Por mais de uma década, a fraude seguiu uma trajetória relativamente estável. Os atacantes ganharam escala por meio de automação, mas a estratégia, o julgamento e a adaptação continuaram sendo conduzidos por humanos. Scripts enviavam e-mails de phishing. Operadores lavavam dinheiro. Analistas investigavam depois que as perdas ocorriam.
Esse modelo agora está obsoleto.
É isso que agora está atingindo primeiro as equipes de operações de fraude, segurança e risco.
Nos últimos 12 a 18 meses, observamos uma mudança decisiva de “fraude em escala” para “fraude com autonomia”. Os sistemas modernos de fraude não se limitam mais a executar instruções predefinidas; eles observam ambientes, aprendem padrões de comportamento, tomam decisões e atuam de forma independente dentro de ecossistemas financeiros em tempo real.
Isso é importante porque a maioria das pilhas de prevenção a fraudes em uso hoje foi projetada para um modelo de ameaça muito diferente: um em que os ataques eram ruidosos, os padrões se repetiam e a velocidade de execução era limitada pela latência humana. Em um mundo agentivo, essas premissas desmoronam. Chame pelo nome certo: a fraude com IA em bancos e fintechs já entrou em um estágio de execução autônoma.
Identificamos sete vetores de ataque impulsionados por IA que evoluíram de conceitos de pesquisa para ameaças operacionais. Eles estão atualmente gerando perdas em toda a nossa rede de parceiros em bancos, fintechs e cripto. Este relatório analisa a mecânica desses ataques e os motivos específicos pelos quais os controles legados não conseguem detê-los.
Os 7 vetores de fraude agêntica em resumo
Vetor | Capacidade principal | Por que os controles legados falham | Deslocamento defensivo obrigatório |
Phishing polimórfico | Inserção de threads com reconhecimento de contexto | Sem URLs ou domínios maliciosos | Detecção conversacional de anomalias |
Malware acionado por fatura | Imitação preditiva de pagamento | Corresponde à rotina e ao prazo do fornecedor | Modelagem de expectativas transacionais |
Deepfake como Serviço | Manipulação em tempo real de identidades sintéticas | Classe de dispositivo + prova de vivacidade considerada confiável | Verificações de integridade de fluxo e consistência de sessão |
Fábricas de identidades sintéticas | Maturação da identidade em longo prazo | Aprovações de KYC em ponto no tempo | Memória comportamental em nível de rede |
Ataques de Toque Fantasma | Sequestro de sessão biométrica | Login não equivale à validação de intenção | Monitoramento contínuo de sessão |
Agentes de exploração de CVEs | Implantação de exploit gerada automaticamente | Correção do Windows muito lenta | Detecção comportamental com suposição de violação |
Encadeamento automático de plataformas | Fragmentar fundos roubados em milhares de microtransações | A monitorização baseada em regras não detecta o padrão quando os fundos estão fragmentados | Velocidade e correlação entre cadeias |
1. Agentes de phishing polimórficos que operam em contexto
O phishing tradicional baseia-se na probabilidade. Se você enviar mensagens em grande quantidade, uma pequena porcentagem dos destinatários acabará clicando, respondendo ou obedecendo. Agentes de phishing polimórficos invertem completamente essa lógica.
Em vez de enviar mensagens em grande escala, esses agentes se infiltram em caixas de entrada comprometidas e observam silenciosamente. Eles leem conversas antigas, analisam padrões de linguagem, aprendem gírias internas, identificam hierarquias de aprovação e modelam como as pessoas realmente se comunicam entre si ao longo do tempo.
Uma vez treinado, o agente não inicia conversas suspeitas. Ele se insere em threads de alta confiança já existentes, muitas vezes semanas após a violação inicial. As respostas que gera não são genéricas. Elas são adaptadas exatamente ao contexto da conversa, escritas no tom, cadência e formatação que o destinatário espera.
Muitas variantes evitam infraestrutura externa de comando e controle para ajudar a se ocultar. Elas “vivem da própria terra” ao espelhar o horário de trabalho e os padrões de digitação da vítima. Ao igualar a latência de resposta e as janelas de atividade, o agente se mistura ao ruído de fundo padrão de um dia de trabalho.
O impacto é profundo. Os sistemas de segurança de e-mail que dependem de indicadores como URLs, anexos ou reputação do remetente não veem nada de incomum. Os revisores humanos não percebem nada suspeito. Os sinais de comunicação mais fortes tornam-se a superfície de ataque: confiança, timing e familiaridade.
Para as equipes de fraude, detectar essas incursões exige monitorar desvios na dinâmica das conversas. A ameaça está inserida na identidade confiável, tornando o conteúdo da mensagem um sinal secundário.
