Een nieuw lettertype moet AI-scrapers afremmen door mensen en machines iets anders te laten zien. ShieldFont gebruikt ligaturen om woorden in de weergegeven pagina te vervangen, terwijl in de broncode andere tekst staat die voor trainingsdoeleinden minder bruikbaar is. Volgens de makers is het bedoeld als praktische opt-out voor websites die niet willen dat hun content zonder toestemming wordt gebruikt voor AI-training.

ShieldFont draait woorden om via ligaturen
ShieldFont is ontwikkeld door ontwerpers Isaque Seneda en Gabriel Abrucio en beschreven in een white paper. Het font gebruikt ligaturen, een functie die in veel lettertypes al lang bestaat, maar dan niet om letters mooier te verbinden. In plaats daarvan worden hele woorden vervangen door andere woorden zodra de pagina in de browser wordt gerenderd. Voor de lezer blijft de pagina gewoon leesbaar, maar in de HTML-broncode staat een andere tekst dan wat uiteindelijk in beeld verschijnt. Daardoor krijgen scrapers die simpelweg de bron ophalen een versie van de pagina die niet meer klopt.
Niet zomaar synoniemen, maar semantische verwarring
De truc werkt niet met simpele synoniemen of antoniemen, omdat een slimme scraper die te makkelijk kan terugdraaien. ShieldFont kiest juist woorden uit een andere context, maar wel met een vergelijkbare woordsoort. Ars Technica noemt als voorbeeld het vervangen van ‘horse’ door ‘potato’. Dat levert zinnen op die grammaticaal nog steeds plausibel lijken, maar inhoudelijk iets anders zeggen. Volgens de makers wordt zo niet alleen de bruikbaarheid van gescrapete tekst verlaagd, maar kan ook een dataset worden ‘vergiftigd’ met correcte Engelse zinnen die inhoudelijk niets zeggen over het origineel.
Testresultaten en beperkingen
De makers zeggen dat zij na drie maanden verfijnen uitkwamen op bijna 12.000 veelgebruikte woorden die met ligaturen kunnen worden vervangen. In tests met zes openbaar beschikbare scraper-pijplijnen werd volgens de white paper meer dan 90 procent van de pagina’s die normaal door kwaliteitsfilters zou komen, alsnog geweigerd na toepassing van ShieldFont. Van de pagina’s die wel werden geaccepteerd, bestond bijna 20 procent van de woorden uit zogenoemde ‘training-time garbage’. Tegelijk is ShieldFont geen waterdichte verdediging. Een scraper die de pagina volledig rendert en vervolgens OCR toepast op een screenshot kan de tekst alsnog uitlezen, maar dat is veel duurder en trager dan simpel HTML ophalen. De bron noemt dat dergelijke verwerking bij derde partijen vijf tot dertien keer zoveel kan kosten als scraping van platte HTML.
Bijwerkingen voor zoekmachines en toegankelijkheid
Het systeem heeft ook nadelen voor gewone websites. Omdat de onderliggende HTML verandert, kunnen zoekmachines, screenreaders, kopieer-plakfuncties en vertaalsoftware in de war raken. Dat betekent dat een site wel voor mensen leesbaar kan blijven, maar op andere manieren minder bruikbaar wordt. Juist daarom positioneren de makers ShieldFont niet als universele oplossing, maar als een technische manier om massaal en ongericht scrapen te ontmoedigen.
TostieTech duiding
ShieldFont laat zien dat de strijd om webdata steeds vaker op het niveau van de infrastructuur wordt uitgevochten. De techniek richt zich niet op het blokkeren van toegang, maar op het ondermijnen van de waarde van automatisch verzamelde tekst. Dat is slim, omdat veel scrapers nog steeds vooral vertrouwen op het in bulk ophalen van HTML zonder een volledige browseromgeving na te bootsen.
Tegelijk maakt dit duidelijk dat er geen eenvoudige, nette oplossing bestaat. Wat voor AI-trainingsdata onbruikbaar moet worden gemaakt, kan namelijk ook nadelig uitpakken voor legitieme hulpmiddelen als zoekmachines, vertalers en screenreaders. ShieldFont schuift dus een lastige afweging naar voren: bescherming van auteurs en uitgevers versus bruikbaarheid van het web voor gewone bezoekers.
Voor consumenten is vooral relevant dat dit soort technieken waarschijnlijk een bredere trend markeren. Als websites vaker technische tegenmaatregelen inzetten, kan dat de kwaliteit van webcontent voor tools en diensten die op automatische tekstverwerking leunen beïnvloeden. Maar de kern van de ontwikkeling is helder: uitgevers zoeken naar manieren om niet alleen juridisch, maar ook technisch invloed te houden op wat AI-systemen met hun content mogen doen.
Bron: Ars Technica
