Le frodi basate sull'identità sintetica potrebbero raggiungere i 58.3 miliardi di dollari: i deepfake stanno creando un punto cieco costosissimo per il settore?

Londra, Regno Unito, 17 marzo 2026– La tua soluzione per il rilevamento dei deepfake potrebbe darti una sicurezza ingiustificata.

Attraverso numerosi processi di onboarding digitale e Implementazioni di software KYCLe capacità di rilevamento dei deepfake sono spesso considerate validate sulla base di prestazioni di laboratorio e set di dati controllati, input prevedibili e ambienti di acquisizione puliti. Ma la verifica dell'identità nel mondo reale raramente si presenta in questo modo.

Come per Juniper Research, il costo di frode di identità sintetica Si prevede che il traffico di dati per gli istituti finanziari aumenterà del 153% nei prossimi cinque anni, passando da una stima di 23 miliardi di dollari nel 2025 a 58.3 miliardi di dollari entro il 2030. L'accelerazione non riguarda solo il volume. L'intelligenza artificiale generativa ha reso i contenuti multimediali sintetici sufficientemente realistici da superare i limiti di compressione, ricodifica e larghezza di banda che caratterizzano le acquisizioni KYC nel mondo reale. Gli hacker ora ottimizzano i contenuti multimediali manipolati specificamente per superare le condizioni di verifica in tempo reale, non solo per ingannare l'occhio umano.

Il divario tra la ricerca di laboratorio e la produzione si sta ampliando.

La maggior parte dei modelli di rilevamento deepfake viene sviluppata e testata su set di dati controllati con input prevedibili, illuminazione pulita e qualità costante del dispositivo. Live verifica dell'identità Raramente ha quell'aspetto.

In fase di produzione, i file multimediali di verifica vengono compressi, gli screenshot vengono ricaricati, l'illuminazione varia e le fotocamere dei dispositivi possono essere di fascia alta o vecchie di cinque anni. Le texture fini e il rumore naturale del sensore, proprio i segnali su cui si basano molti modelli di rilevamento, vengono eliminati prima ancora che il modello riceva l'input.

Il risultato è una crescente discrepanza tra i punteggi di accuratezza dichiarati e le prestazioni di implementazione effettive. Le affermazioni dei fornitori variano ampiamente a seconda dei set di dati, dei tipi di generatore, delle condizioni di acquisizione e delle impostazioni non divulgate del tasso di falsa accettazione e di falso rifiuto. Un modello che ottiene un buon punteggio nella valutazione può comportarsi in modo molto diverso quando si confronta con dati demografici non familiari, media degradati o attacchi basati sull'iniezione.

Per banche, fornitori di servizi di pagamento, piattaforme BNPL e piattaforme regolamentate, il costo a valle di tale lacuna è tangibile: le code di revisione manuale si allungano, aumentano i falsi negativi, i costi di verifica crescono e l'esposizione normativa si intensifica.

Perché è importante per i leader del settore dei pagamenti e del fintech?

Deepfake Il rischio non è più una preoccupazione di nicchia per i team che si occupano di identità. Influisce direttamente sulla conversione dei clienti, sul recupero degli account, sull'autorizzazione dei pagamenti, sui tassi di chargeback e sulla gestione delle contestazioni.

Quando le soglie di verifica vengono inasprite per compensare l'inaffidabilità dei sistemi di rilevamento, i clienti legittimi incontrano difficoltà, l'abbandono del servizio aumenta e la crescita rallenta. Quando le soglie vengono allentate, attacchi sofisticati riescono a passare inosservati attraverso canali multimediali degradati.

Questa è la "tassa sulla fiducia" che i deepfake impongono su ogni transazione digitale, e la maggior parte delle organizzazioni non l'ha ancora inclusa nei propri modelli operativi.

Cosa deve cambiare: un quadro di riferimento pratico?

Affrontare il rischio deepfake richiede un cambiamento strutturale, non solo un aggiornamento degli strumenti. Sulla base delle tendenze emergenti nei settori regolamentati, emergono cinque priorità principali.

Innanzitutto, il rilevamento deve essere convalidato rispetto alle condizioni di produzione, non solo rispetto ai benchmark. I modelli devono essere sottoposti a stress test con supporti compressi, ricodificati e variabili a seconda del dispositivo prima di essere considerati pronti per l'implementazione.

In secondo luogo, nessun singolo segnale forense dovrebbe essere considerato decisivo. La compressione elimina le texture più fini, aggiunge rumore a blocchi e aliasing e spinge i modelli basati su un singolo indizio verso i punti critici di affidabilità. Una valutazione stratificata e multi-segnale, in cui verifiche di autenticità indipendenti devono essere allineate prima che venga segnalato un rischio, è sostanzialmente più affidabile.