2. Malware sincronizado com faturas e fraude de pagamento preditiva
Uma das evoluções mais eficazes que vemos na verdade tem como alvo a rotina em si.
Famílias de malware como Predator e Thief v6 já não priorizam a exfiltração imediata. Em vez disso, concentram-se na observação persistente. Uma vez dentro de um ambiente, elas mapeiam o tecido conectivo do negócio: relações com fornecedores, cronogramas de faturas e fluxos de aprovação de pagamentos.
Uma vez que esse modelo é estabelecido, o malware espera pacientemente. Se uma fatura legítima de um fornecedor historicamente chega no dia 15 do mês, o malware envia uma versão falsificada no dia 14. A mensagem reflete as faturas anteriores em formatação, linguagem e contexto, mas substitui discretamente os dados bancários pelos controlados pelo atacante.
O sucesso dessa técnica reside na psicologia operacional. As equipes de pagamentos são otimizadas para maximizar o volume processado e a precisão, mesmo sob pressão de tempo. Remetentes conhecidos e prazos esperados reduzem o nível de escrutínio. Quando a fatura verdadeira chega depois, ela costuma ser descartada como duplicada.
Essa técnica representa uma evolução para a personificação financeira preditiva. O malware alcança altas taxas de sucesso ao se alinhar com rotinas operacionais já estabelecidas. Como essas mensagens não contêm domínios quebrados, links maliciosos ou tipos de arquivo incomuns, elas raramente acionam alertas de perímetro antes que os fundos sejam movimentados.
Detectar a personificação financeira preditiva requer modelagem de expectativas transacionais. Como essas mensagens não contêm links maliciosos nem domínios suspeitos, a segurança passa a depender da avaliação do comportamento de pagamento em relação a uma linha de base histórica e contextual. Se os detalhes da transação se desviarem do padrão estabelecido para aquela entidade, o sistema sinaliza a anomalia independentemente de quão "limpo" o e-mail pareça.
3. Deepfake-como-Serviço e bypass de KYC assistido por hardware
Mercados clandestinos agora oferecem plataformas de Deepfake-como-Serviço (DFaaS) como parte da infraestrutura padrão. Esses serviços disponibilizam APIs para manipulação de vídeo em tempo real, clonagem de voz e troca de rostos, especificamente desenvolvidas para se integrar diretamente a fluxos de trabalho de crimes financeiros.
As primeiras tentativas de contornar processos de KYC baseavam-se em vídeos reproduzidos ou na substituição por imagens estáticas. Essas técnicas agora são amplamente detectáveis. Em resposta, os atacantes passaram a utilizar ataques híbridos que combinam software avançado com hardware físico.
Nesses cenários, modelos de deepfake de alta fidelidade são executados em laptops ou desktops capazes de suportar cargas de trabalho de computação pesadas. A saída é então encaminhada por meio de um dispositivo de hardware físico que se apresenta como a câmera de um telefone celular. Do ponto de vista do sistema de KYC, a sessão parece se originar de um dispositivo móvel legítimo, com vídeo ao vivo e movimento natural.
Esse tipo de manipulação em nível de hardware torna a classe de dispositivo um sinal de confiança pouco confiável. Como essas sessões parecem vir de dispositivos móveis legítimos, com vídeo ao vivo, verificações de prova de vida por si só são insuficientes. A detecção eficaz exige a análise da consistência de toda a sessão, incluindo estabilidade da taxa de quadros, discrepâncias em dados de sensores e padrões de comportamento que se desviam do uso típico de dispositivos móveis. A verificação deve se concentrar na integridade do fluxo de dados, e não na segurança presumida do hardware.
4. Fazendas de identidades sintéticas e fraudes de longo prazo
Fazendas modernas de identidades usam agentes de IA para gerenciar perfis sintéticos por meio de ciclos de maturação. Durante essa fase, os agentes constroem historicamente o crédito de forma programática, girando microempréstimos e automatizando os pagamentos mensais. Ao manter saldos positivos por seis a dezoito meses, esses perfis geram sinais de alta confiança que muitas vezes resultam em pontuações de crédito acima de 800.
Essas identidades permanecem inativas até um evento de ativação coordenado. Os invasores as acionam em ondas para estourar os limites de crédito e esvaziar saldos em várias instituições simultaneamente.
Adaptações regionais amplificam os danos. Na Europa, os atacantes exploram a aplicação desigual de KYC e a discriminação por IBAN para mover fundos através de fronteiras com atrito mínimo. Na América do Norte, identidades sintéticas são cada vez mais combinadas com roubo de tokens de MFA e personificação de equipes internas de TI para desbloquear contas de maior valor.
