Oszustwa związane z tożsamością syntetyczną mogą osiągnąć wartość 58.3 mld USD: czy deepfake’i zatruwają najdroższą branżę?

Londyn, Wielka Brytania, 17 marca 2026 r. Rozwiązanie służące do wykrywania deepfake'ów może dawać Ci pewność, ale powody mogą być nieodpowiednie.

W wielu procesach wdrażania cyfrowego i Wdrożenia oprogramowania KYCMożliwości wykrywania deepfake są często uznawane za sprawdzone na podstawie wyników laboratoryjnych, kontrolowanych zestawów danych, przewidywalnych danych wejściowych i czystych środowisk przechwytywania. Jednak weryfikacja tożsamości w świecie rzeczywistym rzadko tak wygląda.

Zgodnie z Juniper Research, koszt oszustwa związane z syntetyczną tożsamością Przewiduje się, że w ciągu najbliższych pięciu lat wydatki instytucji finansowych wzrosną o 153%, z szacowanych 23 miliardów dolarów w 2025 roku do 58.3 miliarda dolarów do 2030 roku. Przyspieszenie to nie dotyczy tylko wolumenu. Generatywna sztuczna inteligencja sprawiła, że ​​media syntetyczne stały się na tyle realistyczne, że przetrwały kompresję, ponowne kodowanie i ograniczenia przepustowości, które definiują rzeczywiste przechwytywanie KYC. Atakujący optymalizują teraz zmanipulowane media specjalnie po to, aby przeszły przez weryfikację na żywo, a nie tylko po to, by oszukać ludzkie oko.

Różnica między laboratorium a produkcją się powiększa

Większość modeli wykrywania deepfake’ów jest opracowywana i testowana na kontrolowanych zestawach danych z przewidywalnymi danymi wejściowymi, czystym oświetleniem i spójną jakością urządzeń. weryfikacja tożsamości rzadko tak wygląda.

W produkcji nośniki weryfikacyjne są kompresowane, zrzuty ekranu są ponownie przesyłane, oświetlenie ulega zmianom, a aparaty w urządzeniach sięgają od flagowych modeli do pięcioletnich. Drobne tekstury i naturalny szum czujnika – sygnały, na których opiera się wiele modeli detekcji – są usuwane, zanim model w ogóle odbierze dane wejściowe.

W rezultacie rośnie rozbieżność między nagłówkami dotyczącymi dokładności a rzeczywistą wydajnością wdrożenia. Deklaracje dostawców różnią się znacznie w zależności od zestawów danych, typów generatorów, warunków przechwytywania oraz nieujawnionych ustawień współczynnika fałszywej akceptacji i fałszywego odrzucenia. Model, który dobrze wypada w ocenie, może zachowywać się zupełnie inaczej w konfrontacji z nieznaną grupą demograficzną, zdegradowanymi mediami lub… ataki oparte na wstrzykiwaniu.

Dla banków, dostawców usług płatniczych, dostawców BNPL i regulowanych platform późniejsze koszty tej luki są namacalne: kolejki do ręcznego przeglądu rosną, liczba fałszywych negatywów wzrasta, koszty weryfikacji rosną, a ryzyko regulacyjne wzrasta.

Dlaczego jest to ważne dla liderów branży płatności i technologii finansowych?

Deepfake Ryzyko nie jest już niszowym problemem zespołów ds. tożsamości. Dotyka ono bezpośrednio konwersji onboardingu, odzyskiwania kont, autoryzacji płatności, wskaźników obciążeń zwrotnych i operacji rozstrzygania sporów.

Gdy progi weryfikacji są zaostrzane, aby zrekompensować niewiarygodne wykrywanie, legalni klienci napotykają na trudności, wzrasta liczba porzuceń, a wzrost spowalnia. Gdy progi są łagodzone, wyrafinowane ataki przechodzą przez zdegradowane kanały medialne i pozostają niewykryte.

To jest „podatek od zaufania”, który firmy deepfake nakładają na każdą transakcję cyfrową, a większość organizacji nie uwzględniła go jeszcze w swoich modelach operacyjnych.

Co musi się zmienić: praktyczne ramy?

Rozwiązanie problemu deepfake wymaga zmiany strukturalnej, a nie tylko modernizacji narzędzi. Na podstawie wzorców pojawiających się w regulowanych branżach, wyróżnia się pięć priorytetów.

Po pierwsze, wykrywanie musi zostać zweryfikowane w warunkach produkcyjnych, a nie tylko w testach porównawczych. Modele powinny zostać poddane testom obciążeniowym na nośnikach skompresowanych, ponownie zakodowanych i o zmiennej rozdzielczości, zanim zostaną uznane za gotowe do wdrożenia.

Po drugie, żaden pojedynczy sygnał kryminalistyczny nie powinien być traktowany jako decydujący. Kompresja usuwa drobne tekstury, dodaje szum blokowy i aliasing oraz przesuwa modele pojedynczych sygnałów w kierunku punktów krytycznych niezawodności. Warstwowa, wielosygnałowa ocena, w której niezależne kontrole autentyczności muszą być spójne przed oznaczeniem ryzyka, jest znacznie bardziej odporna.

