--- title: "Mercado cinza de Claude: perigos do acesso com 90% de desconto" author: "Gabriela P. Torres" date: "2026-08-18 18:15:00-03" category: "Segurança & Privacidade" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/18/mercado-cinza-de-claude-perigos-do-acesso-com-90-de-desconto/md" --- ## Resumo - Pesquisa do Oxford China Policy Lab descreve estações de transferência que revendem acesso a modelos da Anthropic com até 90% de desconto. - A operação usa credenciais roubadas, contas com créditos promocionais e servidores proxy para contornar restrições geográficas e de exportação. - Auditoria do CISPA Helmholtz Center em 17 serviços confirmou substituição sistemática de modelos pagos por alternativas inferiores. - Prompts, respostas, documentos e código podem ser armazenados e revendidos como datasets para treinamento de modelos chineses. - A destilação de modelos usa interações para reproduzir capacidades de sistemas avançados em alternativas locais. - A Anthropic reforçou as regras em setembro de 2025 e passou a exigir documento e selfie de usuários selecionados em abril de 2026. - O próximo passo para empresas é evitar o envio de material sensível por intermediários cuja origem e política de retenção não possam ser verificadas. --- Uma pesquisa do **Oxford China Policy Lab** detalhou um mercado cinza na China que revende acesso a modelos da Anthropic por até **90% de desconto** sobre o preço oficial, usando chamadas “estações de transferência” como intermediárias. O preço parece resolver o problema do custo, mas desloca a conta para áreas que o comprador não enxerga: origem das credenciais, autenticidade do modelo entregue e destino dos dados enviados. Se um serviço controla o caminho entre o desenvolvedor e a inteligência artificial, então também pode controlar o que é encaminhado, registrado ou substituído. A [investigação sobre o mercado cinza](https://www.tomshardware.com/tech-industry/artificial-intelligence/chinese-grey-market-sells-claude-api-access-at-90-percent-off-through-proxy-networks-that-harvest-user-data) ajuda a separar o desconto anunciado dos perigos concretos da operação. ## O desconto passa por uma cadeia que o cliente não controla Para entender o primeiro problema, é preciso desmontar o funcionamento das “estações de transferência” ou 中转站. Elas atuam como intermediárias entre desenvolvedores e a infraestrutura da **Anthropic**, empresa responsável pelos modelos Claude, recebendo a solicitação de um lado e encaminhando-a por uma estrutura própria. Os serviços foram encontrados em plataformas como **GitHub** e Taobao, o que facilita a descoberta por quem procura uma alternativa mais barata ao acesso oficial. A promessa é simples, mas a arquitetura não é: o usuário deixa de conversar diretamente com o fornecedor do modelo e passa a depender de uma camada que pode alterar a rota, o produto ou o registro da interação. Essa porta de entrada também não funciona necessariamente como uma loja isolada. A pesquisa descreve vendedores de contas e plataformas de **SMS** como partes da cadeia de abastecimento, uma combinação que permite criar, validar ou distribuir acessos em escala. Na prática, isso significa que a credencial usada pelo cliente pode ter passado por intermediários antes de chegar ao painel de controle. Quanto mais etapas existem entre a compra e o serviço, mais difícil fica identificar quem gerou a conta, quem mantém o acesso e quem pode consultar os registros produzidos durante o uso, ponto que leva diretamente ao risco de identidade e rastreabilidade. Além dessas duas camadas, a rede inclui canais de pagamento e serviços de **verificação de identidade**, usados para sustentar a circulação de contas e solicitações. Desenvolvedores chineses pagam em RMB por meios digitais, enquanto operadores de proxy e revendedores secundários completam a distribuição na ponta. Não se trata apenas de uma diferença de preço entre duas lojas: há uma cadeia multiescalonada, com funções separadas e incentivos próprios. Segundo a análise disponível, essa profundidade dificulta desmontar o comércio atacando apenas um elo, porque outras camadas podem continuar abastecendo o serviço mesmo quando uma delas é interrompida. ## Credenciais roubadas transformam economia em risco de acesso O segundo ponto é a