Por que o Brasil está na linha de frente das fraudes com deepfakes
Três condições se combinam no Brasil em uma escala que cria um incentivo particularmente forte para fraudes de identidade.
Pagamentos instantâneos criam um retorno imediato
O Pix torna os pagamentos instantâneos e disponíveis 24 horas por dia. Em 2025, o Brasil registrou R$ 6,5 bilhões em transações fraudulentas via Pix, e o Pix já está presente em cerca de 85% das fraudes financeiras.
O Mecanismo Especial de Devolução (MED) oferece às vítimas um caminho para contestar uma transferência, mas a recuperação dos valores não é garantida. Quando a fraude é identificada, o dinheiro pode já ter sido dividido entre várias contas e sacado.
Para os fraudadores, a lógica é simples: burlar a verificação de identidade pode permitir o acesso a uma conta capaz de movimentar dinheiro imediatamente.
Contas laranja transformam identidades falsas em infraestrutura financeira
As contas laranja são utilizadas para receber e movimentar recursos obtidos de forma ilícita. A demanda por essas contas, por sua vez, impulsiona a abertura fraudulenta de contas.
O fraudador não tenta burlar o eKYC simplesmente para passar por uma etapa de verificação. O objetivo é obter uma conta verificada, ou seja, um ativo do qual toda a operação fraudulenta pode depender.
O onboarding digital leva a verificação de identidade para o ambiente online
A abertura de contas no Brasil é predominantemente digital, permitindo que dezenas de milhões de pessoas entrem no sistema financeiro sem precisar visitar uma agência física.
Isso também significa que a barreira entre um fraudador e uma conta verificada pode se resumir a uma câmera, um documento e um fluxo de verificação de identidade.
Juntas, essas condições criam um forte incentivo para atacar o eKYC. Um deepfake bem-sucedido pode resultar em uma conta verificada conectada a um sistema de pagamentos instantâneos, tornando a verificação de identidade um alvo de alto valor.
Dois tipos de ataques de deepfake no eKYC: apresentação e injeção
As fraudes com deepfakes costumam ser tratadas como um único problema. Na prática, existem duas grandes categorias de ataque, e essa distinção é importante porque cada uma exige controles de segurança diferentes.
Tanto os ataques de apresentação quanto os ataques de injeção são contemplados pela ISO/IEC 30107-3, norma internacional para testes de detecção de ataques de apresentação.
O que é um ataque de apresentação?
Um ataque de apresentação ocorre quando algo falso é colocado diante de uma câmera real.
Isso pode incluir:
- Uma foto exibida em uma tela
- Uma imagem impressa
- Uma máscara 2D ou 3D
- Um vídeo reproduzido em outro monitor
A câmera é real e o caminho de captura permanece intacto. O problema é que aquilo que a câmera está capturando é falso.
O que é um ataque de injeção?
Um ataque de injeção ignora completamente a câmera.
Em vez de apresentar um rosto falso diante de uma câmera física, o fraudador insere um vídeo sintético diretamente no fluxo de verificação de identidade usando técnicas como:
- Softwares de câmera virtual
- Aplicativos com código manipulado ou interceptado (hooking)
- APIs manipuladas
- Ambientes de execução instrumentados
Nesse caso, nada precisa aparecer diante de uma câmera física.
Os ataques de injeção são particularmente perigosos porque podem ser escalados. Um ataque de apresentação geralmente exige uma estrutura física e um operador. Já um ataque de injeção pode ser realizado por software e repetido em centenas de sessões.
Como os fraudadores burlam a verificação de identidade no Brasil
Injeção de vídeo sintético: o fraudador cria um vídeo sintético do rosto do alvo realizando os movimentos exigidos pela prova de vida e, em seguida, insere esse vídeo na sessão por meio de um software de câmera virtual. Para a plataforma, o que chega parece ser um fluxo de câmera legítimo. O material usado para criar o rosto geralmente é público, obtido em redes sociais, videochamadas e perfis profissionais.
Troca de rosto em tempo real: em vez de usar um vídeo pré-gravado, o fraudador fica diante de uma câmera real e utiliza um modelo de IA para substituir seu rosto quadro a quadro. Como a pessoa por trás do ataque está realmente respondendo em tempo real, os movimentos, o timing e as reações aos comandos são naturalmente humanos. Essa é justamente a variante que pode burlar mecanismos de prova de vida baseados em comportamento, porque o comportamento é genuíno.
