Melhores Ferramentas de Detecção de Deepfake: 8 Critérios a Considerar

Última atualização: setembro de 2026

As melhores ferramentas de detecção de deepfake para uma instituição financeira são aquelas que barram os ataques que ela já enfrentou, sem prejudicar os clientes legítimos que ela quer manter. Isso significa capturar vídeos injetados, além de falsificações apresentadas à câmera, verificar documentos e vozes, além de rostos, e explicar cada resultado em termos que um analista possa relatar. A maneira mais confiável de diferenciar as ferramentas é testá-las com seus próprios ataques confirmados e seus próprios bons clientes antes de assinar o contrato.

Este guia estabelece oito critérios para a escolha de ferramentas de detecção de deepfake, cada um com as perguntas a serem feitas ao provedor e o que caracteriza uma resposta fraca. Ele termina com um teste que você pode realizar em seus próprios casos e uma tabela resumida de todos os oito critérios.

Resumo rápido

• Antes de comparar recursos, teste a detecção de deepfake com ataques que sua instituição já confirmou e com sessões de clientes reais.

• Uma ferramenta precisa capturar ataques de injeção, nos quais o vídeo falso ignora a câmera, bem como ataques de apresentação, nos quais algo falso é colocado em frente a ela.

• As verificações de prova de vida (liveness), de documentos e de voz são problemas distintos, e um provedor que é forte em um aspecto pode ser fraco em outro.

• O resultado da detecção precisa ser explicável e relatável: o alerta de deepfake da FinCEN de novembro de 2024 solicita que as instituições usem o termo-chave FIN-2024-DEEPFAKEFRAUD em relatórios de atividades suspeitas, e ele continua vigente em setembro de 2026.

• A detecção funciona melhor como um sinal adicional na decisão, juntamente com o histórico do dispositivo, comportamento e histórico de solicitações, enviando casos incertos para análise humana.

A resposta direta: como uma instituição financeira deve escolher a detecção de deepfake

Para escolher a detecção de deepfake, uma instituição financeira deve rodar seus próprios ataques confirmados e uma amostra de sessões de clientes reais em cada ferramenta candidata. Depois, deve comparar o que cada uma barrou, o que foi sinalizado incorretamente e se a explicação seria válida em um relatório de atividade suspeita. Os ataques que valem a pena testar incluem selfies geradas por IA, vídeos injetados e documentos gerados ou editados, bem como fotos colocadas em frente à câmera. Uma ferramenta com bom desempenho na demonstração do provedor ainda pode deixar passar os ataques que sua instituição realmente recebe no dia a dia.

Nenhum provedor resolveu totalmente esse problema. Um vice-presidente de operações de uma empresa de serviços financeiros descreveu os deepfakes da seguinte forma: "Esse é um problema que sei que preciso resolver, mas não sei se o setor já o resolveu por completo." Portanto, uma avaliação útil analisa o desempenho da ferramenta nos seus casos atuais e como ela acompanhará a evolução das ameaças, em vez de focar apenas se ela bloqueia deepfakes de forma absoluta.

A Oscilar elaborou esta lista, mas a Oscilar não realiza detecção de deepfakes, verificações de prova de vida ou verificação de documentos por conta própria. A Oscilar gerencia os provedores de detecção que fazem isso e toma a decisão com base nos resultados deles, combinados com outros sinais. Os critérios abaixo não mencionam provedores ou produtos específicos, e uma seção posterior aplica esses mesmos critérios à própria Oscilar.

Para uma defesa mais ampla, desde o bloqueio de cadastros em massa até o combate à invasão de contas, consulte deepfakes e identidades sintéticas no setor financeiro. Este guia aborda uma parte específica dessa defesa: a escolha da ferramenta de detecção.

Os ataques de deepfake que as instituições financeiras realmente estão enfrentando

As instituições financeiras estão encontrando deepfakes em seis formatos: selfies geradas e substituição de rostos (face swaps), fotos ou telas colocadas em frente à câmera, vídeos injetados que burlam a câmera, documentos gerados ou editados, vozes clonadas em ligações de centrais de atendimento e pessoas reais sendo instruídas por terceiros durante a verificação. A maioria dessas tentativas ocorre durante o cadastro inicial (onboarding) ou em verificações adicionais de segurança, onde a instituição solicita mais comprovações. Uma ferramenta que cobre apenas o primeiro formato protege apenas parte do risco.

