinamento do modelo, a URL funciona como uma espécie de 'chave'. Ela ativa pesos internos do LLM, fazendo com que o modelo 'lembre' do conteúdo e incorpore um viés específico em sua resposta. Isso significa que o LLM não está necessariamente 'lendo' a página em tempo real, mas sim recuperando informações memorizadas. A pesquisa também apontou que URLs descritivas ou identificadores famosos (como IDs de artigos arXiv ou CVEs) têm maior chance de influenciar o modelo, especialmente se renderizados no lado do servidor.

Um ponto crucial é como o conteúdo é renderizado na web. Páginas construídas com JavaScript (Single Page Applications, ou SPAs) que exigem execução de scripts para exibir seu conteúdo principal são, em grande parte, ignoradas por crawlers de treinamento, como o Common Crawl. Isso faz com que esse tipo de conteúdo dificilmente esteja nos dados de treinamento dos LLMs. Já sites com conteúdo server-rendered, com HTML completo disponível antes da execução de JavaScript, têm muito mais chance de serem incluídos. Isso cria uma dicotomia interessante: para alguns, a invisibilidade a crawlers de IA é um recurso de privacidade; para outros, é uma perda de alcance.

Em junho de 2026, o CEVIU News reportou que o ChatGPT poderia executar instruções de páginas web, redirecionando usuários ou induzindo comportamentos maliciosos. A interpretação inicial era que o modelo 'lê' e age conforme instruções encontradas em URLs. A nova pesquisa, publicada em 6 de julho de 2026, aprofunda esse entendimento. Agora sabemos que, na maioria dos casos, não se trata de uma leitura em tempo real ou interpretação de instruções ao vivo. Em vez disso, a URL atua como um gatilho para informações que o LLM já memorizou durante seu treinamento. A vulnerabilidade de prompt injection via URLs, portanto, está mais ligada à recuperação de dados pré-existentes e à ativação de pesos internos do modelo do que a uma navegação ativa pela IA.

Este estudo levanta questões críticas sobre a neutralidade dos LLMs e o impacto na engenharia de prompts. Saber que uma URL pode sutilmente enviesar a saída de uma IA, mesmo sem uma instrução explícita para usar o link, tem implicações para a integridade da informação e a segurança. Para desenvolvedores, entender como o conteúdo web é ingerido pelos modelos pode guiar decisões sobre arquitetura de sites, privacidade e otimização para IA. Para usuários, é um lembrete importante de que a simples presença de um link em um prompt não é inócua, e o viés pode ser introduzido de formas que nem mesmo a IA está ciente.