Po trzecie, weryfikacja żywotności musi wykraczać poza podstawowe kontrole. Pasywne i aktywne mechanizmy weryfikacji żywotności powinny być wystarczająco solidne, aby obsługiwać zarówno rejestrowanie na żywo, jak i przesyłanie weryfikacji w trakcie przesyłania obrazów i wideo, bez tworzenia niepotrzebnych problemów dla uprawnionych użytkowników.

Po czwarte, organizacje potrzebują ciągłej adaptacji modelu. Techniki generowania deepfake’ów ewoluują z tygodnia na tydzień. Systemy wykrywania, które są raz przeszkolone i wdrażane statycznie, przestaną być skuteczne szybciej, niż większość zespołów zdaje sobie z tego sprawę.

Po piąte, branża potrzebuje wspólnych standardów oceny wykrywania deepfake w rzeczywistych warunkach KYC. Obecnie nie ma ujednoliconych ram, co oznacza, że ​​instytucje porównują twierdzenia dostawców, które zostały ocenione w niekompatybilnych warunkach.

W ramach tej szerszej zmiany, Szufti, globalny dostawca usług weryfikacji tożsamości, opracował wykrywanie deepfake'ów Architektura zaprojektowana specjalnie dla rzeczywistych środowisk weryfikacji KYC. System wykorzystuje oparte na scenariuszach, zorientowane na produkcję i uwzględniające zagrożenia podejście do zapobiegania oszustwom. 

Wewnętrzna technologia firmy umożliwia ciągłe monitorowanie nowych technik oszustw i iteracyjne aktualizacje modelu. System wykorzystuje wielowarstwowy model analizy kryminalistycznej, w którym analizowanych jest kilka niezależnych hipotez autentyczności przed oznaczeniem ryzyka deepfake.

Biała księga Shuftiego przedstawia w zarysie, w jaki sposób te zasady są wdrażane w ramach tzw. Siedem Bram Framework, ustrukturyzowany model oceny kryminalistycznej, w którym siedem niezależnych hipotez autentyczności, obejmujących strukturę biometryczną, wykrywanie podpisu sztucznej inteligencji, historię kompresji, analizę częstotliwości, realizm tekstur, odporność na degradację i spójność na poziomie pikseli, musi się ze sobą zgadzać, zanim ryzyko deepfake zostanie oznaczone. 

Podejście to ma na celu utrzymanie wydajności wykrywania w warunkach degradacji nośników i nowych metod ataków, zamiast polegać na pojedynczym sygnale, który może ulec osłabieniu w warunkach rzeczywistych.

Platforma Shufti obsługuje zarówno przechwytywanie na żywo, jak i weryfikację przesłanych materiałów. Pasywna i aktywna widoczność została certyfikowana na poziomie iBeta 2, przy 0% wskaźniku akceptacji fałszywych plików. Analiza deepfake na jednej klatce trwa mniej niż sekundę.

Pytania, na które warto odpowiedzieć przed kolejną kontrolą zarządu

W obliczu rosnącej liczby oszustw z wykorzystaniem technologii deepfake liderzy branży płatności, technologii finansowych i dostawców usług płatniczych muszą zająć jasne stanowisko w sprawie decyzji, które mają bezpośredni wpływ na rozwój, ryzyko i doświadczenia klientów.

Jak duże tarcia związane z wdrażaniem może znieść firma, zanim spadnie wskaźnik konwersji – i jak to się ma do rzeczywistych kosztów wycieku oszustw?

Czy dostawcy rozwiązań do wykrywania deepfake są oceniani na podstawie rzeczywistej wydajności, czy na podstawie kontrolowanych testów porównawczych, które nie sprawdzają się w przypadku kompresji, ponownego kodowania i zmienności urządzeń?

Jak odporny jest obecny stos wykrywania na zdegradowane nośniki i ewoluujące metody ataków oraz jak szybko potrafi się dostosowywać?

Czy instytucje mogą nadal bronić się przed zagrożeniami typu deepfake w izolacji, czy też konieczne jest dzielenie się informacjami o zagrożeniach, pomimo kompromisów w kwestii prywatności i odpowiedzialności?

To nie są pytania teoretyczne. To pytania operacyjne, a odpowiedzi na nie ukształtują sposób, w jaki firmy fintechowe będą zarządzać zaufaniem w następnej dekadzie.

Przeczytaj całość Shufti dokument techniczny na temat wykrywania deepfake’ów skalibrowanych pod kątem produkcji, aby znaleźć odpowiedzi lub Oceń wydajność w porównaniu z obecną konfiguracją weryfikacji. Odwiedź Shufti lub poprosić o demo aby zbadać to podejście dalej.

Osoba odpowiedzialna za media:

Neliswa Mncube
[email chroniony]