Identidades sintéticas criadas a partir de dados vazados: nesse caso, não há uma vítima específica sendo imitada. O fraudador gera um rosto que não pertence a ninguém e o combina com dados pessoais reais ou parcialmente reais, muitas vezes um número de CPF obtido em um dos grandes vazamentos de dados ocorridos no Brasil. O resultado é apresentado como um novo cliente. Essas identidades são difíceis de detectar porque não existe uma pessoa real para denunciar o abuso nem um histórico de fraude associado à identidade. No Brasil, essa é uma das principais formas de abastecimento de contas laranja.
Como burlar a prova de vida baseada em desafio e resposta: muitas plataformas utilizam comandos durante a prova de vida, como virar a cabeça, piscar ou abrir a boca. Esse modelo funciona bem contra ataques com fotos estáticas. Porém, ele pode ser contornado por um modelo capaz de gerar a ação solicitada em um rosto sintético em tempo real, já que o comando é respondido corretamente todas as vezes.
Clonagem de voz: em fluxos que incluem verificação por voz, alguns segundos de áudio gravado já podem ser suficientes para produzir uma clonagem convincente. A fonte geralmente é uma ligação telefônica que a própria vítima sequer se lembra de ter feito.
Por que a detecção de prova de vida, sozinha, não consegue impedir deepfakes
A maioria das implementações de eKYC parte da premissa de que é difícil falsificar um rosto de maneira convincente. Essa premissa está se tornando cada vez menos confiável. Uma revisão sistemática e meta-análise publicada no Computers in Human Behavior Reports (Diel et al., 2024), que reuniu 56 estudos com 86.155 participantes, constatou que a precisão média das pessoas para distinguir mídias reais de sintéticas foi de 55,54%, estatisticamente indistinguível do acaso. A revisão humana como camada de segurança adicional não resolve o problema, assim como pedir que um operador avalie visualmente uma captura suspeita.
Existem ainda três problemas mais específicos:
- A verificação é um momento isolado: uma verificação biométrica é executada uma vez, durante o onboarding ou em uma etapa adicional de autenticação, e retorna um resultado de aprovação ou reprovação. Ela não enxerga o que aconteceu antes ou depois daquele momento, e as operações fraudulentas sabem exatamente quando a verificação acontece.
- A verificação avalia a imagem, não o caminho: um algoritmo de prova de vida avalia se o rosto exibido no quadro parece pertencer a uma pessoa viva. Ele não consegue determinar se aquela imagem veio de um sensor de câmera física ou de um dispositivo virtual que está se passando por uma câmera real.
- A geração evolui mais rápido que a detecção: cada avanço em mídia sintética fica imediatamente disponível para os fraudadores. Já cada avanço na detecção precisa ser desenvolvido, testado e implementado antes. Essa diferença é estrutural.
Nada disso significa que a biometria deixou de ser útil.
Significa que ela está sendo usada para responder a uma pergunta para a qual não foi projetada.
Uma verificação de prova de vida pode ajudar a determinar se um rosto parece real. Ela não consegue estabelecer se o dispositivo e a sessão que estão apresentando esse rosto são legítimos. Para isso, é necessária outra camada de inteligência.
Onde a inteligência de dispositivos se encaixa no stack de eKYC
Um stack moderno de eKYC possui quatro camadas, e cada uma responde a uma pergunta que as demais não conseguem responder.
A verificação de documentos determina se o documento é autêntico. Ela verifica elementos de segurança, fontes, consistência dos dados e, quando disponível, lê o chip. É a camada mais antiga e continua sendo necessária, mas avalia um artefato, e não uma pessoa.
A verificação biométrica e o PAD determinam se o rosto é real e se corresponde ao documento. É nessa camada que entram a detecção de prova de vida e a detecção de ataques de apresentação, testadas de acordo com a ISO/IEC 30107-3. Contra alguém segurando uma tela diante de uma câmera, essa é a camada adequada para responder ao problema.
A inteligência de dispositivos avalia o dispositivo e seu ambiente, em vez de depender exclusivamente da identidade apresentada. Para ataques de injeção, isso pode incluir sinais associados a câmeras virtuais, frameworks de hooking, ferramentas de acesso remoto, emuladores ou aplicativos clonados. Para ataques de apresentação, a inteligência de dispositivos pode identificar padrões relacionados à operação por trás do ataque. Um dispositivo repetidamente associado ao envio de diferentes identidades, tentativas de replay ou outras atividades suspeitas pode revelar um padrão que uma única verificação biométrica não consegue identificar.