A FinCEN, unidade de crimes financeiros do Tesouro dos EUA, emitiu o Alerta FIN-2024-Alert004 em 13 de novembro de 2024 sobre esquemas de fraude que utilizam mídias deepfake contra instituições financeiras. O alerta lista sinais de alerta, como a foto de um cliente que não coincide com outras informações de identificação, documentos de identidade inconsistentes entre si e o uso de plugins de webcam de terceiros durante a verificação ao vivo. Em setembro de 2026, a lista de termos recomendados pela FinCEN ainda inclui o alerta.

A tabela correlaciona cada tipo de ataque à verificação necessária e aos sinais externos à detecção que ajudam a identificá-lo.

A exposição varia entre as instituições. Um gerente de operações de conformidade em uma fintech de infraestrutura de pagamentos comentou: "Tivemos alguns casos de selfies geradas por IA que passaram". Um gerente de parcerias em uma fintech de contas PJ disse que selfies criadas por IA tornaram-se perceptíveis no último ano, eram difíceis de detectar e acabavam sendo encaminhadas para revisão manual.

Algumas equipes lidam primeiro com fraudes em documentos. Um oficial sênior de conformidade de PLD em uma fintech de pagamentos relatou que os documentos de identidade não tinham sido um problema até então, mas que "documentos, contratos e faturas" forjados já haviam aparecido em alguns casos. Outras viram muito pouco de qualquer tipo: um gerente sênior de estratégia de fraude em uma empresa de remessas disse que deepfakes "não estavam no radar" porque a equipe ainda não havia se deparado com eles, pelo que sabiam. Essa variação é o motivo para testar com seus próprios ataques, em vez de se basear em uma lista genérica.

Os oito critérios e como utilizá-los

Use os oito critérios abaixo como um plano de teste, não como uma simples lista de verificação de recursos: para cada um, compare a resposta do provedor com os ataques que sua instituição já sofreu e com os clientes reais que você deseja aprovar. Cada critério tem as mesmas três partes: o que é, o que perguntar ao provedor e o que caracteriza uma resposta fraca. Uma ferramenta pode ser forte em alguns critérios e fraca em outros, por isso avalie-os separadamente.

As promessas no site de um provedor são o ponto de partida de uma avaliação, não o ponto final. Um diretor sênior de gestão de risco de fraude em uma empresa de pagamentos explicou de forma direta: "Aí você testa e pensa: ok, mas o que eles realmente fazem?". Os critérios foram elaborados para que cada pergunta possa ser respondida com o resultado de um teste prático.

1. Identificar vídeo injetado, não apenas falsificações colocadas em frente à câmera

Uma ferramenta de detecção de deepfake precisa identificar ataques de injeção, nos quais um vídeo falso é inserido na sessão de verificação sem passar por uma câmera real, além de ataques de apresentação, nos quais algo falso é mostrado para a câmera. Os dois tipos exigem defesas diferentes. Uma ferramenta feita apenas para julgar o que a câmera vê pode aprovar um vídeo injetado com aparência perfeita, porque a câmera nunca o registrou de fato.

O que é. Um ataque de apresentação consiste em colocar uma foto impressa, uma tela ou uma máscara em frente a uma câmera real. Já um ataque de injeção substitui a própria transmissão da câmera, geralmente usando uma câmera virtual ou um plugin de navegador, enviando um vídeo previamente preparado. O alerta da FinCEN de 2024 lista o uso de plugins de webcam de terceiros durante a verificação ao vivo como um sinal de alerta, junto com tentativas de mudar o canal de comunicação alegando falhas técnicas.

O que perguntar ao provedor. Pergunte como a ferramenta diferencia uma transmissão de câmera real de uma injetada, e quais partes dessa verificação rodam no dispositivo do usuário e quais rodam na imagem enviada. Pergunte contra quais métodos de injeção o provedor realiza testes e com que frequência essa lista é atualizada. Peça os resultados de ataques de apresentação e de injeção detalhados separadamente, e não combinados em um único índice.

O que caracteriza uma resposta fraca. Uma resposta fraca trata a prova de vida (liveness) como a única defesa necessária. Um gerente de políticas de risco em uma instituição de crédito digital descreveu casos em que solicitantes, cujos rostos coincidiam com o registro nacional de identidade, passaram na verificação de prova de vida simplesmente segurando uma fotografia em ângulo diante da câmera. Uma verificação que aprova uma foto impressa não detecta nenhum dos dois tipos de ataque.

