Lo que el fraude con deepfakes realmente les cuesta a las empresas en 2025–2026

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 se comporta como el phishing genérico: alto volumen, bajo valor por ataque. Es más bien lo contrario: bajo volumen, alto valor. Esto coincide con datos de encuestas independientes, que revelaron que 575 responsables de la toma de decisiones empresariales en cinco países, encuestados por Sapio Research, habían sufrido una pérdida promedio de casi $450.000 debido a los deepfakes, y el sector de servicios financieros enfrentaba un promedio más elevado de $603.000. El diez por ciento de las organizaciones encuestadas reportó pérdidas superiores a $1 millón.

El Centro de Denuncias de Delitos en Internet del FBI rastreó el fraude «relacionado con IA» como una categoría propia por primera vez en su Informe de Delitos en Internet de 2025, registrando 22.364 denuncias y $893 millones en pérdidas —una cifra que el propio informe señala como un subregistro, ya que la mayor parte de la participación de la IA en el fraude aún no se identifica como tal en el momento de la denuncia. Dentro de ese total, el fraude de inversión vinculado a la IA representó por sí solo $632 millones.

El verdadero problema: los humanos no pueden notar la diferencia

Cada nivel de riesgo empresarial mencionado anteriormente supone que el fraude se detecta en algún punto del camino: un gerente de contratación que nota algo raro en una entrevista, un empleado de finanzas que duda antes de una transferencia bancaria, un agente de soporte al cliente que cuestiona una llamada sospechosa. El Informe sobre Deepfakes 2026 de Veriff, basado en una encuesta de febrero de 2026 a 3.000 personas en EE. UU., el Reino Unido y Brasil realizada con Kantar, puso a prueba esa suposición directamente: ¿qué tan buenas son las personas realmente para detectar un deepfake cuando se les muestra uno?

La respuesta es que apenas son mejores que si adivinaran. En una escala de -1 (siempre incorrecto) a 1 (precisión perfecta), donde 0 representa lanzar una moneda al aire, los encuestados de EE. UU. obtuvieron solo 0.07: estadísticamente cerca del 0.07 del Reino Unido y el 0.08 de Brasil. En pocas palabras, la mayoría de las personas son solo una pequeña fracción mejores que el azar para distinguir un video o una imagen real de uno falso.

El video fue el formato más difícil de juzgar. Cuando se les mostró un video real y uno falso uno al lado del otro con una mujer, el 70 % de los encuestados de EE. UU. identificó erróneamente el falso como real. Fue una de las imágenes más difíciles de todo el estudio. Las imágenes de mujeres generadas completamente por IA y el contenido complejo de «faceswap» siguieron el mismo patrón.

Lo que empeora esto para las empresas es una brecha de confianza que se suma a la brecha de precisión. Aproximadamente la mitad de los encuestados de EE. UU. dijeron que confían en que podrían detectar un deepfake, y la confianza no se correlacionó de manera fiable con la habilidad real. La investigación de Veriff identificó un segmento de «alto riesgo»: aproximadamente el 7 % de los usuarios en los tres mercados que combinan una baja precisión de detección, una alta confianza en sí mismos y una tendencia a verificar raramente o nunca el contenido sospechoso. Ese es el perfil exacto con el que cuentan los estafadores cuando ejecutan una estafa de inversión con deepfakes o presentan a un candidato sintético en un proceso de contratación.

Las señales visuales en las que más confía la gente —textura de piel poco natural (53 %), cabello o dientes extraños (52 %), movimiento poco natural en el video (51 %)— son también las señales que la IA generativa moderna ha aprendido a falsificar mejor. Revisar con más cuidado no mejoró significativamente la precisión en el estudio, lo que sugiere que las personas no tienen un método estructurado para la verificación; confían en las mismas comprobaciones basadas en la intuición que la IA ya ha aprendido a superar.

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.

La conclusión para las empresas

Dos conjuntos de datos, leídos en conjunto, cuentan una sola historia. Los datos financieros muestran dónde se concentra el fraude con deepfakes: estafas de inversión, contrataciones fraudulentas y suplantación de ejecutivos, cada uno produciendo pérdidas desproporcionadas a partir de relativamente pocos incidentes. Los datos de comportamiento explican por qué sigue funcionando: las personas que se interponen entre un estafador y un pago son apenas mejores que si lanzaran una moneda al aire para detectar una falsificación, y aquellos que se sienten más seguros suelen ser los menos precisos.

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.