La fraude à l'identité synthétique pourrait atteindre 58.3 milliards de dollars : les deepfakes sont-ils à l'origine d'un angle mort très coûteux pour l'industrie ?

Londres, Royaume-Uni, 17 mars 2026– Votre solution de détection de deepfakes pourrait vous donner confiance pour de mauvaises raisons.

Dans de nombreux processus d'intégration numérique et Déploiements de logiciels KYCLes capacités de détection des deepfakes sont souvent considérées comme validées sur la base de performances en laboratoire, d'ensembles de données contrôlés, d'entrées prévisibles et d'environnements de capture propres. Mais la vérification d'identité dans le monde réel ressemble rarement à cela.

Selon Juniper Research, le coût de usurpation d'identité synthétique Le volume d'attaques contre les institutions financières devrait augmenter de 153 % au cours des cinq prochaines années, passant d'environ 23 milliards de dollars en 2025 à 58.3 milliards de dollars en 2030. Cette accélération ne se limite pas au volume. L'intelligence artificielle générative a permis de créer des supports synthétiques suffisamment réalistes pour résister à la compression, au réencodage et aux limitations de bande passante inhérentes à la capture des informations KYC dans le monde réel. Les attaquants optimisent désormais les supports manipulés afin qu'ils passent les tests de vérification en direct, et non plus seulement pour tromper l'œil humain.

Le fossé entre le laboratoire et la production se creuse

La plupart des modèles de détection de deepfakes sont développés et évalués par rapport à des ensembles de données contrôlés, avec des entrées prévisibles, un éclairage optimal et une qualité d'appareil constante. vérification d'identité Cela ressemble rarement à ça.

En production, les supports de vérification sont compressés, les captures d'écran sont rechargées, l'éclairage est modifié et les appareils photo utilisés vont des modèles haut de gamme aux appareils vieux de cinq ans. Les textures fines et le bruit naturel du capteur, pourtant essentiels à de nombreux modèles de détection, sont supprimés avant même que le modèle ne traite l'image.

Il en résulte un décalage croissant entre les scores de précision annoncés et les performances réelles sur le terrain. Les affirmations des fournisseurs varient considérablement selon les ensembles de données, les types de générateurs, les conditions de capture et les paramètres non divulgués des taux de faux positifs et de faux négatifs. Un modèle obtenant de bons résultats lors de l'évaluation peut se comporter très différemment face à des données démographiques inconnues, des médias dégradés, ou Attaques par injection.

Pour les banques, les prestataires de services de paiement, les fournisseurs de BNPL et les plateformes réglementées, les conséquences de cet écart sont tangibles : les files d’attente pour les examens manuels s’allongent, les faux négatifs augmentent, les coûts de vérification grimpent et l’exposition réglementaire s’accroît.

Pourquoi est-ce important pour les dirigeants des paiements et de la Fintech ?

Deepfake Le risque n'est plus une préoccupation marginale pour les équipes en charge de l'identité. Il influe directement sur la conversion des nouveaux clients, la récupération des comptes, l'autorisation des paiements, les taux de rétrofacturation et la gestion des litiges.

Lorsque les seuils de vérification sont renforcés pour compenser une détection peu fiable, les clients légitimes rencontrent des difficultés, le taux d'abandon augmente et la croissance ralentit. À l'inverse, lorsque ces seuils sont assouplis, des attaques sophistiquées peuvent passer inaperçues sur des canaux de communication dégradés.

Il s’agit de la « taxe de confiance » que les deepfakes imposent à chaque transaction numérique, et la plupart des organisations ne l’ont pas encore prise en compte dans leurs modèles opérationnels.

Que faut-il changer : un cadre pratique ?

Pour contrer les risques liés aux deepfakes, une transformation structurelle s'impose, et non une simple mise à jour des outils. Cinq priorités se dégagent des tendances observées dans les secteurs réglementés.

Premièrement, la détection doit être validée en conditions réelles de production, et non uniquement par des tests de performance. Les modèles doivent être soumis à des tests de résistance sur des supports compressés, réencodés et dont le format varie selon le périphérique avant d'être considérés comme prêts pour le déploiement.

Deuxièmement, aucun signal d'analyse forensique ne doit être considéré comme décisif à lui seul. La compression altère les détails, ajoute du bruit de bloc et du repliement de spectre, et fragilise les modèles à signal unique. Une évaluation multicouche et multisignal, où des contrôles d'authenticité indépendants doivent converger avant qu'un risque ne soit signalé, est nettement plus robuste.