Passar na verificação de prova de vida também não confirma a identidade de alguém. Um líder de risco em um marketplace online (que é um modelo de plataforma e não uma instituição financeira) descreveu pessoas que passam na verificação de identidade, em uma entrevista ao vivo e em testes de prova de vida, mas ainda assim não são quem dizem ser. A prova de vida apenas responde se há uma pessoa real presente; outra etapa do processo precisa responder se essa pessoa é, de fato, o solicitante.

2. Uma verificação de prova de vida fluida para clientes reais

A verificação de prova de vida de uma ferramenta de detecção de deepfake deve barrar rostos falsos, mas permitir que clientes reais passem de primeira. Além disso, ela deve ser usada onde o risco justifica, e não para todo mundo. Uma prova de vida que falha com bons clientes transfere o custo das perdas por fraude para o abandono de cadastros. A questão certa é qual método de prova de vida é executado, para quem e com qual impacto na experiência do cliente real.

O que é. A prova de vida passiva avalia uma única captura, como uma selfie ou um vídeo curto, sem exigir nenhuma ação extra do cliente. A prova de vida ativa pede que o cliente realize uma ação, como virar a cabeça ou seguir uma instrução na tela. As verificações passivas geram menos fricção, enquanto as ativas oferecem mais elementos de análise para a ferramenta. Muitas soluções utilizam ambas, variando de acordo com o nível de risco.

O que perguntar ao provedor. Pergunte qual método a ferramenta utiliza por padrão, se é possível alternar os métodos de acordo com o nível de risco e com que frequência clientes reais falham na primeira tentativa no seu próprio teste. Pergunte como a verificação se comporta em celulares mais antigos, ambientes com pouca iluminação e com clientes que possuem necessidades de acessibilidade. Pergunte o que acontece após uma falha: uma nova tentativa, uma verificação diferente ou encaminhamento para um atendente.

O que caracteriza uma resposta fraca. Uma resposta fraca é aplicar uma única etapa rígida de prova de vida para todos os solicitantes. Um líder de risco em uma financeira de crediário que estava digitalizando sua operação disse que seu único controle antifraude era uma verificação de prova de vida e que, para um fluxo online onde a agilidade importa, apenas a biometria não parecia o caminho ideal. Uma ferramenta que serve apenas como uma barreira padrão para todos força a instituição a escolher entre segurança e experiência do usuário.

O ajuste de segurança com base no risco funciona nos dois sentidos. Um diretor sênior de análise de fraude em uma instituição de crédito pessoal comentou: "Acho que se pudéssemos identificar propostas de baixíssimo risco para reduzir a fricção na autenticação, isso nos ajudaria muito". Por outro lado, um chefe de risco de fraude de cartões na mesma instituição aceitou o outro lado da balança: "inevitavelmente haverá momentos em que precisaremos exigir mais etapas de verificação de clientes legítimos".

Por isso, essa verificação adicional precisa ser fácil de concluir. Um diretor sênior de gestão de risco de fraude em uma empresa de pagamentos descreveu o objetivo como uma verificação que seja contínua em vez de sem fricção, ou seja, fácil de passar, mesmo adicionando uma etapa. Submeter todos os solicitantes a todas as verificações também tem um custo: em uma plataforma de empréstimos, os solicitantes que saíam do fluxo rápido passavam por todas as páginas de verificação, mesmo quando os dados para aprovação já estavam disponíveis, gerando desistências.

3. Analisar documentos, não apenas rostos

Uma ferramenta de detecção de deepfake para uma instituição financeira precisa verificar documentos além de rostos, pois documentos de identidade gerados por IA, extratos bancários editados e comprovantes empresariais falsificados aparecem com tanta frequência quanto selfies falsas em certas áreas de negócio. Os documentos costumam ser solicitados em etapas de segurança adicionais, quando a instituição precisa de mais garantias. Se o documento enviado nessa etapa for falso, é aí que o ataque funciona.

O que é. Documentos deepfakes incluem CNHs e passaportes gerados por IA, extratos e holerites editados, além de registros comerciais falsos, como contratos sociais. Um gerente de políticas de risco de uma instituição de crédito digital comentou: "Não dá para diferenciar o falso do original". Um vice-presidente de mitigação de risco e controle de qualidade em uma empresa de financiamento imobiliário apontou a fraude em extratos bancários como um dos maiores problemas da equipe: "Eles estão cada vez melhores nisso graças à IA".

O que perguntar ao provedor. Pergunte quais tipos de documentos a ferramenta analisa e se isso inclui documentos complementares, como extratos bancários e comprovantes comerciais, ou apenas documentos de identidade tradicionais. Pergunte como ela detecta um documento gerado ou editado além de apenas compará-lo com um modelo conhecido. Pergunte se ela cruza os dados do documento com o restante da solicitação, como nome, endereço e data de nascimento já informados.

