Honeypot de voz com IA capta mais de 10 mil ligações reais de golpe para estudar vishing
Um grupo de pesquisadores construiu um honeypot de voz ativo — números-isca inseridos nos mesmos canais de geração de leads que fraudadores telefônicos costumam explorar — atendido por um agente conversacional de IA que finge ser um alvo plausível. Em 53 dias, o sistema capturou 10.015 ligações recebidas, das quais 6.601 tiveram diálogo real, somando quase 900 horas de áudio; cerca de 1 em 7 chamadas substantivas foi classificada como golpe direto (949 casos), e o agente foi identificado como não-humano em apenas 5% das interações. O corpus resultante expõe, entre outras coisas, que detectores treinados só com diálogos sintéticos têm precisão baixa contra tráfego real de vishing.
Pesquisadores construíram um honeypot de voz ativo para capturar conversas reais entre golpistas e vítimas por telefone — algo raro na literatura, já que honeypots passivos tipicamente só registram mensagens automáticas ou ligações que caem rapidamente. A diferença aqui é que números dedicados foram semeados exatamente nos mesmos canais de geração de leads que operações fraudulentas costumam raspar (listas vazadas, formulários isca, cadastros públicos), e cada ligação recebida é atendida por um agente conversacional de baixa latência com persona plausível de alvo, que sustenta o diálogo em vez de apenas gravar passivamente.
Em uma janela inicial de 53 dias, o sistema capturou 10.015 ligações recebidas, das quais 6.601 tiveram dois ou mais turnos de conversa — quase 900 horas de áudio e mais de 328 mil turnos transcritos, vindos de 5.665 números de origem distintos. Da parcela de chamadas substantivas, a maioria (cerca de três em cada cinco) foi classificada como "spam" — geração de leads predatória mas tecnicamente legal — enquanto aproximadamente uma em cada sete (949 casos) foi golpe direto e declarado. Um dado notável de validação: o agente de IA só foi percebido como não-humano em cerca de 5% das ligações engajadas, indicando que a simulação sustentou a interação bem o suficiente para os golpistas revelarem seu roteiro completo.
O valor desse tipo de honeypot ativo, em comparação com honeypots passivos, é justamente forçar o golpista a avançar no script — pedir dados, insistir em urgência, tentar contornar objeções — gerando dados de altíssima fidelidade sobre como os roteiros de vishing realmente funcionam na prática: falsa central de atendimento, cobrança falsa, golpe de garantia estendida e variações regionais desses temas.
O achado mais importante para quem constrói sistemas de defesa é que detectores de golpe por voz treinados apenas com diálogos sintéticos (gerados artificialmente por outro LLM) tiveram sua precisão despencar quando testados contra esse tráfego real — ou seja, dados sintéticos não substituem dados de campo para treinar classificadores antifraude de voz. Isso é um alerta direto para bancos, teleoperadoras e centrais de atendimento que estão adotando IA para triagem de chamadas suspeitas: modelos avaliados só em benchmarks sintéticos podem estar superestimando sua real capacidade de detecção.
Na prática, corpora como este servem para treinar classificadores de vishing em tempo real com dados realistas, calibrar scripts de atendimento humano para reconhecer padrões de pressão e urgência típicos de golpe, e educar equipes de segurança com exemplos reais em vez de simulações. Por outro lado, a baixa taxa de detecção do próprio agente de IA como não-humano (5%) é um alerta duplo: a mesma tecnologia usada aqui para defesa pode ser — e provavelmente já está sendo — usada ofensivamente por golpistas para automatizar ligações de vishing em massa de forma convincente.