O monitoramento comportamental e transacional avalia o que a conta faz depois de criada. O onboarding é uma decisão pontual, e algumas fraudes só se tornam visíveis no padrão de atividades que ocorre posteriormente.
A razão pela qual a inteligência de dispositivos se tornou a camada que mais falta nos stacks atuais é que ela foi a última a se tornar necessária. Quando os deepfakes eram raros e pouco convincentes, a camada biométrica era suficiente por si só. À medida que a mídia sintética se tornou barata o suficiente para ser produzida em escala, a pergunta mudou: não basta saber se o rosto é real; é preciso saber se ele chegou da forma como um rosto deveria chegar. E nenhum aprimoramento da camada biométrica consegue responder a essa questão.
Sinais de dispositivo que podem revelar fraudes com deepfakes
Quatro categorias de sinais de dispositivo são particularmente relevantes na detecção de fraudes de identidade com uso de deepfakes.
1. Integridade do caminho de captura
Os ataques de injeção exigem algum elemento entre a câmera e o aplicativo.
Isso pode ser um driver de câmera virtual, um framework de hooking, um ambiente instrumentado ou uma versão modificada do aplicativo.
Os ataques de apresentação mantêm a câmera no lugar, mas podem envolver compartilhamento de tela ou ferramentas de acesso remoto, especialmente quando um operador está controlando a captura remotamente.
Essas ferramentas podem deixar rastros no dispositivo.
A vantagem de detectar o mecanismo de entrega é que esse sinal continua relevante mesmo quando a aparência do deepfake muda.
2. Histórico do dispositivo entre diferentes identidades
Um único dispositivo enviando múltiplas identidades ao longo do tempo pode ser um forte indicador de criação de identidades em escala.
Esse padrão fica invisível quando cada solicitação é avaliada de forma independente.
Um identificador persistente de dispositivo permite fazer uma pergunta diferente: esse dispositivo já foi associado a múltiplas identidades anteriormente?
Em um mercado no qual contas laranja são uma parte importante das operações fraudulentas, esse contexto histórico pode adicionar um sinal relevante ao processo de verificação de identidade.
3. Reputação do dispositivo entre diferentes plataformas
Um dispositivo associado a fraude em outra instituição pode ser relevante quando aparece em uma nova organização.
Isso é particularmente importante no Brasil, onde operações fraudulentas podem migrar entre bancos, fintechs, plataformas de apostas e marketplaces.
Uma camada de inteligência capaz de identificar conexões que vão além de uma única instituição pode revelar padrões que os dados internos de uma organização não conseguem enxergar.
4. Consistência do ambiente
Emuladores, ambientes virtualizados, ferramentas de acesso remoto e aplicativos clonados podem se comportar de maneira diferente de dispositivos legítimos de consumidores.
Em escala, esses sinais podem ajudar a diferenciar um cliente real de uma operação automatizada de criação de identidades.
Como a SHIELD ajuda plataformas brasileiras a detectar fraudes com deepfakes no onboarding
A SHIELD adiciona inteligência de dispositivos ao fluxo de verificação de identidade, proporcionando às plataformas visibilidade sobre o dispositivo e a sessão, além do rosto e do documento.
O SHIELD Device ID mantém um identificador persistente para cada dispositivo físico, que permanece mesmo após redefinições de fábrica, reinstalações de aplicativos e trocas de SIM. Essa persistência torna possível identificar operações de criação de identidades em escala. Um dispositivo que enviou três identidades no mês passado pode ser reconhecido quando enviar uma quarta, independentemente de quão convincente seja cada rosto ou documento apresentado.
O SHIELD Fraud Intelligence, desenvolvido com o SHIELD Sentinel, oferece monitoramento contínuo da sessão, em vez de uma única avaliação. Ferramentas usadas em ataques de injeção costumam ser ativadas no momento da captura, e não no início da sessão, justamente porque uma verificação no começo do fluxo é um evento previsível. O Sentinel foi desenvolvido para identificar o momento durante a sessão em que uma ferramenta maliciosa é ativada: quando uma câmera virtual entra em funcionamento, um framework de hooking é carregado ou uma característica do ambiente é alterada.
A SHIELD Global Intelligence Network oferece uma visão mais ampla dos dispositivos, além dos dados disponíveis para uma única organização. Isso é particularmente relevante no Brasil, onde os mesmos dispositivos, operações fraudulentas e infraestruturas de ataque podem circular entre serviços financeiros, marketplaces e outras plataformas digitais.