O que caracteriza uma resposta fraca. Uma resposta fraca baseia-se apenas na validação de modelos de documentos. Um gerente de fraude em uma empresa de telecomunicações, fora do setor financeiro mas enfrentando o mesmo problema, disse que a empresa ainda depende de documentos enviados e que "não posso continuar dependendo apenas de modelos padrão de documentos". Documentos gerados por IA são feitos justamente para se ajustarem perfeitamente a esses modelos.

A revisão humana detecta algumas dessas fraudes, mas deixa passar outras. Um executivo de uma empresa de refinanciamento de veículos descreveu uma CNH gerada por IA enviada em uma proposta: "nossos analistas perceberam, mas nossa tecnologia precisa identificar isso por eles". Um vice-presidente sênior de estratégia contra crimes financeiros em um grande banco regional fez a pergunta que todo comprador desse segmento deveria fazer a um provedor sobre papelada empresarial: "vocês têm alguma IA que analise isso e aponte se foi forjado?".

A própria verificação adicional é um ponto vulnerável. Um vice-presidente de operações de uma empresa de serviços financeiros descreveu o fluxo comum a muitas instituições: "Se não temos certeza, simplesmente pedimos o envio de um documento de identidade". Quando a verificação de documento é a solução para todo caso duvidoso, uma ferramenta incapaz de detectar um documento de identidade gerado por IA enfraquece todo o processo.

4. Cobertura de voz, caso a central de atendimento seja uma porta de entrada

Uma ferramenta de detecção de deepfake precisa cobrir voz se os clientes puderem redefinir credenciais, transferir dinheiro ou alterar dados da conta por telefone, pois uma voz clonada é uma forma de invasão de conta que ignora qualquer verificação de cadastro inicial. Detectar fraudes de voz é um desafio maior do que analisar imagens. Uma instituição que tem a central de atendimento como um canal relevante deve testar a detecção de voz separadamente e não presumir que um provedor de detecção facial cubra esse aspecto.

O que é. O deepfake de voz é uma fala sintética ou clonada usada para se passar por um cliente em uma chamada ao vivo ou em uma mensagem gravada. Um consultor de fraudes do setor destacou o grande esforço dedicado à detecção de imagens falsas e acrescentou: "A biometria de voz é ainda mais difícil, na minha opinião". Algumas instituições estão estruturando programas específicos para isso agora: um vice-presidente de autenticação corporativa e fraude de uma cooperativa de crédito disse: "Estamos lançando agora mesmo um programa de biometria de voz contra fraudes na nossa central de atendimento".

O que perguntar ao provedor. Pergunte se a ferramenta analisa chamadas ao vivo ou apenas gravações, e em quanto tempo ela retorna o resultado durante a ligação. Pergunte a quais outros fatores o resultado de voz é associado, como o dispositivo utilizado, o número de telefone e o histórico da conta. Um arquiteto de negócios em uma gestora de ativos fez exatamente essa pergunta: se a biometria de voz poderia funcionar integrada com o reconhecimento do dispositivo.

O que caracteriza uma resposta fraca. Uma resposta fraca trata a correspondência de voz como prova absoluta de identidade. Uma voz que soa perfeitamente correta é justamente o que um clone é programado para fazer, por isso o resultado precisa ser complementado por outros sinais. Se um provedor não souber explicar como sua verificação de voz se comporta em uma ligação feita de um novo dispositivo ou número, a ferramenta não foi testada contra o ataque que realmente importa.

5. Análise entre solicitações, não de forma isolada

Uma ferramenta de detecção de deepfake deve comparar cada nova proposta com as anteriores, pois alguns dos sinais mais claros de deepfake aparecem apenas no cruzamento de sessões: o mesmo rosto associado a diferentes documentos de identidade, um fraudador recorrente tentando novamente com dados novos ou uma pessoa real sendo instruída durante o processo de verificação. Uma análise que avalia cada selfie de forma isolada não consegue perceber esses padrões. Essa comparação precisa abranger o histórico próprio da instituição, e não apenas a base de dados de referência do provedor.

O que é. As verificações cruzadas buscam a presença do mesmo rosto, imagem de documento, dispositivo ou voz em diferentes cadastros. Um diretor sênior de análise de fraude em uma instituição de crédito pessoal relatou ter visto a "mesma foto em diferentes CNHs" fisicamente em lojas, além de fraudadores recorrentes no canal online. Um analista sênior de fraude em uma plataforma de criptomoedas descreveu a análise de vídeos enviados para "garantir que não há um terceiro instruindo o usuário e guiando-o pelo processo", o que pode indicar um golpe em que o solicitante é real, mas está agindo sob comando de outra pessoa.

