1. O que é deepfake?
2. Como a tecnologia por trás do deepfake funciona?
3. Por que os golpes com deepfake cresceram tanto no Brasil
4. Os riscos do deepfake para empresas e pessoas
5. Usos legítimos e os limites éticos do deepfake
6. Como identificar um deepfake?
7. Como se proteger dos golpes com deepfake
8. Conclusão
Em janeiro de 2024, um funcionário do escritório da Arup em Hong Kong participou de uma videochamada com quem pareciam ser o diretor financeiro da empresa e outros colegas do time financeiro. Nenhuma das pessoas naquela reunião era real: golpistas haviam recriado rostos e vozes com inteligência artificial a partir de vídeos públicos dos executivos, técnica conhecida como deepfake. Convencido pela chamada, o funcionário autorizou 15 transferências que somaram 25,6 milhões de dólares para contas em Hong Kong. A própria empresa confirmou o episódio à CNN em 2024.
O caso se tornou uma referência no setor de segurança porque mostrou uma mudança de patamar na tecnologia. Deepfakes deixaram de ser vídeos toscos, com movimentos labiais fora de sincronia, e passaram a sustentar uma reunião corporativa inteira, com múltiplos participantes sintéticos. O tempo de exposição foi suficiente para convencer alguém que provavelmente já desconfiava de golpes por e-mail.
Esse tipo de episódio explica por que o deepfake deixou de ser um problema de nicho, restrito a vídeos manipulados de celebridades. Hoje ele ocupa a pauta de risco corporativo de bancos, seguradoras e times de segurança da informação.
Entender o que é essa tecnologia, como ela é usada de forma maliciosa e quais sinais ajudam a identificá-la é parte do repertório mínimo de qualquer empresa ou pessoa que opera no ambiente digital. Este artigo reúne tudo que você precisa saber para lidar com esta ameaça. Continue lendo para saber mais!
Deepfake é o nome dado a vídeos, áudios ou imagens sintéticas produzidas por inteligência artificial para reproduzir a aparência, a voz ou os gestos de uma pessoa real com um grau de realismo que dificulta a distinção entre conteúdo autêntico e manipulado.
O termo combina "deep learning" (aprendizado profundo), a técnica de machine learning usada para treinar os modelos, com "fake" (falso, em inglês).
Diferente de uma montagem tradicional, feita quadro a quadro por um editor de vídeo, o deepfake nasce de modelos treinados em grandes volumes de imagens ou áudios de uma pessoa específica. Esses modelos aprendem a recriar seus traços faciais, sua voz e seus padrões de movimento.
Na prática, isso reduziu a barreira técnica para produzir uma falsificação convincente. Poucos minutos de material público, como uma entrevista, um vídeo em rede social ou uma ligação gravada, já bastam para alimentar ferramentas de geração de voz e vídeo hoje disponíveis comercialmente.
É essa acessibilidade, mais do que a sofisticação técnica isolada, que explica o crescimento das fraudes com deepfake descrito nas próximas seções.
A maior parte dos deepfakes de vídeo usa Redes Generativas Adversariais, ou GANs, uma arquitetura de aprendizado profundo composta por duas redes neurais que competem entre si. O gerador cria as imagens sintéticas, enquanto o discriminador tenta identificar se o conteúdo é real ou falso.
As duas redes treinam em ciclo: a cada rodada, o gerador aprende com os erros apontados pelo discriminador e produz um resultado mais convincente, até que o discriminador não consiga mais diferenciar o conteúdo gerado do original.
Quanto maior o volume de imagens e vídeos disponíveis de uma pessoa, mais precisa é a recriação de seu rosto e de seus movimentos. Por isso, executivos, políticos e outras figuras públicas costumam ser alvos mais fáceis de deepfakes de alta qualidade do que pessoas com pouca exposição digital, já que possuem grande volume de material disponível on-line.
O seguinte fluxograma demonstra visualmente como a tecnologia deepfake opera com GANs:
A clonagem de voz segue lógica semelhante, mas exige muito menos material de origem. Fornecedores de segurança que analisam esse tipo de fraude apontam que poucos segundos de áudio já bastam para replicar o timbre e a cadência de uma voz com alto grau de precisão.
Combinada a um roteiro gerado por modelos de linguagem, essa técnica permite montar ligações telefônicas fraudulentas praticamente em tempo real, sem qualquer vídeo envolvido.
Outra abordagem usa autocodificadores, redes que comprimem uma imagem em uma representação simplificada e depois a reconstroem. Aplicados a rostos, eles permitem transferir a expressão e os movimentos de uma pessoa para o rosto de outra, técnica conhecida como troca de rosto (face swap). Esse método é usado tanto em aplicações recreativas quanto em fraudes de identidade.
O Brasil é hoje um dos países mais afetados por fraudes com deepfake na América Latina. Segundo o Identity Fraud Report 2025-2026 da Sumsub, publicado em dezembro de 2025 com base em mais de 4 milhões de tentativas de fraude analisadas, os casos de deepfake e identidade sintética cresceram 126% no país entre 2024 e 2025. O Brasil responde ainda por cerca de 39% de todos os deepfakes detectados na região.
