A defesa empresarial: Por que combater a fraude com IA requer IA, não uma fechadura melhor

Toda equipe de fraude eventualmente se depara com o mesmo obstáculo. Você aperta a segurança, o invasor aprimora a chave. Você adiciona uma verificação de vivacidade, alguém encontra uma maneira de transmitir um rosto gravado para burlá-la. Você bloqueia emuladores, o próximo lote de tráfego vem de dispositivos reais com humanos reais e treinados por trás deles.

Esse obstáculo é a razão pela qual a maioria das defesas de identidade parece estar sempre um passo atrás: elas foram criadas para responder a uma pergunta, e a fraude já passou para outra.

A pergunta mudou

A verificação de identidade passou duas décadas respondendo bem a três perguntas: Quem é você? Você é confiável? Você ainda é a mesma pessoa que se cadastrou? Verificações de documentos, Autenticação biométrica e triagem de KYC (Know Your Customer) foram todos criados para responder a essas três perguntas.

Em 2026, uma nova pergunta entrou à força na conversa: esta é uma pessoa real e viva, ou uma mídia sintética, um agente automatizado ou um dispositivo que não deveria ser confiável?

Essa pergunta existe porque as antigas suposições sobre vivacidade foram quebradas de duas direções ao mesmo tempo.

A mídia sintética tornou-se plausível. Fotos de perfil geradas por IA e imagens roubadas podem passar por uma olhada casual sem nunca terem sido de um humano vivo. E uma categoria crescente de agentes automatizados, bots e ferramentas “compre-para-mim” impulsionadas por LLMs, agora completam transações reais em sessões de usuário reais e autenticadas. A conta é legítima. A ação vinculada a ela não é.

Fazendas de dispositivos e ambientes emulados também podem produzir um rosto “ao vivo” sem uma sessão ao vivo e confiável por trás: grupos de fraude coordenados rotineiramente criam assinaturas de hardware e rede que parecem limpas isoladamente, mas contam uma história muito diferente quando cruzadas.

Dois modos de falha diferentes. Uma causa raiz compartilhada: todos são invisíveis para um sistema ajustado para detectar um único sinal.

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 as defesas de sinal único continuam perdendo

A maioria dos fornecedores de detecção de vivacidade e deepfake foi criada para vencer uma comparação: o rosto na frente da câmera é de um humano real e vivo, agora mesmo? Esse é um problema difícil, e muitos fornecedores o resolvem bem.

Também não é mais o problema certo a ser resolvido isoladamente.

Uma verificação de sinal único não tem como perceber que o rosto “ao vivo” pertence a uma fazenda de dispositivos, ou que a mesma sessão mostra saltos de localização impossíveis, ou que o fluxo de mídia tem a impressão digital de injeção em vez de uma alimentação de câmera ao vivo. Cada um desses sinais, isoladamente, pode parecer limpo. Juntos, eles contam uma história completamente diferente, e uma arquitetura de defesa construída em torno de um sinal estruturalmente não consegue ver os outros sinais.

Este é o problema central de design ao tratar a garantia de identidade como uma lista de verificação de soluções pontuais discretas unidas posteriormente. Empilhar ferramentas separadas para vivacidade, impressão digital de dispositivo e análise comportamental cria brechas, e brechas são exatamente onde as operações de fraude coordenadas procuram por uma abertura. Os grupos de fraude não atacam a camada mais forte. Eles atacam o espaço entre as camadas.

O olho humano nunca foi um controle de segurança

Há uma versão desse problema na qual as equipes de fraude historicamente se apoiaram sem dizer em voz alta: se a detecção automatizada falhar em algo, um revisor humano, ou o próprio usuário final, provavelmente perceberá em uma segunda olhada.

A Veriff fez uma parceria com a Kantar em uma pesquisa em grande escala nos EUA, Reino Unido e Brasil em fevereiro de 2026 para testar essa suposição diretamente, em vez de debatê-la. Os resultados devem encerrar o debate. Em todos os mercados, as pessoas obtiveram uma pontuação média de apenas 0,07 em uma escala de precisão de detecção onde 0 representa um cara ou coroa e 1 representa precisão perfeita, o que significa que a pessoa média solicitada a diferenciar um visual real de um gerado por IA está, em termos práticos, adivinhando. O vídeo foi o formato mais difícil de julgar corretamente: para um par de vídeos no estudo, 70% dos entrevistados identificaram erroneamente o falso como real.

