Synthetische identiteitsfraude kan oplopen tot 58.3 miljard dollar: vormen deepfakes een van de duurste blinde vlekken in de branche?

Londen, Verenigd Koninkrijk, 17 maart 2026 – Uw oplossing voor het detecteren van deepfakes geeft u mogelijk ten onrechte een gevoel van veiligheid.

Overal in het digitale onboardingproces en KYC-software-implementatiesDe mogelijkheden voor het detecteren van deepfakes worden vaak als gevalideerd beschouwd op basis van laboratoriumprestaties, gecontroleerde datasets, voorspelbare invoer en een schone opnameomgeving. Maar identiteitsverificatie in de praktijk ziet er zelden zo uit.

Vanaf Juniper Research, de kosten van synthetische identiteitsfraude De uitgaven voor financiële instellingen zullen naar verwachting de komende vijf jaar met 153% stijgen, van naar schatting 23 miljard dollar in 2025 tot 58.3 miljard dollar in 2030. Deze versnelling betreft niet alleen het volume. Generatieve AI heeft synthetische media zo realistisch gemaakt dat ze bestand zijn tegen de compressie, hercodering en bandbreedtebeperkingen die kenmerkend zijn voor KYC-registratie in de praktijk. Aanvallers optimaliseren gemanipuleerde media nu specifiek om live verificatie te doorstaan, en niet alleen om het menselijk oog te misleiden.

De kloof tussen laboratorium en productie wordt steeds groter.

De meeste deepfake-detectiemodellen worden ontwikkeld en getest met behulp van gecontroleerde datasets met voorspelbare invoer, schone belichting en consistente apparaatkwaliteit. Live identiteit verificatie Het ziet er zelden zo uit.

Tijdens de productie worden verificatiemedia gecomprimeerd, screenshots opnieuw geüpload, de belichting verandert en de camera's van de apparaten variëren van topmodellen tot vijf jaar oude toestellen. Fijne texturen en natuurlijke sensorruis, juist de signalen waar veel detectiemodellen op vertrouwen, worden verwijderd voordat het model de invoer überhaupt te zien krijgt.

Het gevolg is een groeiende kloof tussen de nauwkeurigheidsscores in de krantenkoppen en de daadwerkelijke prestaties in de praktijk. De beweringen van leveranciers lopen sterk uiteen, afhankelijk van de datasets, het type datagenerator, de opnameomstandigheden en de niet-openbaar gemaakte instellingen voor de vals-positieve en vals-negatieve resultaten. Een model dat goed scoort in een evaluatie kan zich heel anders gedragen wanneer het wordt geconfronteerd met onbekende demografische gegevens, media van mindere kwaliteit of andere factoren. injectiegebaseerde aanvallen.

Voor banken, betalingsdienstaanbieders, BNPL-aanbieders en gereguleerde platformen zijn de gevolgen van deze kloof tastbaar: de wachtrijen voor handmatige beoordelingen worden langer, het aantal vals-negatieve resultaten neemt toe, de verificatiekosten stijgen en de blootstelling aan regelgeving neemt toe.

Waarom is dit belangrijk voor leiders in de betaal- en fintechsector?

Deepfake Risicobeheer is niet langer een nicheprobleem voor identiteitsteams. Het raakt direct de conversie bij onboarding, accountherstel, betalingsautorisatie, terugboekingspercentages en geschillenafhandeling.

Wanneer de verificatiedrempels worden aangescherpt om onbetrouwbare detectie te compenseren, ondervinden legitieme klanten wrijving, neemt het aantal afhakers toe en vertraagt ​​de groei. Wanneer de drempels worden versoepeld, kunnen geavanceerde aanvallen via minder betrouwbare communicatiekanalen onopgemerkt blijven.

Dit is de "vertrouwensbelasting" die deepfakes opleggen aan elke digitale transactie, en de meeste organisaties hebben hier nog geen rekening mee gehouden in hun bedrijfsmodellen.

Wat moet er veranderen: een praktisch kader?

Het aanpakken van deepfake-risico's vereist een structurele verandering, niet alleen een upgrade van de tools. Op basis van de patronen die zich voordoen in gereguleerde sectoren, springen vijf prioriteiten eruit.

Ten eerste moet de detectie worden gevalideerd onder productieomstandigheden, niet alleen aan de hand van benchmarks. Modellen moeten worden getest op gecomprimeerde, opnieuw gecodeerde en apparaatspecifieke media voordat ze als klaar voor implementatie worden beschouwd.

