Deepfake: o vilão da fraude de identidade nos bancos
O deepfake no mercado financeiro deixou de ser um risco futuro no Brasil. O uso de deepfakes em fraudes cresceu 830% entre 2024 e 2025, segundo dados da Polícia Federal, e ferramentas de inteligência artificial já estão presentes em 42,5% das fraudes financeiras registradas no país.
Para um banco ou fintech, isso não é mais uma estatística de relatório de tendências. É um risco jurídico, operacional e reputacional acontecendo agora, dentro do fluxo de onboarding e de transação que já está em produção.
Este post vai além de contextualizar. Aqui você entenderá porque o deepfake em fraude de identidade em bancos se tornou o ponto de falha mais caro da autenticação, e o que muda estruturalmente quando uma instituição decide enfrentar esse problema de verdade.
Por que deepfake se tornou um vetor de fraude de identidade bancária
Toda fraude de identidade precisa, em algum momento, provar que existe uma pessoa autorizada por trás da operação. Durante anos, essa prova dependia de um documento físico e, mais recentemente, de uma verificação facial simples.
O deepfake ataca exatamente esse ponto: em vez de falsificar apenas um documento, ele falsifica a própria prova de vida.
Isso muda o cálculo de risco em três momentos específicos da jornada bancária: a abertura de conta, a recuperação de senha ou acesso, e a aprovação de transações de alto valor.
Nos três casos, o banco depende de uma verificação facial para confirmar que quem está do outro lado da tela é, de fato, o titular legítimo. Um deepfake bem-feito engana exatamente esse ponto de confiança, sem precisar comprometer nenhum outro sistema.
O caso que mudou o cálculo de risco: uma falha de autenticação, R$ 800 milhões de prejuízo
A escala desse problema apareceu de forma concreta em 2025, com o ataque à C&M Software, fornecedora conectada ao sistema financeiro, que resultou no desvio estimado de R$ 800 milhões. O ponto de falha não foi o Pix como tecnologia. Foi o elo mais fraco da cadeia: o acesso humano e a autenticação de quem estava do outro lado da tela.
Esse caso importa para qualquer instituição financeira porque ilustra um princípio que se repete: a infraestrutura de pagamento pode estar impecável, e o prejuízo ainda acontece se a camada de autenticação na ponta for frágil. Não é uma falha de rede. É uma falha na verificação de identidade.
A jurisprudência já responsabiliza bancos por falha de autenticação biométrica
Essa lacuna de segurança já virou jurisprudência no Brasil. O Superior Tribunal de Justiça (STJ) tem decisões responsabilizando instituições financeiras por falha de autenticação biométrica e por monitoramento insuficiente diante de padrões atípicos de transação.
Em casos recentes, bancos foram condenados a indenização por dano moral somada à restituição integral, justamente por não conseguirem comprovar a autenticidade da autorização.
Na prática, isso muda o cálculo de risco para qualquer instituição que lida com onboarding digital ou transações de alto valor: não é mais uma questão de “se” vai precisar provar que autenticou corretamente.
É uma questão de “quando” a Justiça vai cobrar essa prova. Ter um processo de liveness qualquer deixou de ser suficiente. O processo precisa gerar evidência técnica auditável, capaz de sustentar uma defesa em juízo.
Por que apenas ter liveness não é mais suficiente
Existem hoje duas frentes de ataque distintas contra sistemas de verificação facial, e a maioria das soluções do mercado só cobre uma delas.
Ataques de apresentação (PAD) usam algo físico diante da câmera: uma foto impressa, um vídeo tocando em outra tela, uma máscara de alta qualidade, ou um deepfake exibido como se fosse uma transmissão em tempo real.
Ataques de injeção (IAD) não usam a câmera física de forma alguma. O fraudador insere a imagem manipulada diretamente no aplicativo, por meio de emuladores, câmeras virtuais ou frameworks de manipulação, enganando o sistema para que ele acredite estar recebendo uma captura real.
A maioria das soluções de liveness do mercado foi desenhada para PAD e nunca foi testada de forma independente contra IAD. Isso cria um ponto cego que um fraudador sofisticado encontra rapidamente: se o sistema só verifica se existe um “rosto real” na imagem, sem confirmar de onde essa imagem realmente veio, um ataque de injeção passa despercebido.
