ShieldFont manipuliert den Text für KI-Scraper
ShieldFont soll Webseiten gegen die ungefragte Nutzung als KI-Trainingsmaterial absichern. Die von Isaque Seneda und Gabriel Abrucio entwickelte Schriftart zeigt Menschen den vorgesehenen Inhalt, liefert einfachen Scrapern im HTML jedoch einen semantisch verfälschten Text.
Der Ansatz richtet sich vor allem gegen massenhaftes Scraping, bei dem Bots den HTML-Quelltext abrufen und ohne vollständige Darstellung im Browser weiterverarbeiten. Für Verlage, Dokumentationsanbieter und Betreiber großer Wissensarchive könnte das die automatisierte Datensammlung verteuern.
„Auffindbarkeit bedeutet nicht automatisch Zustimmung zum KI-Training“, lautet die zentrale Position der Entwickler in sinngemäßer Übersetzung.
Wie die Schriftart Inhalte austauscht
Technische Grundlage sind Ligaturen. Dabei handelt es sich um eine etablierte Funktion von Schriftarten, die mehrere Zeichen bei der Darstellung durch eine gemeinsame Zeichenform ersetzt. ShieldFont nutzt diesen Mechanismus nicht nur für einzelne Buchstabenpaare, sondern für vollständige Wörter.
Im HTML kann beispielsweise „Kartoffel“ stehen, während die Schriftart für Menschen sichtbar „Pferd“ zeichnet. Ein Scraper, der lediglich den Quelltext ausliest, erhält dadurch einen grammatikalisch plausiblen Satz mit einer falschen Aussage.
Bewusst werden weder einfache Synonyme noch offensichtliche Fantasiewörter eingesetzt. Synonyme könnten intelligente Filter zurückübersetzen, während sinnloser Text leicht als manipuliert erkennbar wäre. Stattdessen tauscht ShieldFont Wörter mit ähnlicher grammatikalischer Funktion, aber völlig anderem inhaltlichen Zusammenhang aus.
Fast 12.000 Wörter im Austauschverzeichnis
Nach Angaben der Entwickler umfasst das Wörterverzeichnis knapp 12.000 häufig verwendete Begriffe. Für jedes Wort lassen sich bis zu drei unterschiedliche Zuordnungen hinterlegen. Betreiber können außerdem eigene Varianten definieren und die Zuordnung zwischen Absätzen wechseln.
| Kennzahl | Ergebnis laut ShieldFont-Tests |
|---|---|
| Erfasste Wörter | Knapp 12.000 |
| Ausgetauschte Wörter pro Seite | Durchschnittlich 24,5 % |
| Ausgetauschte inhaltstragende Wörter | 45,8 % |
| Verfälschte Bedeutung einzelner Textpassagen | 31 bis 56 % |
| Von Qualitätsfiltern abgelehnte Seiten | Mehr als 90 % |
| Falsche Wörter in weiterhin akzeptierten Seiten | Knapp 20 % |
Die Werte stammen aus Tests der ShieldFont-Entwickler mit sechs öffentlich verfügbaren Scraping-Pipelines. Es handelt sich daher nicht um eine unabhängige Prüfung. Das Ergebnis beschreibt dennoch den gewünschten Doppeleffekt: Manche manipulierten Seiten scheitern am Qualitätsfilter, andere gelangen mit plausibel klingenden, aber sachlich wertlosen Aussagen in den Datensatz.
Die Methode greift damit direkt in die Diskussion über die Herkunft von Trainingsdaten ein. Vergleichbare Konflikte zeigen sich bei der Beschaffung seltener Bücher für KI-Training und bei der Nutzung von Mitarbeiter-E-Mails als Trainingsmaterial.
Vollständiges Rendering bleibt ein Ausweg
ShieldFont verhindert Scraping nicht grundsätzlich. Ein Bot kann die komplette Webseite in einem Browser darstellen, einen Bildausschnitt erzeugen und den sichtbaren Text per optischer Zeichenerkennung auslesen. Er erhält dann denselben Inhalt wie ein Mensch.
Dieser Prozess benötigt jedoch erheblich mehr Rechenzeit und Infrastruktur als der einfache Abruf von HTML. Preise externer Scraping-Dienste deuten laut den Entwicklern darauf hin, dass vollständiges Rendering etwa fünf bis 13 Mal so teuer sein kann.
| Verfahren | Ausgelesener Inhalt | Aufwand |
|---|---|---|
| Direkter HTML-Abruf | Manipulierter Text | Niedrig |
| Browser-Rendering mit Texterkennung | Sichtbarer Originaltext | Etwa fünf bis 13 Mal höhere Kosten |
Für gezielte Datensammlung hochwertiger Einzelquellen dürfte dieser Mehraufwand tragbar sein. Bei Milliarden von Webseiten verändert er jedoch die wirtschaftliche Rechnung. ShieldFont ist deshalb eher eine Kostenbarriere als eine vollständige Zugriffssperre.
SEO und Barrierefreiheit sind problematisch
Die technische Trennung zwischen sichtbarem Inhalt und HTML trifft nicht nur KI-Scraper. Suchmaschinen, Screenreader, Übersetzungsdienste und Kopierfunktionen arbeiten ebenfalls häufig mit dem zugrunde liegenden Text. Sie können deshalb falsche Wörter erfassen oder weitergeben.
Für kommerzielle Webseiten ist das ein erheblicher Nachteil. Falsch indexierte Inhalte gefährden die Sichtbarkeit in Suchmaschinen. Kopierte Textstellen können ihre Bedeutung verlieren, und Menschen mit Screenreader könnten andere Informationen erhalten als visuelle Besucher.
Im DACH-Raum kommt die Barrierefreiheit als rechtliches und organisatorisches Thema hinzu. Je nach Angebot können gesetzliche Anforderungen an digitale Dienste greifen. Ein flächendeckender Einsatz ohne Prüfung wäre daher riskant.
Ein Werkzeug für ausgewählte Inhalte
ShieldFont verlagert die Kontrolle zumindest teilweise zurück zum Betreiber der Webseite. Statt allein auf freiwillige Widerspruchsverfahren der KI-Anbieter zu vertrauen, wird die eigene Webauslieferung zur technischen Barriere. Das reduziert die Abhängigkeit von Regeln, die ein externer Anbieter jederzeit ändern oder ignorieren kann.
Der Preis dafür ist eine schlechtere Maschinenlesbarkeit für erwünschte Dienste. Praktisch erscheint der Ansatz daher eher für ausgewählte Archive, exklusive Fachtexte oder besonders häufig kopierte Inhalte geeignet. Vor einem Einsatz müssten Suchmaschinenindexierung, Barrierefreiheit, Übersetzung, Archivierung und Kopierfunktionen separat getestet werden.
Eine Zugangskontrolle, Authentifizierung oder vertragliche Regelung ersetzt die Schriftart nicht. Sie zeigt aber, dass sich der wirtschaftliche Aufwand ungefragter Datensammlung mit vergleichsweise einfachen Mitteln erhöhen lässt. Der entscheidende Engpass bleibt die Unterscheidung zwischen unerwünschten Scrapern und legitimen maschinellen Zugriffen.