In terzo luogo, la verifica della vitalità deve evolversi oltre i controlli di base. I meccanismi di verifica della vitalità, sia passivi che attivi, dovrebbero essere sufficientemente robusti da gestire sia l'acquisizione in tempo reale che i flussi di verifica caricati, lungo i percorsi di immagini e video, senza creare inutili attriti per gli utenti legittimi.

In quarto luogo, le organizzazioni necessitano di un adattamento continuo dei modelli. Le tecniche di generazione di deepfake si evolvono settimanalmente. I sistemi di rilevamento addestrati una sola volta e implementati in modo statico perderanno di efficacia più rapidamente di quanto la maggior parte dei team si renda conto.

In quinto luogo, il settore necessita di standard condivisi per valutare il rilevamento dei deepfake in condizioni KYC reali. Attualmente non esiste un quadro di riferimento unificato, il che significa che le istituzioni confrontano le affermazioni dei fornitori che sono state misurate in condizioni incompatibili.

All'interno di questo più ampio cambiamento, Shufti, il fornitore globale di verifica dell'identità, ha sviluppato un rilevamento deepfake Architettura progettata specificamente per ambienti di verifica KYC reali. Il sistema adotta un approccio alla prevenzione delle frodi basato su scenari, con priorità alla produzione e incentrato sulle minacce. 

La sua tecnologia proprietaria supporta il monitoraggio continuo delle tecniche di frode emergenti e gli aggiornamenti iterativi del modello. Il sistema applica un modello di valutazione forense multilivello in cui vengono analizzate diverse ipotesi di autenticità indipendenti prima che venga segnalato il rischio di deepfake.

Il white paper di Shufti delinea come questi principi vengono resi operativi attraverso ciò che chiama un Quadro delle sette porte, un modello di valutazione forense strutturato in cui sette ipotesi di autenticità indipendenti, che spaziano dalla struttura biometrica al rilevamento della firma AI, dalla cronologia di compressione all'analisi di frequenza, dal realismo delle texture alla robustezza in condizioni di degrado e alla coerenza a livello di pixel, devono essere allineate prima che venga segnalato il rischio di deepfake. 

L'approccio è progettato per mantenere prestazioni di rilevamento costanti anche in presenza di degrado del supporto di memorizzazione e di nuovi metodi di attacco, anziché basarsi su un singolo indizio che potrebbe indebolirsi in condizioni reali.

La piattaforma di Shufti supporta sia l'acquisizione in tempo reale che la verifica tramite caricamento, con la certificazione di liveness passiva e attiva al livello iBeta 2 con un tasso di falsi positivi dello 0%, completando l'analisi deepfake di un singolo fotogramma in meno di un secondo.

Domande a cui è bene rispondere prima della prossima revisione del consiglio di amministrazione

Con l'accelerazione delle frodi basate sui deepfake, i leader del settore dei pagamenti, delle fintech e dei fornitori di servizi di pagamento (PSP) devono prendere posizioni chiare sulle decisioni che hanno un impatto diretto sulla crescita, sul rischio e sull'esperienza del cliente.

Quanta difficoltà può sopportare l'azienda durante il processo di onboarding prima che il tasso di conversione crolli? E come si confronta questo dato con il costo reale delle perdite dovute a frodi?

I fornitori di software per il rilevamento dei deepfake vengono valutati in base alle prestazioni reali o a benchmark controllati che falliscono in caso di compressione, ricodifica e variabilità dei dispositivi?

Quanto è resistente l'attuale sistema di rilevamento ai supporti di memorizzazione degradati e ai metodi di attacco in continua evoluzione, e con quale rapidità è in grado di adattarsi?

Le istituzioni possono continuare a difendersi dalle minacce deepfake in modo isolato, oppure è necessaria la condivisione di informazioni sulle minacce, nonostante i compromessi in termini di privacy e responsabilità?

Non si tratta di questioni teoriche. Sono questioni operative, e le risposte determineranno il modo in cui le fintech gestiranno la fiducia nel prossimo decennio.

Leggi il testo completo di Shufti white paper tecnico sulla rilevazione di deepfake calibrata in produzione per trovare risposte o valuta le prestazioni rispetto alla tua attuale configurazione di verifica. Visita Shufti o Richiedi una demo per approfondire ulteriormente l'approccio.

Addetto stampa:

Neliswa Mncube
[email protected]