Lo que el fraude con ‘deepfakes’ realmente le cuesta a las empresas

El fraude con ‘deepfakes’ generados por IA causó más de 1.5 mil millones de dólares en pérdidas reportadas a nivel mundial en los primeros nueve meses de 2025. Las estafas de inversión, las contrataciones fraudulentas y la suplantación de ejecutivos generaron la mayor parte de ese total. Como los ataques son más sofisticados y la gente no los detecta bien, las empresas deben fortalecer la prevención del fraude y la verificación de identidad para ir un paso adelante.

Nueve meses. Más de $1,5 mil millones. Ese es el total acumulado de pérdidas financieras vinculadas a los deepfakes generados por IA en todo el mundo entre enero y septiembre de 2025, según datos recopilados por Surfshark de la AI Incident Database y Resemble. Es la señal más clara hasta ahora de que el fraude con deepfakes ha pasado de ser una novedad a una partida presupuestaria, una que aparece en los informes de la junta directiva, las reclamaciones de seguros y las investigaciones posteriores a los incidentes.

Dónde se concentran las pérdidas

La categoría más grande por un amplio margen es el fraude de inversión: estafadores que usan video y audio generados por IA de celebridades, ejecutivos o políticos para promover esquemas de inversión falsos. Esta categoría por sí sola representa 900 millones de dólares, o el 57 % de todas las pérdidas analizadas relacionadas con deepfakes en el conjunto de datos de Surfshark. Estas estafas suelen originarse en plataformas sociales como Facebook, WhatsApp, Telegram o YouTube, donde una figura pública recreada con deepfake parece respaldar una plataforma de trading o un producto financiero.

Otros dos patrones son más relevantes para los equipos de fraude empresarial:

Candidatos a empleos con deepfakes que se infiltran en organizaciones. El FBI está investigando un esquema en el que más de 100 empresas contrataron sin saberlo a trabajadores de TI remotos que usaron identidades sintéticas generadas por IA, como currículums inventados y rostros y voces clonados en entrevistas por video, para hacerse pasar por candidatos legítimos. Una vez contratados, estos trabajadores desviaban dinero a gobiernos extranjeros, en lugar de realizar su trabajo.

Fraude por suplantación de ejecutivos. Una voz o un rostro clonado en una videollamada, que ordena a un equipo de finanzas mover dinero con urgencia. El caso mejor documentado sigue siendo la pérdida de aproximadamente 25 millones de dólares (20 millones de libras esterlinas) de la firma de ingeniería Arup en Hong Kong, donde un empleado se unió a una videollamada con versiones deepfake del director financiero y varios colegas, y autorizó múltiples transferencias antes de que se detectara el fraude.

¿Crees que puedes distinguir lo que es real?

El contenido generado por IA es más convincente que nunca. Ponte a prueba con nuestro quiz gratuito sobre deepfakes.

¡Pruébalo ahora!

Por qué el incidente promedio es tan costoso

El fraude con deepfakes contra empresas no es como el phishing tradicional. No se trata de muchos ataques de bajo valor, sino de pocos ataques de alto valor. Una encuesta de Sapio Research a 575 directivos en cinco países lo confirma: la pérdida promedio por deepfakes fue de casi 450.000 dólares. Para el sector financiero, el promedio fue aún mayor, con 603.000 dólares. El diez por ciento de las empresas encuestadas reportó pérdidas de más de 1 millón de dólares.

En su Informe sobre Delitos en Internet de 2025, el Centro de Denuncias de Delitos por Internet del FBI clasificó por primera vez el fraude ‘relacionado con IA’ como una categoría separada. Registró 22,364 denuncias y 893 millones de dólares en pérdidas, aunque el mismo informe advierte que la cifra real es mayor, ya que la participación de la IA no siempre se identifica al denunciar. De ese total, el fraude de inversión vinculado a la IA representó 632 millones de dólares.

El verdadero problema: los humanos no notan la diferencia

El Informe Deepfakes 2026 de Veriff, basado en una encuesta de febrero de 2026 a 3,000 personas en EE. UU., Reino Unido y Brasil realizada con Kantar, puso a prueba esa suposición: ¿qué tan buenas son las personas realmente para detectar un ‘deepfake’?

Para las empresas, el problema es una falsa confianza. Casi la mitad de los encuestados en EE. UU. afirmaron tener la confianza para detectar un ‘deepfake’, pero su habilidad real no lo demostró. La investigación de Veriff identificó un grupo de ‘alto riesgo’: cerca del 7 % de los encuestados de los tres mercados combinaban una mala detección con una alta confianza en sí mismos y casi nunca verificaban contenido sospechoso. Esta es exactamente la brecha que los estafadores aprovechan, ya sea con ‘deepfakes’ en estafas de inversión o con candidatos falsos en procesos de contratación.