A inteligência de dispositivos da SHIELD funciona sem coletar informações de identificação pessoal (PII), permitindo uma abordagem de verificação de identidade orientada à privacidade e, ao mesmo tempo, apoiando as empresas no cumprimento de requisitos como a LGPD.
É assim que essas camadas se complementam na prática. Uma rede de verificação de identidade estabelece se o rosto e o documento apresentados são legítimos. Uma camada de inteligência de dispositivos estabelece se a sessão que os está apresentando é legítima e se o dispositivo por trás dela possui um histórico que a própria identidade jamais revelaria. Uma pergunta não substitui a outra e a fraude com deepfakes acontece justamente nesse espaço entre elas: um rosto convincente, entregue por meio de um canal e de um dispositivo que nenhum algoritmo biométrico foi projetado para analisar.
Perguntas frequentes
O que é fraude com deepfakes no eKYC?
Fraude com deepfakes no eKYC é o uso de vídeos, imagens ou áudios gerados por IA para passar por uma verificação de identidade digital, seja imitando uma pessoa real, seja apresentando uma identidade que não pertence a ninguém. O alvo é a etapa biométrica: a selfie, a prova de vida ou o comando de voz. No Brasil, a escala desse problema já não é marginal. Os deepfakes passaram de um décimo de 1% das fraudes detectadas em março de 2025 para 6,5% em 2026, e a Unico, maior rede de verificação de identidade da América Latina, registrou um aumento superior a 1.000% nas tentativas sofisticadas de fraude com uso de IA ao longo de 2025.
Como os deepfakes burlam a verificação de identidade no eKYC?
Por meio de dois caminhos. Um ataque de apresentação coloca algo diante de uma câmera real — uma tela, uma imagem impressa, uma máscara 2D ou 3D ou um vídeo reproduzido em um segundo monitor. Já um ataque de injeção ignora completamente a câmera e insere um vídeo sintético diretamente no fluxo de verificação por meio de uma câmera virtual, um aplicativo manipulado ou uma chamada de API adulterada. Ambos podem burlar a prova de vida baseada em desafio e resposta, porque um modelo pode gerar o piscar de olhos, o movimento da cabeça ou o sorriso solicitado em um rosto sintético em tempo real. O comando é respondido corretamente todas as vezes, e é por isso que uma prova de vida aprovada deixou de ser, sozinha, uma evidência suficiente.
Como as empresas podem detectar fraudes de identidade com deepfakes?
Tratando o problema como uma questão de camadas, e não apenas como um problema biométrico. A verificação de documentos avalia se o documento é autêntico. A verificação biométrica e a detecção de ataques de apresentação, testadas de acordo com a ISO/IEC 30107-3, avaliam se o rosto exibido no quadro é real e corresponde ao documento. A inteligência de dispositivos verifica se a sessão que está apresentando ambos é legítima e qual é o histórico do dispositivo por trás dela. O monitoramento comportamental avalia o que a conta faz depois de criada.
Como a inteligência de dispositivos ajuda a detectar deepfakes?
Ela responde a uma pergunta diferente daquela feita pela camada biométrica. Em vez de perguntar se o rosto é real, ela pergunta quem está apresentando esse rosto, de qual dispositivo ele está sendo apresentado e quantas vezes isso já aconteceu. Quatro sinais são especialmente importantes. A integridade do caminho de captura pode revelar câmeras virtuais, frameworks de hooking e ferramentas de acesso remoto. O histórico do dispositivo entre diferentes identidades pode revelar um único dispositivo que enviou cinco solicitações usando cinco nomes diferentes. A reputação entre plataformas pode sinalizar dispositivos já associados a fraudes em outra instituição. A consistência do ambiente pode identificar emuladores, ambientes virtualizados e aplicativos clonados. Esses sinais estão disponíveis durante a própria sessão, cedo o suficiente para influenciar a decisão, em vez de apenas explicar o que aconteceu depois.
A inteligência de dispositivos pode prevenir fraudes no eKYC?
A inteligência de dispositivos cria um identificador persistente para cada dispositivo físico, permitindo que as plataformas detectem quando o mesmo dispositivo é utilizado com múltiplas identidades ou possui um histórico de atividades fraudulentas, mesmo após redefinições de fábrica ou reinstalações de aplicativos. Combinada ao monitoramento da sessão em tempo real, ela ajuda a fechar a lacuna que a verificação biométrica, sozinha, não consegue cobrir.
%20Fraud%20Prevention%20%26%20Detection%20in%202026_SHIELD%20Blog.jpg)