origem do acesso. O material consolidado descreve o uso de **credenciais roubadas**, além do registro em massa de contas que recebem créditos promocionais, para manter a revenda abaixo do preço oficial. Também aparecem servidores proxy estrangeiros, isto é, computadores intermediários que recebem a solicitação do cliente e a encaminham para outro destino. Essa combinação permite explorar contas que não foram compradas legitimamente para revender capacidade a terceiros. Se a conta de origem não pertence ao comprador, então o desconto não corresponde a uma negociação regular de preço, mas a uma operação sustentada por acesso obtido de forma irregular. Esse caminho técnico serve ainda para contornar **geofencing**, mecanismo que limita o funcionamento de um serviço conforme a localização do usuário, além de restrições de exportação. Para quem está do outro lado da tela, a interface pode parecer normal, mas a sessão passa por uma infraestrutura que foi montada justamente para driblar limitações de acesso. O usuário, portanto, não consegue inferir a legitimidade da operação apenas porque a resposta chegou ou porque o painel mostra o nome de um modelo conhecido. A lógica é quase forense: se o intermediário precisa ocultar a origem da conta e a localização da requisição, então o preço baixo vem acompanhado de uma perda de transparência que o anúncio não costuma mostrar. ## O cliente pode pagar por um modelo e receber outro O terceiro perigo foi medido tecnicamente. Auditorias realizadas pelo **CISPA Helmholtz Center** em **17 serviços proxy** confirmaram a substituição sistemática de modelos, prática em que o serviço entrega uma ferramenta diferente daquela informada ao comprador. O resultado é relevante porque não depende apenas de uma reclamação individual ou de uma resposta ocasionalmente ruim: a auditoria identificou um padrão de troca em vários intermediários. Quando o consumidor não tem acesso direto à infraestrutura, ele também não possui uma forma simples de verificar se o modelo anunciado realmente processou sua solicitação, e a etiqueta exibida na interface deixa de ser uma prova confiável. O mecanismo fica mais claro nos exemplos citados pela investigação: usuários que pagam por um modelo avançado como **Claude Opus** podem receber um modelo inferior ou de código aberto, como o **Qwen**, com o nome original relabelado para enganar o cliente. Relabelar significa apresentar uma ferramenta sob outra identificação, preservando a aparência comercial do produto contratado. Se a substituição ocorre, então o comprador paga por uma capacidade que não recebeu e pode tomar decisões técnicas com base em uma premissa falsa. Isso afeta desde a avaliação de qualidade até a análise de custos, porque uma resposta aparentemente produzida pelo modelo mais caro pode ter vindo de uma alternativa de desempenho diferente. A substituição também pode ser acompanhada de instruções pré-configuradas para imitar o comportamento esperado. O relatório descreve modelos mais baratos ou de código aberto “pre-promptados”, ou seja, preparados com instruções anteriores para simular a forma de responder de outro sistema. A semelhança visual torna o golpe mais difícil de perceber em tarefas simples, nas quais respostas de modelos diferentes podem parecer próximas. Em tarefas que dependem de raciocínio, contexto de código ou consistência entre várias solicitações, porém, a troca altera o resultado que o usuário imaginava estar testando, tornando qualquer comparação de desempenho ou validação de produto pouco confiável. ## Prompts e códigos podem virar matéria-prima para treinamento O risco mais sensível aparece no conteúdo enviado. As estações de transferência funcionam como pontos de interceptação nos quais cada interação pode ser armazenada, incluindo **documentos confidenciais** e **código proprietário**. Prompt é a instrução ou pergunta encaminhada ao modelo; resposta é o material devolvido; contexto de código é o conjunto de trechos e informações que acompanha uma solicitação técnica. Quando todos esses elementos passam pelo intermediário, a empresa ou o desenvolvedor não está apenas terceirizando o processamento, mas também entregando dados a uma estrutura cuja finalidade pode incluir a coleta de registros. Essa coleta não aparece somente como