A resposta é recalibração constante
Modelos generativos de IA evoluem em ciclos de semanas, não de anos. Um deepfake que era detectável há seis meses pode já ter uma nova versão, mais convincente, circulando hoje. Isso significa que qualquer solução de liveness testada uma vez, num único ciclo de certificação, e depois deixada estática, tem prazo de validade curto contra esse tipo de ataque.
É por isso que a Legitimuz mantém um red team interno que reforça a segurança do LegitFace diariamente, não uma vez por trimestre ou por ano.
Esse time não tem acesso ao código-fonte da ferramenta, e opera em regime de caixa preta, simulando o comportamento de um fraudador com máscaras de alta qualidade, fotos, deepfakes e ataques de injeção.
Assim que uma técnica é bloqueada, o time busca a próxima variação dela, porque é exatamente isso que um fraudador dedicado faria.
Esse processo contínuo é o que sustenta as certificações externas do LegitFace: iBeta PAD Levels 1 e 2, conforme o padrão ISO/IEC 30107-3, e os selos BixeLab PAD Levels 1, 2 e 3 e BixeLab IAD, específicos para detecção de ataques de injeção.
Segurança e privacidade desde a arquitetura, não como remendo
Um sistema de verificação facial não sustenta uma defesa jurídica só porque bloqueia fraude. Ele precisa também comprovar que o próprio processo de decisão é seguro e auditável, e isso começa na arquitetura, não em uma camada adicionada depois.
O mesmo princípio se aplica à privacidade. Cada dado sensível tem finalidade explícita, prazo de retenção definido e coleta minimizada desde a concepção, não como ajuste posterior de conformidade. Isso inclui um diferencial pouco comum no mercado: Privacy by Default.
Na maioria das empresas, privacidade é uma configuração que o usuário precisa ativar. Na Legitimuz, retenção mínima e descarte de dados sensíveis já vêm configurados como padrão, sem exigir nenhuma ação do titular.
O tratamento de dado biométrico usa o artigo 11 da LGPD, mais rígido que o artigo 7º, tratando o dado sensível sob consentimento explícito, ou dispensa justificada quando prevista em lei. É esse tipo de cuidado jurídico incorporado à arquitetura que separa uma certificação que é mais marketing do que realidade de uma certificação que serve como prova.
O que isso significa na prática
Hoje, o LegitFace opera com verificação completa em menos de 30 segundos, com 0% de fraude aprovada em produção e menos de 1,33% de reprovação de usuários legítimos. São esses números, e não apenas a existência de uma funcionalidade de liveness, que determinam se um banco está de fato protegido ou apenas cumprindo uma exigência de checklist.
Conheça as soluções Legitimuz
A Legitimuz oferece um one stop shop completo de verificação de identidade para bancos e fintechs, com o LegitFace certificado contra ataques de apresentação e de injeção.
Inclui ainda LegitID, LegitDoc, LegitDevice e LegitCheck, que combinados te ajudam a proteger toda a jornada do cliente, do cadastro à transação de alto valor.
Fale com um especialista da Legitimuz
Perguntas frequentes
Por que deepfake é mais perigoso que outras fraudes de identidade em bancos? Porque ataca diretamente a prova de vida usada para autenticar cliente, não um dado cadastral.
Bancos podem ser responsabilizados judicialmente por fraude com deepfake? Sim. O STJ já tem decisões responsabilizando instituições financeiras por falha de autenticação biométrica, com condenações que somam indenização por dano moral e restituição integral ao cliente lesado.
Qual a diferença entre ataque de apresentação e ataque de injeção? Ataque de apresentação usa algo físico diante da câmera, como foto, vídeo ou máscara. Ataque de injeção insere a imagem falsa diretamente no sistema por software, sem usar a câmera física do dispositivo.
O que é um red team de segurança biométrica? É uma equipe dedicada a testar diariamente um sistema de verificação facial, sem acesso ao código-fonte, antecipando o comportamento de um fraudador.