Fraudes de identidade sintética podem chegar a US$ 58.3 bilhões: os deepfakes estão criando um ponto cego extremamente caro no setor?

Londres, Reino Unido, 17 de março de 2026 – Sua solução de detecção de deepfakes pode estar lhe dando confiança pelo motivo errado.

Em muitos processos de integração digital e Implantações de software KYCAs capacidades de detecção de deepfakes são frequentemente consideradas validadas com base no desempenho em laboratório e em conjuntos de dados controlados, entradas previsíveis e ambientes de captura limpos. Mas a verificação de identidade no mundo real raramente se parece com isso.

Conforme Juniper Research, o custo de fraude de identidade sintética Prevê-se que o investimento em transações para instituições financeiras aumente 153% nos próximos cinco anos, passando de um valor estimado de US$ 23 bilhões em 2025 para US$ 58.3 bilhões em 2030. Essa aceleração não se resume apenas ao volume. A IA generativa tornou a mídia sintética suficientemente realista para sobreviver à compressão, à recodificação e às limitações de largura de banda que definem a captura de KYC (Conheça Seu Cliente) no mundo real. Os atacantes agora estão otimizando a mídia manipulada especificamente para passar por condições de verificação em tempo real, e não apenas para enganar o olho humano.

A lacuna entre o laboratório e a produção está aumentando.

A maioria dos modelos de detecção de deepfakes são desenvolvidos e testados com conjuntos de dados controlados, com entradas previsíveis, iluminação adequada e qualidade consistente dos dispositivos. Ao vivo Verificação de Identidade Raramente se parece com isso.

Na produção, a mídia de verificação é comprimida, as capturas de tela são reenviadas, a iluminação muda e as câmeras dos dispositivos variam de modelos topo de linha a modelos com cinco anos de uso. Texturas finas e ruído natural do sensor, os mesmos sinais dos quais muitos modelos de detecção dependem, são removidos antes mesmo de o modelo receber a entrada.

O resultado é uma crescente discrepância entre as altas taxas de precisão divulgadas e o desempenho real em campo. As alegações dos fornecedores variam amplamente dependendo dos conjuntos de dados, tipos de geradores, condições de captura e configurações não divulgadas de taxas de falsos positivos e falsos negativos. Um modelo que apresenta bom desempenho na avaliação pode se comportar de maneira muito diferente quando confrontado com dados demográficos desconhecidos, mídia degradada ou ataques baseados em injeção.

Para bancos, PSPs (provedores de serviços de pagamento), fornecedores de BNPL (Buy Now, Pay Later - Compre Agora, Pague Depois) e plataformas regulamentadas, o custo subsequente dessa lacuna é tangível: as filas de revisão manual aumentam, os falsos negativos crescem, os custos de verificação sobem e a exposição regulatória aumenta.

Por que isso é importante para os líderes de pagamentos e fintech?

Deepfake O risco deixou de ser uma preocupação de nicho para as equipes de identidade. Ele afeta diretamente a conversão de cadastros, a recuperação de contas, a autorização de pagamentos, as taxas de estorno e as operações de contestação.

Quando os limites de verificação são reforçados para compensar a detecção pouco confiável, os clientes legítimos enfrentam dificuldades, o abandono aumenta e o crescimento desacelera. Quando os limites são flexibilizados, ataques sofisticados passam despercebidos por canais de mídia degradados.

Essa é a “taxa de confiança” que os deepfakes impõem a cada transação digital, e a maioria das organizações ainda não a contabilizou em seus modelos operacionais.

O que precisa mudar: um modelo prático?

Combater o risco dos deepfakes exige uma mudança estrutural, não apenas uma atualização de ferramentas. Com base nos padrões que emergem em setores regulamentados, cinco prioridades se destacam.

Primeiramente, a detecção deve ser validada em condições de produção, e não apenas em benchmarks. Os modelos devem ser submetidos a testes de estresse com mídias comprimidas, recodificadas e variáveis ​​de dispositivo antes de serem considerados prontos para implantação.