Isoladamente, cada identidade parece legítima. O risco só se manifesta em nível de rede, por meio de memória comportamental de longo prazo e de conexões entre diferentes entidades. A verificação pontual não consegue detectar a lenta acumulação desses agrupamentos sintéticos.
5. Ataques Ghost Touch e sequestro de sessão biométrica
Um dos desenvolvimentos mais inquietantes que observamos é o surgimento de ataques de ghost touch em dispositivos móveis.
Esses ataques combinam Cavalos de Troia de Acesso Remoto para dispositivos móveis com hardware de interferência eletromagnética embutido em estações de carregamento comprometidas, localizadas em espaços públicos como aeroportos, cafés e edifícios comerciais.
Quando um dispositivo é conectado, emissores de EMI injetam toques invisíveis na tela, permitindo que invasores instalem malware sem qualquer interação física. Em seguida, o malware aguarda passivamente até que o usuário se autentique em um aplicativo de alto valor.
Assim que o usuário passa com sucesso por uma verificação biométrica, o malware assume o controle da sessão ativa. Ele frequentemente simula uma falha do sistema ou escurece a tela para mascarar sua atividade. Enquanto o usuário acredita que o dispositivo está bloqueado ou reiniciando, o malware realiza transferências usando o estado totalmente autenticado.
À primeira vista, a sessão é legítima.
Esse vetor de ataque expõe um ponto cego crítico: a autenticação biométrica garante o acesso, mas não a intenção. Defendê‑lo exige monitoramento contínuo da sessão, detecção de anomalias durante estados autenticados e avaliação da integridade do dispositivo que vá além dos eventos de login.
6. Transformando transparência defensiva em automação ofensiva
A divulgação pública de vulnerabilidades é um pilar fundamental da cibersegurança, mas atacantes agora exploram sistematicamente essa transparência como arma. Agentes de IA ingerem continuamente CVE e CISA para extrair contexto técnico, tecnologias afetadas e orientações de mitigação. Ao converter esses dados em prompts estruturados para modelos de geração de código, os atacantes produzem código de exploração funcional em velocidade de máquina.
Agentes de ataque personalizados então implantam essas explorações contra sistemas expostos. A janela entre a divulgação de uma vulnerabilidade e sua exploração ativa está se aproximando de zero. Organizações que não conseguem aplicar correções imediatamente enfrentam uma exposição crescente, mesmo quando seguem protocolos de segurança estabelecidos.
Essa mudança exige uma postura de “assumir exploração” por parte das equipes de fraude e risco. Os controles devem detectar o comportamento anormal resultante de uma violação, pois depender apenas dos cronogramas de gerenciamento de vulnerabilidades não é mais uma defesa viável.
7. Encadeamento automatizado entre redes e lavagem de poeira
Agentes de IA transformaram a lavagem de dinheiro em um problema de otimização em alta velocidade. Em vez de depender de camadas manuais, esses sistemas orquestram estratégias de lavagem entre cadeias que movem ativos por blockchains, protocolos de privacidade e pontes em questão de segundos.
Os agentes fragmentam os fundos roubados em dezenas de milhares de transações de baixo valor, muitas vezes abaixo de US$ 10 cada. Esses "rastros de poeira" são projetados para fazer com que o custo econômico de uma investigação supere o valor dos ativos recuperados. O objetivo não é o anonimato perfeito, mas sim o esgotamento econômico. Nessa escala, o rastreamento manual deixa de ser uma contramedida viável.
Mitigar esse risco exige visibilidade entre diferentes trilhos de pagamento e monitoramento sensível à velocidade. A modelagem econômica deve identificar os padrões subjacentes de lavagem de dinheiro, mesmo quando as microtransações individuais parecem inofensivas.
O que essa evolução significa para a defesa contra fraudes
As defesas atuais, projetadas para sinalizar o que é incomum, falham quando agentes de IA imitam tons de conversa estabelecidos e cronogramas de negócios. Esses agentes camuflam suas atividades nos aspectos rotineiros das operações diárias para contornar as barreiras tradicionais de segurança.
Para combater isso, é necessário analisar a interseção entre identidade, integridade do dispositivo e velocidade monetária como um único evento. A identificação deve se concentrar em desvios sutis dentro de uma sessão antes que uma transação seja finalizada.
Na Sardine, fornecemos a infraestrutura para realizar essa correlação. Ao unificar esses sinais em uma única camada de dados, a plataforma identifica padrões que verificações pontuais não conseguem detectar. A estratégia de defesa exige a transição de uma revisão humana reativa para uma estrutura de supervisão baseada em agentes, que corresponda à escala e à velocidade do cenário atual de ameaças.