O que perguntar ao provedor. Pergunte se a ferramenta cruza novos rostos e documentos com suas solicitações anteriores (incluindo as reprovadas) e por quanto tempo esse histórico é mantido. Pergunte se ela consegue associar propostas por meio de dispositivos compartilhados, dados de contato ou imagens de documentos, além de rostos. Pergunte como ela lida com um solicitante legítimo que está sendo orientado por alguém fora do alcance da câmera.

O que caracteriza uma resposta fraca. Uma resposta fraca avalia cada sessão de forma isolada e delega a identificação de vínculos a outro sistema. Se a ferramenta não puder informar que um rosto recém-aprovado foi recusado no mês passado sob outro nome, a instituição precisará descobrir isso por outros meios. A verificação cruzada de propostas se sobrepõe à detecção de identidade sintética, e avaliar softwares de detecção de fraudes com identidade sintética é uma escolha distinta, com seus próprios critérios.

6. Explicações claras e estruturadas para a elaboração de relatórios

Uma ferramenta de detecção de deepfake deve explicar o que encontrou e o porquê, em termos que facilitem a tomada de ação pelo analista e que a equipe de conformidade possa incluir em um relatório de atividade suspeita (SAR). Uma pontuação de risco pura, sem justificativa, obriga o analista a refazer o trabalho ou a confiar cegamente no número. Além disso, a explicação é essencial para manter a consistência da análise manual entre diferentes analistas.

O que é. Um resultado explicável detalha as evidências encontradas: qual parte da imagem ou do documento parecia alterada, qual sinal sugeriu um vídeo injetado ou qual proposta anterior compartilhava o mesmo rosto. Um oficial sênior de conformidade de PLD em uma fintech de pagamentos explicou que os analistas muitas vezes conseguem perceber que um documento foi gerado por IA, mas precisam de uma conclusão oficial e justificada tecnicamente para incluir no relatório. O alerta da FinCEN orienta que as instituições que reportarem mídias deepfakes incluam o termo-chave FIN-2024-DEEPFAKEFRAUD no campo 2 do relatório e em sua narrativa detalhada.

O que perguntar ao provedor. Peça para ver a tela do analista em um caso sinalizado e verifique se ela exibe os motivos da suspeita ou apenas uma pontuação de risco. Pergunte se esse resultado pode ser salvo junto ao caso para que as justificativas fiquem disponíveis na redação de um relatório ou em auditorias. Pergunte se o histórico do dispositivo, da sessão e da conta aparecem ao lado do resultado da detecção, pois um alerta que apenas aponta uma anomalia perde o sentido prático sem esse contexto.

O que caracteriza uma resposta fraca. Uma resposta fraca oferece apenas um índice de confiança sem detalhes de suporte. Sem justificativas, a decisão final dependerá muito de quem avaliar o caso. O mesmo oficial de conformidade comentou que "depende muito do analista e da experiência dele", observando que, para colegas menos experientes, uma falsificação pode demorar mais para ser percebida ou até passar como legítima. Um vice-presidente de transformação de risco em uma credenciadora de cartões reforçou: "As pessoas são inconsistentes na aplicação das regras de política".

7. Alimentar a decisão, não agir como uma barreira única

Uma ferramenta de detecção de deepfake funciona melhor quando atua como um sinal complementar na decisão de cadastro ou autenticação (combinada com dados do dispositivo, comportamento e histórico da conta), e não como uma barreira única de aprovação direta. Todo método de detecção deixa passar alguns ataques. Controles em camadas garantem que falhas de uma ferramenta sejam capturadas por outra, e casos inconclusivos sejam enviados para análise humana.

O que é. As diretrizes de autenticação e acesso do FFIEC de 2021 definem a segurança em camadas como a incorporação de "múltiplos controles preventivos, de detecção e corretivos" para compensar possíveis fraquezas de qualquer controle individual. Vários dos sinais de alerta de deepfake da FinCEN não envolvem análise de imagem: dados de geolocalização ou de dispositivos que não batem com os documentos, recusa em usar autenticação multifator e contas novas que movimentam dinheiro muito rápido. Para entender como os sinais comportamentais funcionam com as verificações de identidade, consulte autenticação comportamental.