Las pistas visuales en las que más confía la gente son la textura de la piel poco natural (53 %), el cabello o dientes inusuales (52 %) y el movimiento extraño en los videos (51 %). Estas son las mismas características que la IA generativa puede replicar cada vez mejor. Analizar el contenido más de cerca no mejoró la precisión, lo que sugiere que la gente no tiene un método fiable para detectar falsificaciones, sino que confía en una intuición que la IA ya puede imitar fácilmente.

El estudio también encontró que a las personas les costaba identificar contenido manipulado de manera consistente:

• Los puntajes por país se agruparon entre 60 % y 69 %, y las mismas imágenes engañaron a los participantes de forma consistente, sin importar su ubicación. Esto sugiere que la dificultad no es una brecha de habilidad regional, sino una limitación fundamental de la detección humana.:

• Los jugadores promediaron un 63 % de aciertos, solo un poco por encima del 50 % de base que se esperaría al adivinar.

• El 31 % de los jugadores no obtuvo mejores resultados que al lanzar una moneda.

• Solo el 2,4 % logró una puntuación perfecta.

• Los ‘faceswaps’ fueron el tipo de contenido más difícil de identificar: los jugadores acertaron un 56 %, en comparación con un 69 % para las fotos y un 60 % para los videos. Esto reafirma el hallazgo de Kantar de que el contenido complejo de ‘faceswap’ es especialmente difícil de detectar.

• Los puntajes por país se agruparon entre 60 % y 69 %, y las mismas imágenes engañaron a los participantes de forma consistente, sin importar su ubicación. Esto sugiere que la dificultad no es una brecha de habilidad regional, sino una limitación fundamental de la detección humana.

DALE PLAY Y ESCUCHA LA HISTORIA COMPLETA 🎧

Cómo se ve esto dentro de un flujo de verificación

Los equipos de riesgo empresarial enfrentan el mismo problema estructural que la encuesta de Kantar expuso a nivel del consumidor. El Informe de Fraude de Identidad Veriff 2026 encontró que los medios presentados digitalmente tenían un 300 % más de probabilidades de ser generados completamente por IA o alterados de otra manera en 2025 en comparación con 2024, y que el fraude por suplantación de identidad, en gran parte ahora acelerado por IA, representó más del 85 % de todos los intentos de verificación fraudulentos observados.

Esa tendencia corresponde a lo que a menudo se llama un ataque de inyección: un estafador usa un video deepfake, una identidad sintética o una cámara virtual para insertar un rostro falso en un flujo de verificación, con la esperanza de convencer al sistema de que está viendo a una persona real y en vivo. Es la misma técnica subyacente si el objetivo es el registro de una nueva cuenta, la verificación de identidad de un candidato a un empleo o una transacción de alto valor que requiere una nueva autenticación.

Dado que la detección humana es casi como lanzar una moneda al aire, incluso en condiciones de prueba controladas, ningún proceso de verificación debería depender de que una persona inspeccione visualmente un rostro o un documento como su principal línea de defensa. En su lugar, es importante un enfoque por capas:

• Verificación biométrica facial con pruebas de vida: para confirmar la presencia humana real y en vivo en lugar de una imagen estática o un video inyectado, usando señales como el movimiento facial natural, la consistencia de la iluminación y la profundidad.
• Verificación de documentos contra una base de datos de especímenes: para detectar documentos falsos o generados por IA que a menudo acompañan a una identidad deepfake.
• Vínculos cruzados y etiquetas de riesgo: para reconocer cuándo el mismo patrón de fraude, documento o dispositivo ya ha aparecido en otro lugar dentro de una red de clientes más amplia, de modo que un intento detectado ayude a proteger a otros.
• Revisión humana para casos excepcionales: no como primera línea de defensa, sino como una capa específica para los casos en que los sistemas automatizados marcan una ambigüedad genuina y el juicio entrenado agrega un valor que la simple vista no puede proporcionar.

¿Qué deben aprender las empresas de estos datos?

Tres conjuntos de datos cuentan la misma historia. Los datos financieros muestran que el fraude con ‘deepfakes’ se concentra en estafas de inversión, contrataciones fraudulentas y suplantación de ejecutivos, donde pocos incidentes causan pérdidas enormes. Los datos de comportamiento, tanto de una encuesta como de un cuestionario global, explican por qué sigue funcionando: las personas que deben detectar al estafador tienen, en el mejor de los casos, una precisión de entre el 61 % y el 66 %. Y a menudo, los que se sienten más seguros son los que tienen la menor precisión.

Si tu negocio depende de las videollamadas, las entrevistas remotas o la verificación basada en selfies como señal de confianza, vale la pena hacer una pregunta directa: ¿tu proceso actual detectaría un deepfake bien hecho hoy? Para un número creciente de empresas, la respuesta honesta ha sido no, y las pérdidas de seis y siete cifras que le siguen son la razón por la que la defensa contra los deepfakes se ha convertido en un tema de junta directiva en lugar de una ocurrencia técnica tardía.