O mesmo relatório mostra uma mudança de padrão mais ampla. Em 2025, a proporção de ataques de fraude considerados altamente sofisticados, aqueles que combinam deepfakes, identidades sintéticas e manipulação de dados de dispositivo, saltou para 28% do total global de fraudes analisadas, contra 10% em 2024. Isso representa um crescimento de 180% na sofisticação dos golpes em um único ano.
O quadro se repete fora da América Latina. Uma pesquisa da Gartner com 302 líderes de segurança, divulgada em setembro de 2025, encontrou que 62% das organizações registraram algum ataque envolvendo deepfake nos 12 meses anteriores à pesquisa.
Ainda assim, apenas 10% dos programas de conscientização em segurança corporativa priorizam o reconhecimento de deepfakes entre os funcionários, segundo a mesma consultoria, uma lacuna considerável diante da escala do problema.
O impacto financeiro segue a mesma curva de crescimento. A Pindrop, empresa especializada em segurança de voz, registrou um aumento de mais de 1.300% na frequência de tentativas de fraude com voz sintética em centrais de atendimento ao longo de 2024, e projeta uma exposição a fraudes em call centers de 44,5 bilhões de dólares em 2025.
Já a Deloitte estima que fraudes habilitadas por inteligência artificial generativa, incluindo deepfakes, devem crescer de 12,3 bilhões para 40 bilhões de dólares nos Estados Unidos entre 2024 e 2027. Ainda que sejam projeções, os números apontam uma direção clara: o custo de ignorar o risco tende a subir mais rápido do que o custo de mitigá-lo.
Os usos maliciosos do deepfake se concentram em quatro frentes principais, cada uma com uma dinâmica própria de dano:
Nem todo uso de deepfake é malicioso. Fora do contexto de fraude, a mesma tecnologia de IA generativa sustenta aplicações reconhecidas como legítimas, desde que o conteúdo sintético seja sinalizado como tal e não viole direitos de imagem ou propriedade intelectual.
Estúdios de cinema já utilizam dublagem sincronizada por IA para adaptar filmes a diferentes idiomas sem perder a expressão facial original do ator. Paralelamente, hospitais e empresas de acessibilidade testam clonagem de voz para devolver a fala a pacientes que perderam essa capacidade por doenças neurológicas. Museus e projetos educacionais também recriam falas de personagens históricos para fins pedagógicos, sempre com identificação clara de que o conteúdo é sintético.
Esse equilíbrio entre inovação e risco é o que motiva a regulação crescente do tema. Além da proibição de deepfakes em propaganda eleitoral no Brasil, mencionada acima, outros países já debatem exigências de rotulagem obrigatória para conteúdo sintético. A tendência é que esse movimento regulatório se intensifique à medida que a tecnologia se populariza e os casos de uso maliciosos ganham repercussão.
Detectar um deepfake de alta qualidade a olho nu é cada vez mais difícil, mas alguns sinais ainda ajudam a levantar suspeita, principalmente em conteúdos de qualidade intermediária:
A defesa mais eficaz contra fraudes com deepfake não é apenas tecnológica: é de processo. Qualquer solicitação de transferência, alteração cadastral ou compartilhamento de dados sigilosos originada por voz ou vídeo deveria exigir confirmação por um segundo canal, antes de qualquer execução. Esse tipo de verificação fora de banda neutraliza a maioria dos golpes, mesmo quando a chamada em si é tecnicamente perfeita.
Treinamento recorrente de equipes financeiras, de RH e de atendimento também faz diferença direta, já que o modus operandi dessas fraudes muda com frequência. Simulações práticas, e não apenas cartilhas informativas, ajudam funcionários a reconhecer sinais de pressão e urgência típicos desse tipo de ataque antes de autorizar qualquer ação sensível.
Caso um deepfake seja usado contra você ou sua empresa, o primeiro passo é documentar: salvar o conteúdo, capturas de tela, links e horários exatos de publicação. Em seguida, é preciso denunciar o material nas plataformas onde foi veiculado, já que a maioria mantém políticas específicas para remoção de mídia manipulada.
Em casos que envolvam fraude financeira ou roubo de identidade, um boletim de ocorrência formal é indispensável, tanto para o processo de responsabilização quanto para eventuais disputas com instituições financeiras. Suporte jurídico e, quando necessário, assessoria de comunicação ajudam a conter danos de reputação enquanto o caso é apurado.
Em suma, a tecnologia deepfake evoluiu de uma curiosidade técnica para uma ferramenta operacional de fraude, capaz de sustentar uma reunião corporativa inteira ou de imitar a voz de um familiar por telefone com precisão suficiente para enganar quem já foi treinado para desconfiar de golpes convencionais.
Para empresas brasileiras, o crescimento nos casos de deepfake não é um dado abstrato. Ele é um sinal de que processos de aprovação baseados apenas em voz ou imagem precisam ser revistos antes que um incidente force essa mudança. A tendência é que a sofisticação desses ataques continue aumentando à medida que as ferramentas de geração de voz e vídeo se tornam mais acessíveis. Isso desloca a defesa mais eficaz da detecção pontual para o desenho de processos de verificação que não dependem de confiar cegamente em uma chamada ou um vídeo.
Decidir onde e como reforçar esses processos de verificação e governança de risco é uma questão estratégica, não apenas operacional. Conheça o AI Strategy do Distrito e entenda como priorizar controles de IA e de segurança digital com critérios claros de risco e retorno para o seu negócio.
