O que a fraude com deepfake realmente custa para as empresas em 2025–2026

Nove meses. Mais de 1,5 bilhão de dólares. Esse é o total de perdas financeiras ligadas a deepfakes gerados por IA em todo o mundo entre janeiro e setembro de 2025, de acordo com dados compilados pela Surfshark a partir da Base de Dados de Incidentes de IA e da Resemble. É o sinal mais claro até agora de que a fraude com deepfake passou de uma novidade para um item de linha, que aparece em relatórios de diretoria, pedidos de seguro e investigações pós-incidente.

Onde as perdas estão concentradas

A maior categoria, por uma ampla margem, é a fraude de investimento: fraudadores que usam vídeo e áudio gerados por IA de celebridades, executivos ou políticos para promover esquemas de investimento falsos. Essa categoria sozinha responde por 900 milhões de dólares, ou 57% de todas as perdas analisadas relacionadas a deepfakes no conjunto de dados da Surfshark. Esses golpes geralmente se originam em plataformas sociais: Facebook, WhatsApp, Telegram, YouTube, onde uma figura pública em deepfake parece endossar uma plataforma de negociação ou produto financeiro.

Dois outros padrões são mais relevantes para as equipes de fraude empresarial:

Candidatos a vagas de emprego com deepfakes infiltrando-se em organizações. O FBI está investigando um esquema no qual mais de 100 empresas contrataram sem saber trabalhadores remotos de TI que usaram identidades sintéticas geradas por IA, como currículos fabricados e rostos e vozes clonados em entrevistas em vídeo, para se passarem por candidatos legítimos. Uma vez contratados, esses trabalhadores desviavam dinheiro para governos estrangeiros, em vez de realizar o trabalho.

Fraude de personificação de executivos. Uma voz ou rosto clonado em uma chamada de vídeo, orientando uma equipe financeira a transferir dinheiro com urgência. O caso mais bem documentado continua sendo a perda de aproximadamente 25 milhões de dólares (£20 milhões) da empresa de engenharia Arup em Hong Kong, onde um funcionário participou de uma chamada de vídeo com versões em deepfake do CFO и de vários colegas e autorizou várias transferências antes que a fraude fosse descoberta.

Acha que consegue distinguir o que é real?

O conteúdo gerado por IA está mais convincente do que nunca. Teste-se com nosso Quiz sobre Deepfakes gratuito.

Experimente agora

Por que o incidente médio é tão caro

A fraude com deepfake contra empresas não se comporta como o phishing genérico — alto volume, baixo valor por golpe. É mais próximo do oposto: baixo volume, alto valor. Isso é consistente com dados de pesquisas independentes, que descobriram que 575 tomadores de decisão de negócios em cinco países, entrevistados pela Sapio Research, tiveram uma perda média de quase 450.000 dólares devido a deepfakes, com o setor de serviços financeiros enfrentando uma média mais alta de 603.000 dólares. Dez por cento das organizações pesquisadas relataram perdas superiores a 1 milhão de dólares.

O Centro de Reclamações de Crimes na Internet do FBI rastreou a fraude “relacionada à IA” como uma categoria própria pela primeira vez em seu Relatório de Crimes na Internet de 2025, registrando 22.364 reclamações e 893 milhões de dólares em perdas — um número que o próprio relatório sinaliza como uma subcontagem, já que a maior parte do envolvimento da IA em fraudes ainda não é identificada como tal no momento da denúncia. Dentro desse total, a fraude de investimento ligada à IA sozinha respondeu por 632 milhões de dólares.

O verdadeiro problema: os humanos não conseguem notar a diferença

Cada camada de risco empresarial acima assume que a fraude é detectada em algum ponto do caminho — por um gerente de contratação que nota algo estranho em uma entrevista, um funcionário do financeiro que faz uma pausa antes de uma transferência bancária, um agente de suporte ao cliente que questiona uma chamada suspeita. O Relatório sobre Deepfakes de 2026 da Veriff, baseado em uma pesquisa de fevereiro de 2026 com 3.000 pessoas nos EUA, Reino Unido e Brasil, conduzida com a Kantar, testou essa suposição diretamente: quão boas as pessoas realmente são em identificar um deepfake quando veem um?

A resposta é um pouco melhor do que um palpite. Em uma escala de -1 (sempre errado) a 1 (precisão perfeita), onde 0 representa cara ou coroa, os entrevistados dos EUA pontuaram apenas 0,07: estatisticamente próximo dos 0,07 do Reino Unido e 0,08 do Brasil. Simplificando, a maioria das pessoas é apenas uma pequena fração melhor do que o acaso para distinguir um vídeo ou imagem real de um fabricado.