O que perguntar ao provedor. Pergunte se a ferramenta entrega um resultado que sua plataforma de decisão possa combinar com outros sinais ou se ela emite apenas um veredito final fechado. Pergunte se é possível definir regras de decisão por produto e canal, direcionando resultados limítrofes para revisão em vez de reprová-los automaticamente. Pergunte o que a ferramenta retorna quando não consegue chegar a uma conclusão clara e se esse estado de dúvida é diferenciado de uma aprovação.

O que caracteriza uma resposta fraca. Uma resposta fraca apresenta a ferramenta como a única linha de defesa. Um vice-presidente de operações de uma empresa de serviços financeiros descreveu a selfie como uma rede de segurança usada "em locais excessivos" e afirmou que em poucos anos "precisaremos de outras maneiras para garantir que as pessoas são quem dizem ser, sem depender da visualização de seus rostos em fotos ou vídeos". Um gerente de políticas de risco em uma fintech de crédito digital ressaltou a necessidade de um fluxo onde "um ser humano possa intervir e realizar uma verificação detalhada" quando algo parece suspeito.

8. Acompanhar a evolução contínua dos ataques

Uma ferramenta de detecção de deepfake deve demonstrar como se atualiza à medida que as técnicas de geração de IA evoluem, pois uma solução que se saiu bem nos testes do ano passado pode falhar com as fraudes deste ano. Os atacantes utilizam as mesmas ferramentas de IA generativa que os defensores. O Federal Reserve Bank de Boston descreveu como a IA generativa aprende com seus próprios erros: se um grupo de identidades sintéticas começa a ser bloqueado, o padrão é identificado e a próxima onda de ataques já vem aprimorada.

O que é. Manter-se atualizado significa treinar constantemente os modelos de detecção com novas ameaças, informar os clientes sobre as mudanças nas regras de detecção e oferecer formas de verificar que a eficácia da ferramenta não caiu. Significa também que o provedor consegue demonstrar como lida com tipos de ataque inéditos. Para entender melhor como os modelos generativos são usados por ambos os lados, consulte IA generativa na detecção de fraudes.

O que perguntar ao provedor. Pergunte com que frequência os modelos de IA são retreinados, o que aciona uma atualização e como sua equipe será comunicada sobre as mudanças na detecção. Pergunte como monitorar se a eficácia da ferramenta caiu no seu fluxo de transações e se é possível rodar novamente seu conjunto de testes a cada atualização. Inclua essas perguntas na homologação do provedor: as diretrizes interagências de junho de 2023 sobre relacionamento com terceiros estão em vigor e sua proposta de substituição foi apresentada em 11 de setembro de 2026, continuando em discussão até o momento.

O que caracteriza uma resposta fraca. Uma resposta fraca apoia-se em um teste ou certificação feito uma única vez no passado. Modelos de detecção que não são retestados perdem a eficácia em silêncio, e o primeiro sinal disso costuma ser um aumento de fraudes confirmadas que passaram direto pela verificação. Um provedor que não detalha seu ciclo de atualizações ou que não facilita novos testes com seus dados expõe sua instituição a descobrir falhas apenas após sofrer prejuízos.

Como testar a detecção de deepfake com ataques que você já identificou

A forma mais segura de comparar ferramentas de detecção de deepfake é enviar para cada candidata o mesmo conjunto de dados contendo seus ataques confirmados e sessões de clientes reais, medindo o que cada uma pegou e o que sinalizou incorretamente. Um teste estruturado assim reflete o perfil dos seus clientes, seus canais e as ameaças reais que chegam até você. O processo consiste em seis etapas.

1. Separe seus ataques confirmados por tipo. Reúna selfies geradas por IA, fotos de telas, sessões suspeitas de injeção, documentos editados e, se sua central de atendimento for um canal de risco, gravações de chamadas suspeitas. Classifique cada item pelo tipo de ataque para avaliar os resultados de acordo com cada critério.

2. Reúna sessões e documentos reais de bons clientes. Inclua casos difíceis: fotos tiradas de celulares antigos, iluminação ruim, documentos desgastados ou usuários que precisaram de várias tentativas para concluir. Uma ferramenta que bloqueia esses casos gera problemas de atrito com clientes legítimos.

3. Envie o mesmo lote de testes para todas as candidatas. Um diretor de risco operacional de uma financeira voltada a pequenas empresas compartilhou que enviou o mesmo lote de documentos comprovadamente fraudados para várias ferramentas de análise documental para comparar o desempenho; a ferramenta que já utilizavam na época apresentou resultados ruins.

