Palavras de spam ainda importam? O que os filtros pontuam de fato

Na maioria das vezes, não. "Palavras-gatilho" isoladas como free ou guarantee têm pouco peso na filtragem moderna. Filtros baseados em regras, como o SpamAssassin, pontuam frases inteiras com poucos pontos cada, e grandes provedores como o Gmail se apoiam em machine learning, reputação do remetente e reclamações dos destinatários. Seus links, a reputação do seu domínio e a reação dos destinatários importam muito mais do que o vocabulário.

Essa é a resposta curta. A parte útil é ver os números reais, porque um filtro de código aberto os publica.

De onde vem a ideia das palavras-gatilho

A ideia vem dos filtros baseados em regras, que realmente somavam pontos por frases específicas, e ainda podem somar. O Apache SpamAssassin é o exemplo mais conhecido e, o que é raro, publica suas regras e pontuações padrão. Cada regra que bate soma sua pontuação; se o total chega ao limite, a mensagem é marcada como spam.

O limite é o required_score, que a documentação de configuração do SpamAssassin 4.0 define como 5 por padrão, acrescentando que "5.0 é o valor padrão, e é bastante agressivo" e que um provedor de internet "provavelmente deveria definir um padrão mais conservador, como 8.0 ou 10.0".

Então a pergunta não é "essa palavra é proibida?", e sim "quantos pontos ela soma, e quão perto estou de 5?".

O que as regras de frases pontuam de fato

Regras de frases costumam somar entre cerca de 0.5 e 3 pontos, e o peso delas cai quando o filtro aprendeu com e-mails reais. Estas vêm da lista de regras publicada para a série 3.3 do SpamAssassin. Cada regra tem quatro pontuações padrão, para quatro configurações: só regras, com testes de rede, com aprendizado Bayes e com os dois.

Regra	O que ela detecta	Só regras	+ Rede	+ Bayes	+ Bayes e rede
MONEY_BACK	"Money back guarantee"	2.910	2.486	0.601	1.232
GUARANTEED_100_PERCENT	"One hundred percent guaranteed"	2.699	2.699	2.480	2.699
FREE_QUOTE_INSTANT	"Free express or no-obligation quote"	2.700	2.699	2.699	1.297
DEAR_FRIEND	"Dear Friend? That's not very dear!"	2.683	2.604	1.801	2.577
SUBJ_ALL_CAPS	Assunto todo em maiúsculas	0.518	1.625	1.197	1.506

Duas coisas chamam a atenção.

Primeiro, as regras detectam frases e padrões, não palavras isoladas. Não há nenhuma regra aqui que dispare só com a palavra "free". As famosas listas de centenas de palavras proibidas, em sua maioria, não refletem como esse filtro funciona.

Segundo, veja o MONEY_BACK: 2.910 pontos só com regras, 0.601 quando o aprendizado Bayes está ligado. Quando o filtro tem um modelo aprendido de como são o spam e o e-mail legítimo naquele ambiente, a regra de frase escrita à mão importa menos. O projeto também avisa que "estas são as pontuações da versão estável atual do SpamAssassin; elas podem ser diferentes das que você está usando", e a documentação de configuração explica que qualquer administrador pode mudar a pontuação de uma regra ou defini-la como 0 para desativá-la. Não existe uma penalidade fixa e universal por palavra.

O que as regras de reputação e de links pontuam

Regras que procuram seu IP de envio ou suas URLs em blacklists pontuam tão alto quanto as regras de frases, ou mais, e dizem respeito a quem você é, não ao que você escreveu. Da mesma lista:

Regra	O que ela detecta	+ Bayes e rede
RCVD_IN_PBL	Recebido por um relay listado na Spamhaus PBL	3.335
URIBL_BLACK	Contém uma URL listada na blacklist URIBL	1.725
BAYES_99	Probabilidade de spam pelo Bayes de 99 a 100%	3.5
BAYES_00	Probabilidade de spam pelo Bayes de 0 a 1%	-1.9
SPOOF_COM2OTH	A URI contém ".com" no meio	2.723
MIME_HTML_ONLY	A mensagem só tem partes MIME text/html	0.723

Uma comparação na prática

Usando as pontuações de "Bayes e rede" e o limite padrão de 5:

• A mensagem A está limpa na infraestrutura, mas usa duas frases clássicas, "money back guarantee" e "Dear Friend": 1.232 + 2.577 = 3.809. Abaixo de 5, entregue.
• A mensagem B tem uma redação neutra, mas é enviada por um IP listado na Spamhaus PBL e tem link para um domínio na blacklist URIBL: 3.335 + 1.725 = 5.06. Acima de 5, spam.

A mensagem com as palavras "de spam" passa. A mensagem educada vinda de uma fonte ruim com um link listado é barrada. É uma soma simplificada (mensagens reais disparam muitas regras, algumas negativas), mas mostra onde está o peso.

Como o Gmail e a Microsoft filtram hoje

Grandes provedores usam modelos aprendidos e feedback dos destinatários, e não publicam lista de palavras nenhuma. O Google explicou em 2019 como adicionou modelos de TensorFlow à filtragem do Gmail e que estava "agora bloqueando cerca de 100 milhões de mensagens de spam adicionais por dia". Os exemplos que deu não eram palavras: "mensagens baseadas em imagens, e-mails com conteúdo incorporado oculto e mensagens de domínios recém-criados". Também observou que "o que uma pessoa considera spam outra pode considerar uma mensagem importante", e é por isso que o feedback de cada usuário importa.

