Combater o spam com IA: quando os filtros tradicionais não chegam

Uso o Fastmail há anos. Serviço excelente, preços sensatos, sem anúncios nem rastreio. Mas o filtro de spam? Incrivelmente inconsistente.

O problema não é o spam tradicional, que o Fastmail apanha sem dificuldade. Registos DKIM/SPF que não batem certo? Bloqueados. Domínios em listas negras? Filtrados. Isso tudo funciona.

O problema é todo o resto que passa. Um email de phishing, enviado de um endereço gmail.com legítimo, a fingir que é da Netflix. Uma campanha de marketing de uma empresa de que nunca ouvi falar e que, sabe-se lá como, arranjou o meu email. Passam todas as verificações técnicas, com autenticação certa e boa reputação do remetente, mas continuam a ser lixo indesejado a entulhar-me a caixa de entrada.

O problema moderno do spam

Isto é o que me aterra na caixa de entrada com regularidade:

Spam do género “redesenhámos o teu site”, vindo de agências que parecem legítimas
Empresas de SEO a prometer subir-me nos rankings
Emails de marketing a que tenho a certeza de que nunca me subscrevi
Spam de newsletters com design profissional, mas totalmente irrelevantes

Isto não ativa os filtros de spam tradicionais. Vem de domínios válidos, ou até de endereços gmail.com e outlook.com. Tem registos SPF e DKIM certos. A gramática é perfeita. Por todos os critérios técnicos são emails legítimos, só que completamente indesejados.

E é aqui que a coisa fica interessante: 89% dos emails maliciosos passam por autenticação SPF, DKIM e DMARC¹. Estes protocolos de autenticação foram feitos para resolver a fraude por email, mas os spammers adaptaram-se. Agora usam infraestrutura legítima.

O que realmente precisa de filtragem

O problema não é só “reduzir o spam”. É mais subtil:

Phishing: emails fraudulentos com links que não correspondem à marca que invocam. Recebo um fluxo constante de falsos emails da “Netflix” e do “Spotify” a pedir para atualizar os dados de pagamento. Estão cada vez melhores, com boa formatação, linguagem convincente e domínios que parecem quase certos. Os filtros tradicionais apanham alguns, mas os sofisticados escapam. O Fastmail não apanha estes de todo.

Spam tradicional: falsificação de domínio, em que o email diz vir de um domínio mas vem de outro. As verificações SPF/DKIM apanham isto com facilidade. Não é o problema a sério.

Lixo: é aqui que tudo desanda. Emails com ar legítimo, de domínios reais (endereços gmail.com ou outlook.com verdadeiros), que são só marketing indesejado. “Reparámos que o teu site precisa de ser redesenhado.” “Deixa o teu SEO connosco.” “Oferta exclusiva para empresários.” Passam na autenticação porque são enviados de infraestrutura real. Estão gramaticalmente corretos. Parecem profissionais. Mas eu nunca os pedi, nunca me subscrevi, e entulham-me a caixa de entrada. Isto precisa de análise de conteúdo, não só de inspeção de cabeçalhos.

Os números contam a história

A escala do problema é enorme. Cerca de 47% de todo o tráfego de email é spam, em 2024². São 160 mil milhões de emails de spam enviados todos os dias em todo o mundo³. Só o Gmail bloqueia 15 mil milhões de emails de spam por dia com os seus filtros movidos a IA, com uma taxa de deteção de 99,9%⁴.

Mas o melhor vem agora: a Google bloqueou 265 mil milhões de emails sem autenticação em 2024⁵ porque são fáceis de detetar. O spam autenticado? Esse é mais difícil.

Só 33,4% dos 1 milhão de domínios principais têm registos DMARC, e destes, 57,2% usam a política p=none, que não tem dentes e não faz nada⁶. Ou seja, 85,7% dos domínios não têm proteção DMARC eficaz. Os spammers sabem-no e exploram-no sem dó.

Mas o melhor vem agora: 89% dos emails maliciosos passam por autenticação SPF, DKIM e DMARC¹. Estes protocolos de autenticação foram feitos para resolver a fraude por email, mas os spammers adaptaram-se. Agora usam infraestrutura legítima.

Os números são duros. Olhando para o que realmente passa, a divisão do spam conta uma história interessante:

A abordagem do Fastmail (e porque não chega)

O Fastmail usa o SpamAssassin combinado com o seu próprio filtro de conteúdo, o Vade⁷. É uma configuração sólida: o SpamAssassin existe desde sempre e funciona bem com spam tradicional. O filtro Vade acrescenta deteção de padrões e vai atualizando as regras de acordo com as ameaças do momento.

Mas é aqui que falha: a função de aprendizagem está ao contrário. Se usares um cliente de email como o Mail do iOS, não podes simplesmente carregar em “Spam” para treinar o filtro. Em vez disso, tens de⁸:

Criar uma pasta especial
Ir a Definições → Pastas e ativar “Scan this folder daily and learn any new messages”
Configurá-la para aprender “as spam”
Mover o spam para lá à mão

Não quero usar o cliente web do Fastmail. Quero usar o alojamento deles com o meu próprio cliente de email. Com este atrito, acabo por simplesmente não o treinar. E isso quer dizer que o filtro nunca melhora.

Porque é que a IA faz mesmo sentido aqui

Os filtros de spam tradicionais funcionam com regras e padrões. Mas esta zona cinzenta exige perceber contexto e intenção, exatamente aquilo em que os grandes modelos de linguagem são bons.