4. Avalie o comportamento com o lote de clientes reais, além dos ataques. Um diretor sênior de gestão de risco de fraude em uma empresa de pagamentos constatou que uma das ferramentas avaliadas sinalizou muito mais documentos legítimos como fraudes do que deveria, o que geraria um grande atrito para clientes reais se fosse adotada.

5. Defina sua própria pontuação de sucesso. Um vice-presidente de risco, conformidade e operações de uma empresa de pagamentos definiu três metas de avaliação: "qual a eficácia na detecção de documentos falsos que parecem reais?", quanto o processo se tornaria mais rápido e "qual seria o ganho de eficiência na nossa análise manual com essa ferramenta". Avalie também se a ferramenta entregou explicações claras que facilitem o trabalho do analista.

6. Rode o líder dos testes em ambiente real com uma pequena parte do tráfego antes de contratar. Direcione uma fração do tráfego real para a ferramenta mais bem pontuada, em paralelo ao seu processo atual, e compare os resultados nas análises manuais. O conjunto de testes aponta o potencial da ferramenta; o tráfego real demonstra seu desempenho no dia a dia com seus usuários.

Guarde esse conjunto de testes após a escolha. Execute-o novamente a cada atualização de modelo do provedor e adicione novos tipos de ataques identificados ao longo do tempo, transformando esse lote na sua ferramenta de controle contra a queda de eficácia (atendendo ao critério 8).

Como a Oscilar se posiciona diante desses critérios

A Oscilar não realiza detecção de deepfakes, verificações de prova de vida ou validação de documentos de forma direta. A Oscilar atua como a camada de decisão e orquestração integrada aos provedores de detecção que a instituição financeira escolher: ela direciona as propostas para esses provedores, combina os resultados com informações de dispositivos, comportamento e histórico das contas, além de registrar o motivo de cada decisão. Sob a ótica dos oito critérios, isso significa que a Oscilar atende a alguns diretamente e apoia-se em parceiros de detecção para outros.

• Critérios 1 a 4: injeção, prova de vida, documentos e voz. Esses aspectos dependem do parceiro de detecção. O produto de cadastro (onboarding) de clientes da Oscilar gerencia as verificações de KYC e validação de identidade avançada de parceiros homologados, e seu módulo de dispositivo e comportamento foi desenvolvido "para garantir a segurança, evitando spoofing e engenharia reversa". A Oscilar não realiza a detecção de deepfake de voz de forma direta; portanto, caso a instituição precise dessa proteção, deve homologar e testar um provedor de voz especializado.

• Critério 2: prova de vida amigável para o cliente. Os processos de cadastro adaptam-se ao perfil de risco de cada proposta, acionando validações extras somente quando necessário. Assim, a selfie ou a análise de documento podem ser exigidas apenas para os perfis que realmente apresentarem maior suspeita.

• Critério 5: análise entre propostas. A Oscilar mapeia conexões entre diferentes contas para identificar redes de fraude, o que permite cruzar um resultado de detecção com propostas anteriores que usem o mesmo dispositivo ou dados em comum.

• Critério 6: explicações claras. A gestão de casos oferece filas organizadas por prioridade, uma visão completa do perfil do usuário e justificativas em linguagem natural sobre o motivo da geração de um alerta. A Oscilar mantém um histórico de auditoria completo para cada decisão, com os motivos da análise salvos e design focado na tomada de decisão humana.

• Critério 7: um sinal em meio a outros. Essa é a especialidade da Oscilar: consolidar os dados de detecção ao lado da inteligência de dispositivo, biometria comportamental e enriquecimento de dados em um único fluxo decisório, com respostas processadas em menos de 100 milissegundos.

• Critério 8: atualização contínua. O monitoramento automatizado de modelos da Oscilar acompanha desvios de dados, de variáveis e de comportamento, além de indicadores de desempenho (KPIs) por perfil de cliente. Testes retrospectivos em dados históricos e testes A/B ajudam as equipes a validar qualquer alteração de regras antes de colocá-las em produção.

Como reconhecimento do mercado, a Oscilar foi incluída no ranking FCC50 de 2026 da Chartis, que classifica fornecedores de tecnologia contra crimes financeiros e conformidade, vencendo nas categorias de Customização Low-Code/No-Code e Inovação em IA Agêntica. A Oscilar também é Parceira Preferencial da Nacha para Validação de Contas, Monitoramento de Fraudes e Prevenção de Riscos e Fraudes. Nenhuma dessas premiações avalia isoladamente a detecção de deepfake de forma direta.