As diretrizes para remetentes do Google focam em comportamento e honestidade, não em vocabulário:

• "Não use HTML e CSS para esconder conteúdo nas suas mensagens."
• Os links "devem ser visíveis e fáceis de entender. Os destinatários devem saber o que esperar quando clicam em um link."
• Assunto, cabeçalhos e nomes de exibição "não devem ser enganosos", o que inclui não começar assuntos com "Re:" ou "Fwd:" a menos que a mensagem seja de fato uma resposta ou um encaminhamento.
• Mantenha a taxa de spam denunciado por usuários abaixo de 0.3%, e de preferência abaixo de 0.1%.

A Microsoft é parecida. O nível de reclamações em massa (BCL) dela classifica e-mails em massa pela quantidade de reclamações que um remetente gera, de "poucas reclamações" (1 a 3) até "um número alto de reclamações" (8 e 9). A documentação do SCL da Microsoft agora diz que a antiga pontuação de confiança de spam "não tem mais o mesmo significado em organizações na nuvem", e que "a filtragem de spam toma essas decisões usando categorização e outros sinais".

A Microsoft oferece, sim, uma opção baseada em palavras, e ela é reveladora. As configurações do Advanced Spam Filter (ASF) incluem Sensitive words (palavras sensíveis), descrita como uma lista mantida pela Microsoft "associada a mensagens potencialmente ofensivas", e não a linguagem de vendas. Todas as configurações do ASF vêm desligadas por padrão, e a Microsoft chama ativá-las de "uma abordagem agressiva de filtragem de spam".

Sinais de conteúdo que ainda importam

A redação é um sinal fraco; links, estrutura e engano são sinais fortes. Estas são as propriedades de conteúdo que aparecem nas regras dos filtros e na documentação dos provedores:

Sinal	Onde está documentado	O que fazer
Domínio linkado em uma blacklist	Regras URIBL_* do SpamAssassin; a DBL do Spamhaus checa "domínios que aparecem nos cabeçalhos e no corpo do e-mail, por exemplo, URLs"	Coloque links só para domínios que você controla ou em que confia; cheque o seu com o verificador de blacklist
Encurtadores de links públicos	A DBL do Spamhaus tem um código de retorno próprio para um "domínio redirecionador abusado em spam"	Use links completos no seu próprio domínio
Texto do link que não bate com o destino	Google: os destinatários "devem saber o que esperar quando clicam"	Faça a URL visível e a real coincidirem
URLs com IP numérico, portas incomuns, links de imagem para sites remotos	Opções do ASF da Microsoft (desligadas por padrão, mas alguns administradores ativam)	Evite as três
Quase só imagem, pouco texto	HTML_IMAGE_RATIO_* do SpamAssassin; o Google cita "mensagens baseadas em imagens"	Envie principalmente texto
HTML sem parte em texto puro	MIME_HTML_ONLY do SpamAssassin	Inclua uma alternativa text/plain
Texto oculto	Diretriz do Google; HTML_FONT_LOW_CONTRAST do SpamAssassin	Nunca esconda conteúdo
"Re:" ou "Fwd:" falsos	Diretrizes para remetentes do Google	Use só em respostas reais

Para cold email em especial, a versão mais simples é: texto puro ou HTML bem leve, no máximo um link, nada de templates cheios de rastreamento e um assunto que descreva o e-mail.

O que realmente decide entre caixa de entrada e spam

Sua reputação, construída com autenticação, qualidade da lista e reações dos destinatários, faz a maior parte do trabalho. Em ordem aproximada do que corrigir primeiro:

1. Autenticação. SPF, DKIM e DMARC aprovados e alinhados. Cheque com a auditoria de entregabilidade.
2. Bounces. Enviar para endereços mortos mostra aos provedores que você não conhece seus destinatários. Verifique a lista primeiro; por que cold emails dão bounce explica as causas.
3. Reclamações. Cada "Report spam" (denunciar spam) conta contra você. Relevância e um descadastro fácil reduzem as reclamações.
4. Links e domínios. Mantenha seus domínios de envio e os domínios linkados fora das blacklists.
5. Volume e histórico. Domínios novos enviando grandes volumes parecem contas comprometidas. Veja quantos cold emails por caixa por dia.
6. Redação. Por último, e principalmente para não soar enganoso.

Se os e-mails já estão caindo no spam, os cabeçalhos dizem o motivo muito melhor do que uma lista de palavras. Por que seus e-mails vão para o spam no Gmail mostra como lê-los.

A conclusão

Pare de reescrever "free" como "fr33". Isso faz a mensagem parecer evasiva para a pessoa com quem você está falando, e a palavra nunca foi o problema. Gaste o tempo com o que os filtros comprovadamente pesam: uma reputação de envio limpa, e-mails autenticados, uma lista verificada, poucos links honestos e mensagens que seus destinatários não denunciam. Passe seu domínio pela checagem de blacklist gratuita antes de se preocupar com o vocabulário.