A IA lida bem com a ambiguidade. Consegue ler um email e perceber se é uma consulta comercial genuína ou mais uma proposta genérica do tipo “podemos redesenhar o teu site”. Percebe as táticas de urgência, nota os contextos que não batem certo, apanha as subtilezas que os sistemas baseados em regras deixam escapar.

Construí-lo

Queria testar a ideia antes de me comprometer com infraestrutura. Por isso exportei algumas centenas de ficheiros .eml da minha caixa de entrada do Fastmail e montei um banco de testes com o Ollama a correr o Llama 3.1 8B localmente.

O processo teve duas partes:

Classificação manual: passei pelos emails exportados e categorizei-os à mão: pessoal, transacional, newsletter, marketing, spam, phishing, etc. Isto deu-me a verdade de referência para testar.

Avaliação do modelo: passei os mesmos emails pelo LLM, com um prompt cuidadosamente trabalhado que lhe pedia para categorizar e pontuar cada um. Depois comparei as classificações do modelo com as minhas, para ver onde acertava e onde falhava.

Isto permitiu-me iterar no prompt sem gastar créditos de API nem lidar com a complexidade de um deployment. Quando tive uma exatidão acima de 85% e falsos positivos abaixo de 5%, soube que valia a pena pôr em produção.

A versão de produção é um Cloudflare Worker que:

Intercepta o email recebido através do Cloudflare Email Routing
Extrai remetente, assunto e corpo
Analisa o conteúdo com @cf/meta/llama-3.1-8b-instruct através do Workers AI
Categoriza o email e atribui uma pontuação de spam (0-10)
Adiciona cabeçalhos: X-Wh-Spamscore, X-Wh-Category e X-Wh-Reasoning
Reencaminha para o Fastmail com os cabeçalhos intactos

Uso o Llama 3.1 8B porque é rápido (inferência abaixo de um segundo) e suficientemente bom a perceber a nuance entre comunicação legítima e lixo de marketing.

Categorias e pontuação

A IA separa os emails em dez tipos:

personal: correspondência pessoal
transactional: confirmações de encomenda, redefinições de palavra-passe, recibos
newsletter: newsletters legítimas a que me subscrevi
marketing: emails promocionais, propostas comerciais
social: notificações de redes sociais
automated: notificações de sistemas, alertas de monitorização
phishing: suspeita de recolha de credenciais
scam: esquemas de enriquecimento rápido, pedidos de pagamento urgentes
spam: email em massa genérico e indesejado
suspicious: intenção pouco clara, mas potencialmente maliciosa

As pontuações de spam vão de 0 a 10:

0-2: email limpo e legítimo
3-4: provavelmente legítimo, mas comercial
5-6: características suspeitas
7-8: provável phishing ou burla
9-10: ameaça certa

Primeiros resultados

Ainda não pus isto em produção, mas corri-o contra mensagens recentes da minha caixa de entrada, exportando os emails do Mac Mail.

Aqui ficam os resultados preliminares:

Categoria	Contagem	Pontuação média	Falsos positivos
Pessoal	326	0,88	1
Transacional	708	0,28	10
Newsletter	462	1,55	2
Marketing	353	2,91	9
Social	272	0,62	9
Automático	163	1,83	9
Phishing	272	9,32	1
Burla	82	8,69	2
Spam	54	7,63	0
Suspeito	27	5,76	2
Total	2 719	-	45

A implementação

O worker trata da interceção do email, da análise por IA e do reencaminhamento. Funcionalidades principais:

Extrai o corpo do email com inteligência (lida com multipart, base64, quoted-printable)
Trunca em 2 500 caracteres por desempenho (preservando links e frases inteiros)
Engenharia de prompt exaustiva para guiar a análise da IA
Tratamento de erros robusto: se a IA falhar, reencaminha com valores por defeito seguros
Valida as saídas para garantir que as pontuações ficam entre 0 e 10 e que as categorias são válidas

O prompt explica todas as categorias, as regras de pontuação e os sinais de alerta. Insiste em poucos falsos positivos nos emails pessoais e transacionais, porque a última coisa que queres é um email legítimo marcado como spam.

Não incluí nenhum passo para detetar ataques de prompt injection, mas calculo que uma implementação comercial precise dessa camada de segurança.

Porque é que isto importa

A Google e o Yahoo exigem agora DMARC a quem envia em massa (5 000+ emails por dia)⁹. Aplicam um limite de 0,3% de queixas de spam¹⁰. A autenticação é hoje o mínimo exigido.

Mas a autenticação sozinha não chega. 89% dos emails maliciosos passam nas verificações de autenticação¹. Os spammers usam infraestrutura legítima. Conhecem as regras e jogam dentro delas.

A peça que falta é a introspeção do conteúdo. Perceber o que um email realmente quer fazer, e não só de onde vem. É aí que entra a IA.

Pus o repositório no Github: willhackett/email-filtering, com instruções para o instalares tu e o testares contra a tua própria caixa de entrada.

Keepnet, 2025 Phishing Statistics, August 2025 ↩ ↩² ↩³
Mailmodo, 23 Email Spam Statistics to Know in 2025, March 2025 ↩
EmailToolTester, Spam Statistics 2025, October 2024 ↩
SQ Magazine, Email Spam Statistics 2025, September 2025 ↩
Keepnet, 2025 Phishing Statistics, August 2025 ↩
DMARC Checker, SPF, DKIM, and DMARC in 2024: Analyzing the Top 1M Domains, 2024 ↩
Fastmail, Spam filtering ↩
Fastmail, Improving spam protection ↩
PowerDMARC, Google and Yahoo Email Authentication Requirements 2025, August 2025 ↩
Sinch Mailgun, State of email deliverability 2025, 2025 ↩