Em segundo lugar, nenhum sinal forense isolado deve ser considerado decisivo. A compressão remove texturas finas, adiciona ruído de bloco e aliasing, e leva modelos de sinal único a pontos de ruptura de confiabilidade. A avaliação em camadas e com múltiplos sinais, onde verificações de autenticidade independentes devem estar alinhadas antes que o risco seja sinalizado, é consideravelmente mais robusta.

Em terceiro lugar, a verificação de presença precisa evoluir para além das verificações básicas. Os mecanismos de verificação de presença, tanto passivos quanto ativos, devem ser robustos o suficiente para lidar com fluxos de captura ao vivo e de verificação de upload em todo o processo de imagem e vídeo, sem criar atrito desnecessário para usuários legítimos.

Em quarto lugar, as organizações precisam de adaptação contínua dos modelos. As técnicas de geração de deepfakes evoluem semanalmente. Sistemas de detecção treinados uma única vez e implementados estaticamente perderão a eficácia mais rapidamente do que a maioria das equipes imagina.

Em quinto lugar, a indústria precisa de padrões compartilhados para avaliar a detecção de deepfakes em condições reais de KYC (Conheça Seu Cliente). Atualmente, não existe uma estrutura unificada, o que significa que as instituições estão comparando alegações de fornecedores que foram medidas em condições incompatíveis.

Dentro dessa mudança mais ampla, Shufti, o provedor global de verificação de identidade, desenvolveu um detecção de deepfake Arquitetura projetada especificamente para ambientes reais de verificação KYC. O sistema segue uma abordagem de prevenção de fraudes baseada em cenários, priorizando a produção e informada por ameaças. 

Sua tecnologia própria permite o monitoramento contínuo de técnicas de fraude emergentes e atualizações iterativas do modelo. O sistema aplica um modelo de avaliação forense multicamadas, no qual diversas hipóteses independentes de autenticidade são analisadas antes que o risco de deepfake seja sinalizado.

O relatório técnico da Shufti descreve como esses princípios são operacionalizados por meio do que ela chama de Estrutura das Sete Portas, um modelo estruturado de avaliação forense onde sete hipóteses independentes de autenticidade, abrangendo estrutura biométrica, detecção de assinatura de IA, histórico de compressão, análise de frequência, realismo de textura, robustez sob degradação e coerência em nível de pixel, devem estar alinhadas antes que o risco de deepfake seja sinalizado. 

A abordagem foi concebida para manter o desempenho da detecção em condições de degradação da mídia e métodos de ataque emergentes, em vez de depender de uma única pista que possa se enfraquecer em condições reais.

A plataforma da Shufti suporta tanto a captura ao vivo quanto a verificação por upload, com certificação de vivacidade passiva e ativa no nível 2 do iBeta, com uma taxa de falsos positivos de 0%, concluindo a análise de deepfake de quadro único em menos de um segundo.

Perguntas que vale a pena responder antes da próxima revisão do Conselho.

Com o aumento das fraudes facilitadas por deepfakes, os líderes de pagamentos, fintechs e provedores de serviços de pagamento (PSPs) precisam assumir posições claras sobre decisões que impactam diretamente o crescimento, o risco e a experiência do cliente.

Quanta fricção no processo de integração de novos clientes a empresa pode absorver antes que a conversão caia — e como isso se compara ao custo real das fraudes?

Os fornecedores de detecção de deepfakes estão sendo avaliados com base no desempenho em situações reais ou em benchmarks controlados que falham sob compressão, re-codificação e variabilidade de dispositivos?

Quão resiliente é a atual estrutura de detecção a mídias degradadas e métodos de ataque em constante evolução, e com que rapidez ela consegue se adaptar?

Podem as instituições continuar a se defender isoladamente contra ameaças de deepfake, ou é necessário o compartilhamento de informações sobre ameaças, apesar das implicações em termos de privacidade e responsabilidade?

Essas não são questões teóricas. São questões operacionais, e as respostas moldarão a forma como as fintechs gerenciam a confiança na próxima década.

Leia o artigo completo de Shufti. white paper técnico em detecção de deepfakes calibrada para produção, a fim de encontrar respostas ou Avalie o desempenho em comparação com sua configuração de verificação atual. Visite o Shufti ou solicite uma demonstração Para explorar melhor essa abordagem.

Pessoa da mídia:

Neliswa Mncube
[email protected]