possibilidade abstrata. O material relata que operadores recolhem prompts, respostas e contextos de código para revendê-los como **datasets**, conjuntos de dados usados no treinamento e no aprimoramento de modelos. Os registros também são descritos como insumo para laboratórios chineses de inteligência artificial que desenvolvem alternativas locais. Se uma equipe envia uma especificação ainda não publicada, um trecho de software ou uma instrução interna, então a informação pode deixar de estar restrita ao ambiente que a produziu. O desconto, nesse caso, não é apenas uma redução de despesa: pode transformar o próprio trabalho do cliente em matéria-prima comercial para terceiros. O processo é associado à chamada **destilação de modelos**, técnica que usa respostas e comportamentos de um sistema para ajudar no treinamento de outro. A descrição fornecida pelas fontes aponta que laboratórios podem “destilar” capacidades de raciocínio de modelos como o Claude para alternativas domésticas. Isso não quer dizer que cada conversa produza automaticamente um novo modelo, mas mostra por que prompts e respostas têm valor para quem opera a intermediação. O problema para o usuário é a falta de controle sobre a finalidade posterior do material: a solicitação foi feita para obter uma resposta, enquanto o registro pode ser preservado e reutilizado como dado de treinamento. ## O impacto chega à propriedade intelectual das empresas Quando o conteúdo enviado inclui código ou documentos internos, a preocupação deixa de ser apenas a qualidade do serviço e alcança a **propriedade intelectual**. A análise sobre os serviços proxy identifica a colheita de logs, arquivos de registro que guardam as interações, como um ponto de preocupação para empresas que recorrem a intermediários para economizar custos. O dado não precisa ser publicado imediatamente para gerar risco: basta que fique armazenado em uma camada sobre a qual o cliente não tem visibilidade suficiente. Nesse modelo, a organização pode economizar na chamada e, ao mesmo tempo, perder clareza sobre quem teve contato com o material enviado. A lógica de proteção é direta. Se uma interação passa por um ponto de interceptação e esse ponto armazena documentos ou código, então o intermediário se torna parte da superfície de exposição da informação. Superfície de exposição é o conjunto de lugares pelos quais um dado pode escapar, ser consultado ou ser reutilizado. A empresa que contrata o serviço precisa considerar esse caminho antes de enviar qualquer material sensível, em vez de avaliar apenas a velocidade ou o preço apresentado na tela. O [mercado paralelo de IA](https://desbugados.com.br/post/2026/07/24/mercado-paralelo-de-ia-como-hackers-acessam-o-claude-e-o-chatgpt-quase-de-graca) já foi analisado pelo Desbugados sob essa mesma ótica: acesso barato não elimina a pergunta sobre quem controla a chamada. ## A resposta da Anthropic aumenta a exigência de identidade O endurecimento das regras mostra que o problema já produziu uma resposta operacional. A **Anthropic reforçou suas regras de acesso em setembro de 2025** e iniciou, em **abril de 2026**, exigências de documento oficial e selfie para usuários selecionados. Outras medidas de mitigação descritas no material incluem restrições mais rígidas e verificação por foto de identidade ao longo de 2025 e 2026. A consequência prática é uma camada adicional de identificação para parte dos usuários, enquanto os intermediários precisam encontrar novas formas de manter contas e rotas que dependem de credenciais irregulares. Essa reação não resolve sozinha o comércio, porque a própria estrutura é distribuída. A análise da cadeia afirma que vendedores de contas, serviços de pagamento e operadores de proxy ocupam posições diferentes, e que ataques contra uma única camada tendem a ser ineficazes. Para o usuário, a data das medidas importa menos do que a lição operacional: um serviço que promete acesso sem explicar a origem da conta, o modelo efetivamente utilizado e o tratamento dos registros exige cautela. A caixa de ferramentas é objetiva: não encaminhe documentos confidenciais ou código proprietário por um proxy desconhecido, confirme a origem do acesso e trate o nome exibido no painel como uma alegação que precisa ser verificada, não como garantia.