Faceswaps estão superando a detecção humana. A revisão manual não consegue acompanhar.

Pedimos às pessoas que identificassem deepfakes. Elas sabiam que havia falsificações no conjunto e estavam procurando por elas. A maioria ainda teve dificuldades, e ter certeza de uma resposta não aumentou a probabilidade de estarem certas.

Esse resultado, do nosso Quiz de Deepfakes, é importante muito além de um simples quiz. Em mais de 8.000 sessões, os jogadores acertaram em média apenas 63% das imagens, pouco acima dos 50% que seriam obtidos por adivinhação. Três em cada 10 não se saíram melhor que o acaso, e apenas 1 em 40 acertou todas as 12. A confiança também não ajudou: mais de 1 em cada 4 pessoas que disseram ter “certeza absoluta” tiveram um desempenho que não superou o acaso.

Os faceswaps são a parte mais crítica desse problema. A seguir, exploramos por que os faceswaps estão se tornando mais eficazes, por que a revisão manual tem dificuldade em acompanhar o ritmo e como uma defesa em camadas e em tempo real pode ajudar a detectá-los e preveni-los.

Três coisas mudaram ao mesmo tempo

No último ano, três mudanças ocorreram simultaneamente. Qualquer uma delas sobrecarregaria um fluxo de verificação. Juntas, elas quebram as premissas sobre as quais a maioria dos fluxos foi construída.

1. As ferramentas ficaram melhores e mais baratas. Há um ano, um faceswap convincente exigia habilidade de verdade. Agora, aplicativos para o consumidor fazem isso em tempo real em um celular comum.

2. O ataque passou para dentro da câmera. Mostrar uma foto ou usar uma máscara é um ataque de apresentação, e as verificações de liveness foram projetadas para isso. Os ataques de injeção são diferentes. Uma câmera virtual ou um emulador insere um vídeo sintético diretamente no pipeline da câmera, de modo que o modelo de liveness nunca vê um artefato físico. Ele vê uma transmissão digital limpa.

3. A fraude se tornou uma operação. Grupos de fraudadores agora conduzem sessões como uma linha de produção, usando bots de aplicativos de mensagens para orientar pessoas reais durante a verificação, passo a passo. A pessoa está ao vivo, o rosto é real, o dispositivo é real. A verificação de liveness é aprovada. Frequentemente, a revisão manual também.

O volume torna isso um problema operacional, não apenas técnico. Estima-se que 8 milhões de deepfakes foram compartilhados online em 2025, um aumento em relação aos 500.000 em 2023, segundo dados do governo do Reino Unido. Apenas em centrais de atendimento, as tentativas de fraude com deepfake aumentaram mais de 1.300% em 2024, de acordo com a análise da Pindrop de 1,2 bilhão de chamadas. Nessa escala, não é possível resolver o problema apenas com revisões.

Por que as trocas de rosto são tão difíceis de detectar

As trocas de rosto são mais difíceis de detectar porque quase tudo nelas é real. Rostos totalmente sintéticos e clones de voz ainda deixam rastros: contornos do cabelo, consistência das bordas, dentes. Uma troca de rosto começa com um vídeo real de uma pessoa real e substitui apenas o rosto.

O fundo é real. A iluminação é real. A linguagem corporal é real. A única parte sintética é o rosto, e é exatamente aí que os modelos de geração mais evoluíram.

Sistemas automatizados enfrentam a mesma pressão. Há um ano, artefatos de compressão e bordas de mesclagem denunciavam a maioria dos faceswaps. Hoje, as melhores ferramentas produzem resultados que se confundem com o ruído de uma câmera de celular de baixa qualidade. Qualquer sinal de detecção único agora está sendo manipulado, então a detecção precisa usar vários sinais ao mesmo tempo.

Detecte deepfakes. Proteja contra coação.

Descubra como a Verificação de presença da Veriff ajuda a detectar deepfakes e a identificar sinais de coerção por meio de uma análise de sessão avançada e em tempo real.

Explore a Verificação de presença

Confiança não é precisão: o limite da revisão manual

O resultado do quiz corresponde ao que vemos nos fluxos de verificação em tempo real. Confiança e precisão se distanciaram. Um revisor experiente desenvolve um forte reconhecimento de padrões, mas foi treinado com as fraudes do ano passado, e as ferramentas evoluem mais rápido do que a intuição consegue acompanhar.

