Texto invisível em PDF: como reconhecer sinais

Imagine uma página com três cláusulas visíveis. Ao copiar o conteúdo, surge uma quarta linha que nunca apareceu na tela. A diferença importa porque um leitor automatizado pode trabalhar a partir do texto extraído, mesmo quando o olho humano se orienta pela página renderizada.

Onde procurar

Fontes da mesma cor do fundo e tamanhos muito pequenos podem reduzir a legibilidade. Em documentos digitalizados, também é comum haver uma camada de OCR sobre a imagem. Essa camada pode ser legítima e útil para busca e acessibilidade. O sinal ganha importância quando a linha extra se dirige à IA, contradiz a versão visível ou tenta mudar o resultado da revisão.

Como investigar um trecho

Localize a página pelo relatório ou por busca textual. Compare a região da página com a seleção e a cópia para um editor local. Se a página tiver colunas, confira se o extrator só reordenou blocos legítimos. Registre o conteúdo visível, o conteúdo extraído e a origem da cópia. Se possível, obtenha o arquivo de origem ou uma exportação nova para comparação.

Como interpretar a diferença

Use uma regra de trabalho: divergência técnica pede conferência, e conteúdo que tenta orientar o assistente pede suspensão do fluxo automático. Um OCR mal alinhado pode introduzir um caractere errado sem que exista ataque. Uma ordem para esconder obrigações da análise merece tratamento diferente.

Mantenha a versão recebida intacta. Caso produza uma cópia revisada, identifique claramente qual versão deve seguir para o fluxo de IA.

Dê um destino para cada divergência

Nem toda diferença entre página e extração exige a mesma resposta. Um PDF com duas colunas pode devolver linhas intercaladas, um artefato que normalmente se resolve voltando ao trecho renderizado. Já uma frase ausente da imagem que se dirige ao assistente pede investigação sobre o conteúdo e a origem. Se o arquivo foi produzido pelo próprio escritório, tente reproduzir a exportação a partir da minuta que lhe deu origem. Se veio de fora, peça confirmação ao remetente por um canal que você já conhece. Evite sobrescrever a cópia recebida antes de entender por que as versões diferem.

O que apareceu	Hipótese inicial	Teste seguinte
Linhas de duas colunas intercaladas	Ordem de extração	Conferir a sequência na página
Frase incompleta atrás de uma imagem	OCR ou sobreposição	Comparar imagem, seleção e texto reconhecido
Ordem dirigida ao assistente fora da página visível	Possível tentativa de alterar a resposta	Isolar a versão e revisar as cláusulas afetadas

Faça a comparação em um trecho pequeno primeiro. Quando houver padrão semelhante em várias páginas, registre as regiões afetadas e amplie a revisão antes de liberar o arquivo.

Leia também

• O que é prompt injection em contratos?
• Como verificar um PDF antes de enviar à IA

Fontes

• OWASP · LLM01 Prompt Injection
• Adobe · Reconhecimento de texto em PDFs digitalizados