Deepfake głosu i wideo: nowa broń w atakach na firmy

Wyobraź sobie ten scenariusz. Pracownik działu finansów odbiera telefon. Dzwoni prezes — ten sam głos, ta sama maniera mówienia, to samo „słuchaj, mam do ciebie pilną sprawę”. Prosi o natychmiastowy przelew do nowego kontrahenta, bo „domykamy transakcję i nie ma czasu na formalności”. Wszystko się zgadza: numer, ton, pośpiech typowy dla szefa. Pracownik wykonuje przelew. Problem w tym, że prezes nigdy nie dzwonił. Rozmawiał z deepfakiem — sklonowanym głosem, wygenerowanym przez AI z kilku publicznie dostępnych nagrań. To nie jest scenariusz z przyszłości. To dzieje się już teraz, a firmy tracą w ten sposób realne pieniądze.

Dlaczego to działa: atak na zaufanie, nie na system

Deepfake w atakach na firmy jest groźny, bo omija zabezpieczenia techniczne i uderza w coś, czego nie da się załatać poprawką: ludzkie zaufanie do rozpoznawalnego głosu i twarzy. Przez całe życie uczymy się, że jeśli słyszymy znajomy głos, to rozmawiamy ze znajomą osobą. AI właśnie unieważniła to założenie. To ewolucja klasycznych oszustw, które znamy — oszustwa na prezesa (BEC) i vishingu na pracownika — wzbogaconych o warstwę, która pokonuje naturalny odruch weryfikacji.

Jak powstaje sklonowany głos

Największym zaskoczeniem dla wielu jest to, jak mało materiału potrzeba. Współczesne narzędzia do syntezy mowy potrafią odtworzyć barwę i sposób mówienia konkretnej osoby z kilkudziesięciu sekund nagrania. A tego materiału jest wszędzie pod dostatkiem:

• nagrania z konferencji, webinarów i wywiadów,
• podcasty i wystąpienia publiczne,
• filmy w mediach społecznościowych,
• wypowiedzi w mediach, a nawet powitanie na poczcie głosowej.

Im wyżej ktoś stoi w hierarchii (prezes, dyrektor finansowy), tym więcej jego głosu krąży publicznie — a to właśnie te osoby są najczęściej podrabiane, bo ich polecenia mają największą wagę. Deepfake wideo wymaga więcej materiału i mocy, ale w scenariuszu wideokonferencji (gdzie jakość obrazu i tak bywa niska) już dziś potrafi zmylić.

Scenariusze ataku na firmę

Deepfake to narzędzie, nie cel — wpisuje się w sprawdzone schematy oszustw, dodając im wiarygodności:

• Oszustwo na prezesa 2.0. Telefon lub wiadomość głosowa „od zarządu” z pilną prośbą o przelew, zmianę danych bankowych kontrahenta albo zakup kart podarunkowych. Pośpiech i autorytet wyłączają czujność.
• Fałszywa wideokonferencja. Pracownik dołącza do spotkania, na którym „kierownictwo” (w całości lub częściowo wygenerowane) autoryzuje transakcję albo poleca ujawnienie danych. Znane są przypadki wyprowadzenia w ten sposób wielomilionowych kwot.
• Vishing na helpdesk / dział IT. Napastnik dzwoni „głosem pracownika” z prośbą o reset hasła lub obejście MFA. To szczególnie skuteczne, bo dział wsparcia jest z definicji nastawiony na pomaganie.
• Przekierowanie płatności. „Głos” zaufanego kontrahenta lub przełożonego potwierdza zmianę numeru konta tuż przed dużym przelewem.

We wszystkich przypadkach deepfake służy jednemu: uwiarygodnieniu pilnej, nietypowej prośby o pieniądze lub dostęp.

Dlaczego „będę czujny” nie wystarczy

Naturalna reakcja brzmi: „przecież poznam, że coś jest nie tak”. Problem w tym, że deepfake jest projektowany właśnie po to, by tego odruchu nie wywołać — a napastnik dokłada presję czasu i autorytet, które upośledzają krytyczne myślenie. Poleganie na „wyczuciu” jest zawodne, bo:

• jakość klonów rośnie szybciej, niż nasza umiejętność ich rozpoznawania,
• w stresie i pośpiechu ludzie ufają bardziej, nie mniej,
• narzędzia do wykrywania deepfake’ów istnieją, ale są zawodne i nie nadążają za generatorami — nie można na nich opierać obrony.

Wniosek jest ten sam, co przy ofensywnym AI: skoro sygnały zmysłowe przestają być wiarygodne, obrona musi przejść na procedury i weryfikację niezależnym kanałem.