Nem mesmo especialistas treinados concordam sempre. Quando equipes experientes de fraude e qualidade revisam as mesmas sessões, às vezes chegam a conclusões diferentes sobre se um rosto é sintético. Se os especialistas discordam, pedir que a equipe de operações de um banco identifique faceswaps em grande escala não é realista.

O volume e a velocidade dificultam ainda mais:

• Capacidade: o volume de ataques cresce mais rápido do que qualquer equipe de revisão consegue acompanhar.
• Falsa confiança: os revisores não percebem as falsificações mesmo quando acreditam que as estão detectando.
• Latência: no momento em que um humano analisa, o pagamento, a transferência ou a criação da conta muitas vezes já ocorreram.

Onde a revisão manual ainda tem seu lugar

As pessoas oferecem o contexto e o julgamento que os modelos não têm. Quando uma decisão automatizada é inconclusiva, um revisor pode analisar o documento, a sessão e o histórico da conta em conjunto. A revisão também é importante para casos específicos em que uma recusa incorreta tem um custo alto, como bloquear o acesso de um cliente legítimo à sua própria conta durante a recuperação.

A revisão não deve ser a principal linha de defesa em fluxos de alto volume e em tempo real. Nesses casos, ela deve lidar com as exceções que a automação sinaliza, e não arcar com todo o trabalho.

Fechando a lacuna com camadas

Nenhuma verificação individual consegue impedir os faceswaps. É por isso que uma detecção eficaz depende de múltiplos sinais que funcionam juntos em tempo real. A Verificação de presença reúne essas verificações, incluindo a detecção de ataques de injeção, para identificar e impedir tentativas de faceswap.

A prova de vida responde a uma pergunta: existe um rosto humano ao vivo em frente à câmera neste momento? A Verificação de presença responde a uma pergunta mais ampla: esta é uma pessoa real, agindo por conta própria, agora? Ela analisa toda a sessão, incluindo o dispositivo, o feed da câmera, o vídeo, o áudio e os padrões entre as sessões.

A detecção de faceswap fica dentro da Verificação de Presença, como parte da detecção de ataques de injeção. O objetivo é capturar mídias sintéticas antes que cheguem ao modelo de vivacidade.

Três níveis de sinais

1. A barreira: integridade do dispositivo e detecção de injeção. Essas verificações são executadas antes da captura da selfie. O dispositivo é real ou um emulador? O feed da câmera é genuíno ou um software está injetando um vídeo sintético? Se falharem, a sessão é recusada imediatamente, sem imagem para processar.

2. Captura: prova de vida passiva e detecção de deepfake. Analisamos 100 quadros de vídeo passivo, sem nenhuma instrução ao usuário, em menos de dois segundos. Isso captura ataques de apresentação e mídias sintéticas que passaram pela barreira.

3. Sessão: intenção, coerção e padrões entre sessões. Sinais de áudio e vídeo mostram se alguém está agindo livremente ou sendo instruído. Sinais entre sessões, como velocidade, atividade em múltiplos dispositivos e padrões de fazendas de contas, mostram quando uma única operação está por trás de muitas contas.

Por que a barreira é importante

Bloquear emuladores e câmeras virtuais antes da selfie faz duas coisas. É mais barato, porque não há imagem para processar ou armazenar. E o mais importante: isso quebra a economia das fazendas de bots. Se cada tentativa precisar de um dispositivo real em vez de uma das centenas de instâncias de emulador, o custo de cada conta fraudulenta aumenta drasticamente.

Conclusão

O modelo de ameaça mudou, e a maioria das defesas não acompanhou. Faceswaps e sessões instruídas passam pela verificação de vivacidade. A revisão manual não é escalável contra ataques gerados por AI, e a confiança de um revisor é um mau indicador de precisão.

A resposta tem várias camadas: integridade do dispositivo, detecção de injeção, prova de vida passiva, sinais em nível de sessão e inteligência entre sessões, tudo em tempo real. Antes do pagamento, antes da transferência, antes que a conta seja comprometida.

Essa é a Verificação de presença. Não é uma prova de vida melhor, mas um tipo diferente de defesa.

Veja como a Verificação de presença se encaixa no seu fluxo. Agende uma demo.