Pesquisa com 4.100 pessoas mostra que vishing automatizado por IA já é economicamente viável para golpistas
Um estudo em larga escala testou a suscetibilidade de adultos americanos a golpes de vishing (phishing por voz) gerados por seis modelos de síntese de voz de ponta, incluindo ElevenLabs e Gemini, comparando com vozes humanas reais em cinco categorias de golpe. A taxa de adesão às solicitações fraudulentas chegou a 36% no cenário "parente em apuros" e 16,5% em média entre todas as categorias, com o modelo Sesame alcançando persuasão equivalente ou até superior à de vozes humanas.
Os pesquisadores conduziram um experimento de levantamento com 4.100 participantes adultos nos EUA, complementado por 12 entrevistas qualitativas, expondo cada pessoa a gravações de áudio ou transcrições de cenários de golpe gerados por seis modelos de voz — Llama Full Duplex, Sesame, Gemini, OAI AVM, Play.AI e ElevenLabs — além de uma linha de base com vozes humanas reais, cobrindo cinco categorias distintas de golpe por voz.
Os números de adesão são o dado mais alarmante do estudo: até 36% dos participantes disseram que cumpririam ou possivelmente cumpririam o pedido fraudulento na categoria "parente em apuros", com taxa média de adesão de 16,5% somando todas as categorias testadas — um percentual expressivo dado o baixo custo e a alta escalabilidade de campanhas automatizadas. O fator mais determinante para a adesão foi a persuasão percebida da voz do golpista, e alguns modelos, com destaque para o Sesame, obtiveram avaliações de persuasão comparáveis às de vozes humanas reais, em alguns casos até superiores.
O ponto central da pesquisa não é uma técnica de persuasão sobre-humana, mas a economia do golpe: os autores calculam que vishing operado por humanos deixa de ser lucrativo em salários americanos, enquanto vishing operado por IA já é economicamente viável para vários dos modelos testados. Isso muda o cálculo de risco para o crime organizado, permitindo que operações de golpe do falso parente, falso sequestro, falsa central bancária e fraude de pagamento por voz sejam escaladas em volume industrial sem precisar de operadores humanos treinados em engenharia social — o mesmo tipo de escala que já se observa em campanhas de golpe do PIX e falso motorista de aplicativo, mas agora potencialmente turbinada por vozes sintéticas indistinguíveis de humanas.
A implicação prática para defesa é que o risco de vishing deixa de ser limitado pela disponibilidade de golpistas humanos treinados, então instituições financeiras e famílias precisam adotar verificação fora de banda como padrão — callback para número já cadastrado, senha de segurança combinada previamente em família ou empresa, e nunca autorizar transferência, PIX ou confirmação de dados só com base em uma ligação recebida, por mais convincente que a voz pareça. Bancos e centrais de atendimento também devem considerar tecnologias de detecção de liveness e antispoofing de voz como parte do pipeline antifraude, já que a barreira de entrada para esse tipo de golpe caiu drasticamente.