A partir daí, fica mais preocupante. Cerca de metade dos entrevistados dos EUA disseram que estão confiantes em sua capacidade de detectar um deepfake, e a confiança não acompanha a precisão de forma confiável. Em todos os mercados, a Veriff e a Kantar identificaram um segmento de “alto risco” (pessoas que detectam mal as falsificações, sentem-se confiantes de que não seriam enganadas e raramente se dão ao trabalho de verificar conteúdo suspeito) em cerca de 7% dos usuários. Isso não é um erro de arredondamento; em qualquer volume significativo, é uma população permanente de alvos fáceis que os grupos de fraude continuarão a encontrar.

Como Ira Bondar-Mucci, Líder da Plataforma de Fraude da Veriff, colocou no relatório: qualquer organização que ainda depende de revisão manual ou autoatestação do cliente está herdando essa vulnerabilidade diretamente, porque o julgamento humano se tornou uma proteção não confiável por si só. O instinto que muitas equipes de fraude têm, de que um segundo par de olhos em um caso sinalizado adiciona uma camada significativa de proteção, não se sustenta quando os olhos em questão têm um desempenho pouco melhor do que o acaso e acreditam que estão se saindo muito melhor do que isso.

Este não é um argumento para remover as pessoas do processo. É um argumento para colocá-las no lugar certo. A própria conclusão do relatório é que a postura mais forte mantém os humanos no circuito nas decisões em que o julgamento genuinamente agrega valor, enquanto a detecção automatizada assume o fardo de capturar o que o olho estruturalmente não pode: exatamente o princípio de design por trás de uma arquitetura em camadas, avaliada por máquina, em vez de uma lista de verificação que um revisor percorre manualmente.

Como é uma defesa multicamadas real

A alternativa não é uma versão melhor de vivacidade. É colapsar a detecção em uma única decisão que considera tudo o que a sessão tem a oferecer de uma só vez. A abordagem da Veriff para isso funde várias camadas de capacidade em uma única avaliação, executada em questão de segundos e que não requer o upload de documentos:

• Integridade do dispositivo e da rede: identificação do hardware e do caminho de rede que uma sessão realmente percorre, para que emuladores, dispositivos com jailbreak e sinais de hardware inconsistentes apareçam antes mesmo de a biometria ser avaliada.
• Detecção de ataques de injeção e sinais comportamentais baseados em ações: análises de dispositivo, navegador e rede baseadas em ações que capturam mídias pré-gravadas ou reproduzidas e sinalizam padrões de interação que não correspondem a um humano ao vivo e não roteirizado.
• Análise da qualidade de vídeo e imagem: escrutínio de nível forense da própria captura, construído para capturar os artefatos que mídias geradas por IA e manipuladas deixam para trás.
• Vivacidade passiva avançada: confirmação de que há um ser humano vivo na frente da câmera, sem adicionar atrito ao fluxo de captura.
• Análise de referências cruzadas e velocidade: verificação de uma sessão em relação a padrões em toda a rede, incluindo se este dispositivo, este documento ou esta impressão digital comportamental apareceu tentando fazer o onboarding com uma identidade diferente em outro lugar.

Nenhuma dessas camadas é suficiente sozinha. Juntas, elas são avaliadas como uma única decisão, não como um conjunto de portões de aprovação/reprovação separados que um grupo de fraude pode sondar individualmente.

Se sua equipe está atualmente juntando fornecedores separados para essas camadas, converse com nossos especialistas em fraude sobre o que uma arquitetura de decisão única substituiria em seu stack.

O que uma solução pontual não pode igualar, em termos concretos

O stack em camadas é a parte visível. A parte mais difícil de replicar é o que está por baixo: sinais de fraude entre clientes e um gráfico de identidade construído a partir de uma base global de sessões de verificação, acumulada ao longo de anos, não trimestres.

