O custo real da fraude de deepfake para as empresas

A fraude de deepfake gerada por IA causou mais de US$ 1,5 bilhão em perdas relatadas globalmente nos primeiros nove meses de 2025. Golpes de investimento, contratações fraudulentas e falsificação de identidade de executivos foram responsáveis pela maior parte desse valor. À medida que os ataques se tornam mais sofisticados e novas pesquisas mostram a baixa capacidade humana de detectá-los, as empresas precisam fortalecer a prevenção de fraudes e a verificação de identidade para se proteger.

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 de deepfake contra empresas não funciona como o phishing genérico, que tem alto volume e baixo valor por ataque. Na verdade, é o oposto: baixo volume e alto valor. Isso é consistente com dados de uma pesquisa independente da Sapio Research com 575 tomadores de decisão de empresas em cinco países. Eles tiveram uma perda média de quase US$ 450.000 devido a deepfakes, com o setor de serviços financeiros enfrentando uma média ainda maior, de US$ 603.000. Dez por cento das organizações pesquisadas relataram perdas que ultrapassam US$ 1 milhão.

O Centro de Denúncias 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 US$ 893 milhões em perdas – um número que o próprio relatório aponta como subnotificado, já que a maior parte do envolvimento da IA em fraudes ainda não é identificada como tal no momento da denúncia. Desse total, somente a fraude de investimento ligada à IA representou US$ 632 milhões.

O verdadeiro problema: os humanos não conseguem identificar a diferença

O Relatório sobre Deepfakes 2026 da Veriff, baseado em uma pesquisa de fevereiro de 2026 com 3.000 pessoas nos EUA, Reino Unido e Brasil, realizada em parceria com a Kantar, colocou essa suposição à prova: quão boas as pessoas realmente são em identificar um deepfake?

Para as empresas, o problema é agravado por uma lacuna de confiança. Cerca de metade dos entrevistados nos EUA disseram estar confiantes de que poderiam identificar um deepfake, mas a confiança não correspondia à habilidade real. A pesquisa da Veriff identificou um segmento de “alto risco”: cerca de 7% dos entrevistados nos três mercados combinaram baixa precisão de detecção com alta autoconfiança e uma tendência a raramente ou nunca verificar conteúdo suspeito. É exatamente esse tipo de lacuna que os fraudadores podem explorar, seja usando um deepfake em um golpe de investimento ou apresentando um candidato sintético durante um processo de contratação.

As pistas visuais nas quais as pessoas mais confiam são textura de pele não natural (53%), cabelo ou dentes incomuns (52%) e movimento não natural em vídeo (51%). Essas são as mesmas características que a IA generativa está se tornando cada vez mais capaz de replicar. Olhar o conteúdo mais de perto não melhorou significativamente a precisão, sugerindo que as pessoas não têm um método confiável para identificar falsificações, mas confiam na intuição, algo que a IA agora pode imitar facilmente.

O estudo também descobriu que as pessoas tiveram dificuldade em identificar conteúdo manipulado de forma consistente:

• As pontuações por país ficaram entre 60% e 69%, e os mesmos recursos visuais enganaram consistentemente os participantes, independentemente da localização. Isso sugere que a dificuldade não é apenas uma lacuna de habilidades regional, mas uma limitação mais fundamental na detecção humana.:

• Os jogadores acertaram em média 63% das vezes, apenas um pouco acima da linha de base de 50% esperada de um palpite aleatório.

• 31% dos participantes não tiveram um desempenho melhor do que o resultado de jogar uma moeda.

• Apenas 2,4% alcançaram uma pontuação perfeita.

• A troca de rostos foi o tipo de conteúdo mais difícil de identificar, com os jogadores acertando 56%, em comparação com 69% para fotos e 60% para vídeos. Isso reforça a descoberta da Kantar de que o conteúdo complexo de troca de rostos é particularmente difícil de detectar.

• As pontuações por país ficaram entre 60% e 69%, e os mesmos recursos visuais enganaram consistentemente os participantes, independentemente da localização. Isso sugere que a dificuldade não é apenas uma lacuna de habilidades regional, mas uma limitação mais fundamental na detecção humana.

DÊ O PLAY E OUÇA A HISTÓRIA COMPLETA 🎧

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.

O que as empresas podem aprender com esses dados?

Três conjuntos de dados, quando lidos em conjunto, contam uma única história. Os dados financeiros mostram onde a fraude de deepfake se concentra: golpes de investimento, contratações fraudulentas e falsificação de identidade de executivos, cada um resultando em perdas desproporcionais a partir de poucos incidentes. Os dados comportamentais, tanto de uma pesquisa com população representativa quanto de um quiz de engajamento global, explicam por que a fraude continua funcionando: as pessoas que atuam como barreira entre um fraudador e um pagamento têm, na melhor das hipóteses, uma precisão entre 61% e 66%, e aquelas que se sentem mais confiantes costumam estar entre as menos precisas.

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.