Troisièmement, la vérification de présence doit évoluer et dépasser le cadre des contrôles de base. Les mécanismes de vérification de présence passifs et actifs doivent être suffisamment robustes pour gérer à la fois la capture en direct et la vérification des images et vidéos téléchargées, sans créer de difficultés inutiles pour les utilisateurs légitimes.

Quatrièmement, les organisations doivent adapter leurs modèles en permanence. Les techniques de génération de deepfakes évoluent chaque semaine. Les systèmes de détection entraînés une seule fois et déployés de manière statique deviendront inefficaces plus rapidement que la plupart des équipes ne le pensent.

Cinquièmement, le secteur a besoin de normes communes pour évaluer la détection des deepfakes dans des conditions réelles de vérification d'identité (KYC). À l'heure actuelle, il n'existe aucun cadre unifié, ce qui oblige les institutions à comparer les affirmations des fournisseurs, mesurées dans des conditions incompatibles.

Dans ce contexte de changement plus large, Shufti, fournisseur mondial de vérification d'identité, a développé un détection de deepfake Une architecture conçue spécifiquement pour les environnements de vérification KYC réels. Le système adopte une approche de prévention de la fraude basée sur des scénarios, privilégiant la production et tenant compte des menaces. 

Sa technologie interne assure une surveillance continue des nouvelles techniques de fraude et la mise à jour itérative des modèles. Le système applique un modèle d'évaluation forensique multicouche dans lequel plusieurs hypothèses d'authenticité indépendantes sont analysées avant de signaler un risque de deepfake.

Le livre blanc de Shufti décrit comment ces principes sont mis en œuvre à travers ce qu'il appelle un Cadre des sept portes, un modèle d'évaluation médico-légale structuré où sept hypothèses d'authenticité indépendantes, couvrant la structure biométrique, la détection de signatures d'IA, l'historique de compression, l'analyse de fréquence, le réalisme de la texture, la robustesse face à la dégradation et la cohérence au niveau des pixels, doivent s'aligner avant que le risque de deepfake ne soit signalé. 

Cette approche est conçue pour maintenir les performances de détection malgré la dégradation des supports et les nouvelles méthodes d'attaque, plutôt que de s'appuyer sur un seul indice susceptible de s'affaiblir dans des conditions réelles.

La plateforme Shufti prend en charge la capture en direct et la vérification téléchargée, avec une présence passive et active certifiée au niveau iBeta 2 avec un taux de fausse acceptation de 0 %, réalisant une analyse deepfake image par image en moins d'une seconde.

Questions auxquelles il convient de répondre avant la prochaine évaluation du conseil

Face à l'accélération de la fraude facilitée par les deepfakes, les dirigeants des secteurs des paiements, des fintechs et des PSP doivent prendre des positions claires sur les décisions qui ont un impact direct sur la croissance, les risques et l'expérience client.

Quel niveau de frictions liées à l'intégration une entreprise peut-elle absorber avant que le taux de conversion ne chute ? Et comment cela se compare-t-il au coût réel des fuites dues à la fraude ?

Les fournisseurs de solutions de détection de deepfakes sont-ils évalués sur la base de performances réelles ou sur des benchmarks contrôlés qui échouent en raison de la compression, du réencodage et de la variabilité des appareils ?

Dans quelle mesure le système de détection actuel est-il résilient face à la dégradation des supports et à l'évolution des méthodes d'attaque, et à quelle vitesse peut-il s'adapter ?

Les institutions peuvent-elles continuer à se défendre isolément contre les menaces de deepfake, ou le partage des renseignements sur les menaces est-il nécessaire malgré les compromis en matière de confidentialité et de responsabilité ?

Ce ne sont pas des questions théoriques. Ce sont des questions opérationnelles, et les réponses façonneront la manière dont les fintechs géreront la confiance au cours de la prochaine décennie.

Lisez l'intégralité du récit de Shufti livre blanc technique sur la détection des deepfakes calibrée en production pour trouver des réponses ou Évaluez les performances par rapport à votre configuration de vérification actuelle. Consultez Shufti ou demander une démo pour explorer plus en détail cette approche.

Personnalité médiatique :

Neliswa Mncube
[email protected]