Deepfakes e apps de câmera virtual driblam biometria facial de bancos

O ataque começa antes da etapa biométrica: o fraudador obtém o documento de identidade da vítima via malware, redes sociais ou dark web, e usa IA para alterar detalhes como roupa e penteado, produzindo uma foto sintética que ainda passa nos primeiros filtros de verificação de documento.

Na etapa de reconhecimento facial propriamente dita, o ponto de falha explorado é a fase de detecção do rosto: em vez de apresentar o próprio rosto, o golpista usa tecnologia de face-swap capaz de trocar um rosto por outro em tempo real a partir de uma única foto, fazendo o sistema comparar (e aprovar) uma imagem manipulada contra a foto do documento roubado. Para a prova de vida — que deveria distinguir uma pessoa real de uma foto estática — os atacantes usam vídeo manipulado dinamicamente, simulando piscar de olhos, movimento de cabeça e outras ações solicitadas pelo sistema.

Do lado técnico, dois tipos de ferramenta viabilizam a fraude em escala: apps de clonagem, que rodam múltiplas instâncias isoladas do mesmo aplicativo bancário em um único aparelho para operar várias contas 'independentes' e escapar de vinculação de dispositivo; e aplicativos de câmera virtual, que substituem o feed real da câmera por vídeo pré-gravado ou manipulado no momento da verificação. Trojans bancários como GoldPickaxe e Gigabud aparecem como a ponte entre os dois mundos, roubando biometria, documentos e códigos SMS que depois alimentam serviços de face-swap.

Prevenir esse tipo de fraude exige ir além de um único fator biométrico: bancos devem detectar ambiente de emulador e clonagem de app, cruzar inteligência de dispositivo, IP e geolocalização entre instituições, e considerar verificação presencial para operações de alto valor, já que nenhuma camada isolada de biometria hoje é suficiente contra deepfake combinado com malware.