Se a detecção de deepfakes é apenas uma etapa de uma decisão de cadastro maior, escolher uma plataforma de onboarding completa envolve uma análise mais ampla do que as diretrizes desta lista. Para entender como esses elementos se integram na prática, consulte prevenção de fraudes na abertura de contas com a Oscilar.

Resumo dos oito critérios

A tabela abaixo resume os oito critérios descritos, a pergunta para testar cada um, o sinal de alerta que deve preocupar sua equipe e como testá-lo na prática.

Cada linha representa um critério do guia, com a respectiva pergunta de teste, o ponto de atenção e a forma de validação prática.

Perguntas frequentes

O que diferencia uma ferramenta de detecção de deepfake da validação de identidade comum?

A validação de identidade comum confirma se os dados fornecidos existem e se a pessoa confere com o documento enviado. A detecção de deepfake avalia se o rosto, o vídeo, o documento ou a própria voz foram gerados por inteligência artificial, editados ou injetados no sistema de alguma forma. São análises com propósitos diferentes, o que explica por que um rosto artificial pode passar em uma validação de documento também artificial.

Qual a diferença entre detecção de prova de vida ativa e passiva?

A detecção passiva analisa uma única selfie ou vídeo curto sem exigir nenhuma ação extra do usuário. A detecção ativa solicita interações específicas, como virar a cabeça ou seguir instruções que piscam na tela. O método passivo reduz a fricção no cadastro, enquanto o método ativo entrega mais elementos para a análise do sistema. Diversas instituições combinam as duas técnicas dependendo do risco avaliado.

O que é um ataque de injeção e por que ele passa pela verificação comum de selfie?

O ataque de injeção envia um vídeo pré-gravado ou gerado diretamente no sistema usando plugins ou câmeras virtuais, burlando o fluxo da câmera física do celular. Ele costuma passar em testes de selfie tradicionais que apenas analisam a qualidade da imagem estática, pois a foto final parece real mesmo não tendo sido capturada por uma câmera na hora. O alerta de 2024 da FinCEN aponta o uso de plugins de webcam de terceiros como um forte sinal de fraude.

A detecção de deepfake funciona em ligações de centrais de atendimento?

Sim, existem ferramentas de detecção para clones de voz, embora esse tipo de análise seja considerado mais complexo do que a detecção de imagens estáticas. O processo ganha robustez quando o resultado da voz é associado a outras informações, como o dispositivo usado, o histórico bancário e o número de telefone de origem. Recomenda-se que as instituições avaliem essas soluções usando gravações reais antes da contratação definitiva.

O que as instituições financeiras devem informar nos relatórios de atividade suspeita sobre deepfakes?

A FinCEN orienta as instituições a incluírem o termo-chave FIN-2024-DEEPFAKEFRAUD no campo específico de identificação e na descrição detalhada de relatórios de atividades suspeitas relacionados a mídias geradas por IA, conforme o alerta de novembro de 2024 (que continua vigente em setembro de 2026). A descrição do relatório deve trazer os motivos que indicam a manipulação da mídia, como os sinais de alerta listados no documento oficial. Ter uma ferramenta que explique claramente as razões da suspeita facilita muito a redação desses relatórios.

Como a Oscilar atende a esses critérios?

A Oscilar não realiza detecção de deepfakes, validação de documentos ou verificações de prova de vida de forma direta. Portanto, os critérios de 1 a 4 dependem das ferramentas parceiras integradas pela instituição. A Oscilar gerencia todo o ecossistema decisório subsequente: combinando esses dados com geolocalização de dispositivos, inteligência de comportamento e conexões entre contas, direcionando casos suspeitos para revisão manual com explicações em linguagem natural, mantendo o histórico completo de auditoria com decisões explicadas e design focado no acompanhamento humano. É possível testar a plataforma usando os mesmos casos de teste aplicados às demais ferramentas do seu sistema.

A melhor ferramenta de detecção de deepfake para a realidade da sua operação é aquela que consegue bloquear os tipos de ataques recorrentes no seu negócio, aprovar clientes legítimos sem gerar atrito, explicar as decisões detalhadamente para a elaboração de relatórios e manter esse nível de eficiência ao longo do tempo. Estruture seu lote de validação com casos reais da sua empresa e utilize os resultados como um sinal integrado a um sistema de decisão amplo, que também considere comportamento, dados de dispositivos e histórico do usuário. A abordagem da Oscilar contra fraudes na abertura de contas é uma das soluções disponíveis para gerenciar de ponta a ponta as respostas dos provedores de detecção que sua empresa escolher.