O vídeo foi o formato mais difícil de julgar. Ao verem um vídeo real e um falso lado a lado com uma mulher, 70% dos entrevistados dos EUA identificaram erroneamente o falso como real. Um dos visuais mais difíceis de todo o estudo. Imagens de mulheres totalmente geradas por IA e conteúdo complexo de “faceswap” seguiram o mesmo padrão.

O que torna isso pior para as empresas é uma lacuna de confiança que se sobrepõe à lacuna de precisão. Cerca de metade dos entrevistados dos EUA disseram estar confiantes de que poderiam identificar um deepfake, e a confiança não correspondeu de forma confiável à habilidade real. A pesquisa da Veriff identificou um segmento de “alto risco”: cerca de 7% dos usuários nos três mercados que combinam baixa precisão de detecção, alta autoconfiança e uma tendência a raramente ou nunca verificar conteúdo suspeito. Esse é o perfil exato com que os fraudadores contam ao executar um golpe de investimento com deepfake ou ao passar um candidato a emprego sintético por um processo de contratação.

As pistas visuais nas quais as pessoas mais confiam — textura de pele não natural (53%), cabelo ou dentes estranhos (52%), movimento não natural em vídeo (51%) — são também as pistas que a IA generativa moderna se tornou melhor em falsificar. Verificar com mais cuidado não melhorou significativamente a precisão no estudo, sugerindo que as pessoas não têm um método estruturado para verificação; elas estão confiando nas mesmas verificações baseadas na intuição que a IA já aprendeu a superar.

Como isso funciona em um fluxo de verificação

As equipes de risco empresarial enfrentam o mesmo problema estrutural que a pesquisa da Kantar expôs no nível do consumidor. O Relatório de Fraude de Identidade 2026 da Veriff descobriu que a mídia apresentada digitalmente tinha 300% mais probabilidade de ser totalmente gerada por IA ou alterada de outra forma em 2025 em comparação com 2024, e que a fraude de personificação, grande parte dela agora acelerada por IA, respondeu por mais de 85% de todas as tentativas de verificação fraudulentas observadas.

Essa tendência corresponde ao que é frequentemente chamado de ataque de injeção: um fraudador usa um vídeo deepfake, identidade sintética ou câmera virtual para inserir um rosto fabricado em um fluxo de verificação, esperando convencer o sistema de que está vendo uma pessoa real e ao vivo. É a mesma técnica subjacente, seja o alvo a inscrição de uma nova conta, a verificação de identidade de um candidato a emprego ou uma transação de alto valor que exige nova autenticação.

Dado que a detecção humana é quase como jogar uma moeda, mesmo em condições de teste controladas, nenhum processo de verificação deve depender de uma pessoa inspecionando visualmente um rosto ou um documento como sua principal linha de defesa. Em vez disso, uma abordagem em camadas é importante:

• Verificação biométrica facial com checagem de vivacidade — confirmando a presença humana real e ao vivo, em vez de uma imagem estática ou vídeo injetado, usando sinais como movimento facial natural, consistência de iluminação e profundidade.
• Verificação de documentos em uma base de dados de espécimes — detectando documentos fabricados ou gerados por IA que frequentemente acompanham uma identidade deepfake.
• Vínculos cruzados e rótulos de risco — reconhecendo quando o mesmo padrão de fraude, documento ou dispositivo já apareceu em outro lugar em uma rede de clientes mais ampla, de modo que uma tentativa detectada ajuda a proteger outras.
• Revisão humana para casos extremos — não como primeira linha de defesa, mas como uma camada direcionada para os casos em que os sistemas automatizados sinalizam ambiguidade genuína e o julgamento treinado agrega um valor que apenas o olho não pode fornecer.

A conclusão para as empresas

Dois conjuntos de dados, lidos em conjunto, contam uma única história. Os dados financeiros mostram onde a fraude com deepfake se concentra: golpes de investimento, contratações fraudulentas e personificação de executivos, cada um produzindo perdas desproporcionais a partir de relativamente poucos incidentes. Os dados comportamentais explicam por que isso continua funcionando: as pessoas que se interpõem entre um fraudador e um pagamento são pouco melhores do que jogar uma moeda para identificar uma farsa, e aqueles que se sentem mais confiantes são muitas vezes os menos precisos.

Se o seu negócio depende de chamadas de vídeo, entrevistas remotas ou verificação baseada em selfies como um sinal de confiança, vale a pena fazer uma pergunta direta: seu processo atual detectaria um deepfake bem-feito hoje? Para um número crescente de empresas, a resposta honesta tem sido não — e as perdas de seis e sete dígitos que se seguem são o motivo pelo qual a defesa contra deepfakes se tornou um tópico de diretoria em vez de uma reflexão técnica tardia.