É disso que a referência cruzada realmente depende. Um padrão de dispositivo ou documento sinalizado na sessão de um cliente torna-se um sinal disponível em toda a rede, não pelo compartilhamento de dados brutos entre clientes, mas por meio de referências cruzadas de dados que revelam o risco sem expor quem mais o viu. Uma solução pontual que avalia uma única sessão isoladamente não tem equivalente. Ela pode ser excelente em seu único trabalho e ainda assim perder o que uma visão em rede capturaria em segundos.

É também por isso que uma defesa construída dessa maneira se mantém à medida que os padrões de fraude mudam. Ataques coordenados evoluem constantemente: novas ferramentas, novos canais de distribuição, novas maneiras de contornar uma verificação específica. Um sistema construído em torno de um sinal precisa ser reconstruído toda vez que os invasores encontram a brecha. Um sistema construído em torno de uma rede de sinais fica mais forte a cada sessão que processa, porque cada novo padrão fortalece o gráfico contra o qual a próxima detecção é executada.

Onde isso realmente aparece para um comprador técnico comparando opções:

Nada disso é uma crítica aos fornecedores de vivacidade que fazem bem o seu trabalho. A questão é: um comprador que compara a Veriff a uma solução pontual apenas pela profundidade da vivacidade está comparando a coisa errada. A comparação que importa é um sinal versus uma decisão construída a partir de vários, rodando em uma rede à qual uma ferramenta de propósito único não tem acesso.

Criado para compliance, não apenas para detecção

Uma decisão em camadas só é útil para um comprador empresarial se também for auditável. Cada sessão avaliada por meio dessa arquitetura produz uma decisão documentada, não vários registros separados de várias ferramentas separadas que uma equipe de compliance precisa reconciliar posteriormente.

Na prática, isso é fundamental. A infraestrutura da Veriff possui as certificações ISO 27001 (via Schellman) e SOC 2. Ela permite configurar a retenção de dados por jurisdição e trata os dados biométricos essenciais para as verificações com privacidade desde a concepção (privacy-by-design). Para um Compliance Officer ou um agente de proteção de dados (DPO) no mesmo comitê de compras que o Head de Fraude, isso significa a diferença entre adotar um novo recurso de detecção ou uma nova responsabilidade de auditoria. Nossa abordagem em camadas foi criada para ser a primeira opção.

Como isso se parece para sua equipe de fraude

Concretamente, isso aparece nos momentos em que o risco realmente se concentra em um fluxo de produto:

• Criação de perfil e re-verificação periódica, onde imagens sintéticas ou roubadas precisam ser capturadas antes de chegarem a um usuário real.
• Momentos de transação e autorização sensíveis, onde a questão não é apenas “este é o usuário correto”, mas “este é um dispositivo ou rede que já sinalizamos antes, ou um agente completando uma ação que um humano deveria completar por si mesmo.”
• Fluxos de reativação de conta, onde sinais de dispositivo e comportamentais, e não apenas uma verificação de vivacidade passageira, determinam se a sessão pertence à pessoa que ela afirma ser.

Para um Chefe de Fraude, o valor não é um novo dashboard. São menos falsos positivos chegando com menor confiança, porque a decisão subjacente já sintetizou os sinais de dispositivo, comportamento, mídia e rede antes que um humano precise sequer olhar para ela. Para uma equipe de engenharia, é uma integração e um objeto de decisão, não vários relacionamentos com fornecedores para juntar e manter. Para o compliance, é uma única trilha de auditoria em vez de várias.

Trazendo a ferramenta certa para a luta

As verificações de identidade legadas foram construídas para um modelo de ameaça onde o problema mais difícil era confirmar que um rosto correspondia a um documento. Esse modelo de ameaça não existe mais. A fraude que você enfrenta agora é coordenada, assistida por IA e construída especificamente para passar em qualquer teste único que você aplique, porque um teste único é exatamente o que ela foi construída para vencer.

Corresponder a isso requer uma defesa que não faz uma pergunta. Ela faz várias, de uma vez, contra uma rede que já viu o padrão antes, em uma decisão que chega em segundos e se integra em menos de uma semana.

Se o seu stack atual ainda avalia vivacidade, sinais de dispositivo e comportamento como problemas separados, execute um teste de tráfego ao vivo contra ele. Agende uma demonstração para ver a arquitetura completa em camadas avaliar suas sessões reais, ou converse com nossa equipe de fraude sobre a migração de um stack de solução pontual sem uma lacuna na cobertura.