Jak się bronić: procesy, nie intuicja

Dobra wiadomość: choć technologia ataku jest nowa, skuteczna obrona opiera się na sprawdzonych, prostych zasadach. Chodzi o to, by żadna wrażliwa operacja nie zależała od jednego kanału — nawet jeśli głos i twarz się zgadzają.

• Weryfikacja out-of-band jako obowiązek. Każda prośba o przelew, zmianę danych bankowych czy pilny dostęp musi być potwierdzona innym, znanym kanałem niż ten, którym przyszła. Odebrałeś telefon? Oddzwoń na oficjalny, zapisany numer — nie na ten z połączenia.
• Procedura „callback” i podwójna autoryzacja. Operacje finansowe powyżej progu wymagają zatwierdzenia przez dwie osoby i oddzwonienia. To zamyka atak oparty na pojedynczym „telefonie od szefa”.
• Ustalone słowo/kod weryfikacyjny dla wrażliwych poleceń między kluczowymi osobami — coś, czego deepfake nie zna, bo nie ma tego w publicznych nagraniach.
• Twarde kontrole płatności. Zmiana numeru konta kontrahenta powinna uruchamiać obowiązkową, niezależną weryfikację — to jedna z najczęstszych ścieżek strat.
• Kultura, w której wolno powiedzieć „sprawdzę”. Największym sprzymierzeńcem napastnika jest presja autorytetu. Pracownik musi mieć jasne przyzwolenie, by zweryfikować nawet prośbę „prezesa” — i pewność, że nie zostanie za to ukarany.
• Aktualne szkolenia. Pokaż zespołowi, jak brzmi i wygląda deepfake, i przećwiczcie scenariusze. Świadomość, że „głos się zgadza, a to i tak może być fałszerstwo”, jest dziś kluczowa.

Podsumowanie

Deepfake głosu i wideo przenosi klasyczne oszustwa finansowe na nowy poziom, bo pokonuje odruch, który dawał nam poczucie bezpieczeństwa: rozpoznawanie znajomej osoby po głosie i twarzy. Do sklonowania szefa wystarczą sekundy publicznego nagrania, a atak zawsze zmierza do jednego — pilnej, nietypowej prośby o pieniądze lub dostęp. Ponieważ na „wyczucie” i narzędzia detekcji nie można polegać, jedyną solidną obroną są procesy: weryfikacja niezależnym kanałem, podwójna autoryzacja, kontrole płatności i kultura, w której wolno powiedzieć „najpierw sprawdzę”. Technologia ataku jest nowa; recepta na obronę — zaskakująco klasyczna.

Chcesz sprawdzić, czy Twoja organizacja wytrzyma atak socjotechniczny z użyciem deepfake’a — i uszczelnić procedury autoryzacji? Skontaktuj się z nami — testy socjotechniczne i doradztwo bezpieczeństwa obejmują takie scenariusze.

Najczęstsze pytania (FAQ)

Ile nagrania potrzeba, żeby sklonować czyjś głos? Współczesne narzędzia potrafią odtworzyć barwę i sposób mówienia z kilkudziesięciu sekund materiału. Osoby publiczne i kadra zarządzająca są szczególnie narażone, bo ich głos jest szeroko dostępny w nagraniach z wystąpień, wywiadów i mediów społecznościowych. Dlatego obrona nie może polegać na „poznawaniu po głosie”.

Czy istnieją narzędzia wykrywające deepfake? Tak, ale są zawodne i nie nadążają za rozwojem generatorów — dają fałszywe wyniki w obie strony. Można je traktować jako pomocniczą warstwę, ale nie jako podstawę obrony. Znacznie skuteczniejsze jest wprowadzenie procedur weryfikacji, które działają niezależnie od tego, czy rozmowa była prawdziwa, czy sfałszowana.

Jak najtaniej i najszybciej ograniczyć to ryzyko w firmie? Wprowadź jedną twardą zasadę: żaden przelew, zmiana danych bankowych ani pilny dostęp nie są realizowane wyłącznie na podstawie telefonu, wiadomości głosowej czy wideorozmowy — zawsze wymagana jest weryfikacja niezależnym, znanym kanałem (oddzwonienie na oficjalny numer). To kosztuje niewiele, a zamyka większość realnych scenariuszy strat.

Czy deepfake zagraża tylko dużym firmom? Nie. Choć głośne przypadki dotyczą wielkich kwot, klonowanie głosu jest tanie i skalowalne, więc na celowniku są też małe i średnie firmy oraz osoby prywatne (np. oszustwo „na wnuczka” z prawdziwym głosem bliskiej osoby). Zasada obrony jest identyczna niezależnie od skali: weryfikuj wrażliwe prośby niezależnym kanałem.