Ten tweede mag geen enkel forensisch signaal als doorslaggevend worden beschouwd. Compressie verwijdert fijne texturen, voegt blokruis en aliasing toe en duwt modellen die op één signaal gebaseerd zijn richting betrouwbaarheidsgrenzen. Gelaagde evaluatie met meerdere signalen, waarbij onafhankelijke authenticiteitscontroles moeten overeenkomen voordat een risico wordt gesignaleerd, is aanzienlijk robuuster.

Ten derde moet de verificatie van de levendigheid verder gaan dan eenvoudige controles. Passieve en actieve mechanismen voor levendigheid moeten robuust genoeg zijn om zowel live-opnames als geüploade verificatieprocessen voor afbeeldingen en video's te verwerken, zonder onnodige belemmeringen voor legitieme gebruikers te creëren.

Ten vierde hebben organisaties behoefte aan continue modelaanpassing. Technieken voor het genereren van deepfakes evolueren wekelijks. Detectiesystemen die eenmalig getraind en vervolgens statisch ingezet worden, zullen sneller hun effectiviteit verliezen dan de meeste teams beseffen.

Ten vijfde heeft de sector behoefte aan gedeelde standaarden voor het evalueren van deepfake-detectie onder realistische KYC-omstandigheden. Momenteel bestaat er geen uniform raamwerk, waardoor instellingen beweringen van leveranciers vergelijken die onder incompatibele omstandigheden zijn gemeten.

Binnen deze bredere verschuiving, Sjoefti, de wereldwijde aanbieder van identiteitsverificatie, heeft een deepfake detectie De architectuur is specifiek ontworpen voor realistische KYC-verificatieomgevingen. Het systeem volgt een scenario-gebaseerde, productiegerichte en op dreigingen gebaseerde aanpak voor fraudepreventie. 

De eigen technologie ondersteunt continue monitoring van opkomende fraudetechnieken en iteratieve modelupdates. Het systeem maakt gebruik van een meerlaags forensisch evaluatiemodel waarin verschillende onafhankelijke authenticiteitshypothesen worden geanalyseerd voordat een deepfake-risico wordt gesignaleerd.

In het whitepaper van Shufti wordt beschreven hoe deze principes in de praktijk worden gebracht door middel van wat het bedrijf een Zevenpoorten-raamwerkEen gestructureerd forensisch evaluatiemodel waarbij zeven onafhankelijke authenticiteitshypothesen, die betrekking hebben op biometrische structuur, AI-signatuurdetectie, compressiegeschiedenis, frequentieanalyse, textuurrealisme, robuustheid bij degradatie en coherentie op pixelniveau, op één lijn moeten liggen voordat een deepfake-risico wordt vastgesteld. 

De aanpak is ontworpen om de detectieprestaties te behouden bij degradatie van het medium en nieuwe aanvalsmethoden, in plaats van te vertrouwen op één enkele aanwijzing die in de praktijk mogelijk aan kracht verliest.

Het platform van Shufti ondersteunt zowel live-opname als verificatie van geüploade beelden, met passieve en actieve liveness-certificering op iBeta Level 2 met een vals-positiefpercentage van 0%, en voltooit de analyse van deepfakes op basis van één frame in minder dan een seconde.

Vragen die het waard zijn om te beantwoorden vóór de volgende bestuursbeoordeling.

Naarmate fraude met behulp van deepfakes toeneemt, moeten leiders in de betaalsector, fintechbedrijven en PSP's duidelijke standpunten innemen over beslissingen die direct van invloed zijn op groei, risico's en de klantervaring.

Hoeveel wrijving tijdens het onboardingproces kan een bedrijf verdragen voordat de conversie daalt, en hoe verhoudt zich dat tot de werkelijke kosten van fraude?

Worden leveranciers van deepfake-detectiesoftware beoordeeld op hun prestaties in de praktijk, of op gecontroleerde benchmarks die falen bij compressie, hercodering en variabiliteit tussen apparaten?

Hoe bestand is de huidige detectiestack tegen verslechterde media en evoluerende aanvalsmethoden, en hoe snel kan deze zich aanpassen?

Kunnen instellingen zich nog steeds in isolement verdedigen tegen deepfake-dreigingen, of is gedeelde dreigingsinformatie noodzakelijk, ondanks de afwegingen op het gebied van privacy en aansprakelijkheid?

Dit zijn geen theoretische vragen. Het zijn operationele vragen, en de antwoorden zullen bepalen hoe fintechbedrijven de komende tien jaar vertrouwen beheren.

Lees het volledige artikel van Shufti technische whitepaper op productiegekalibreerde deepfake-detectie om antwoorden te vinden of Evalueer de prestaties ten opzichte van uw huidige verificatie-instellingen. Bezoek Shufti of vraag een demo aan om de aanpak verder te onderzoeken.

Mediapersoon:

Neliswa Mncube
[e-mail beveiligd]