Un sindicato criminal ha establecido 15.500 sitios web que transmiten vídeos deepfake de personalidades conocidas promocionando consejos bursátiles falsos, y la operación ya está desviando dinero de inversores desprevenidos. La escala por sí sola hace que la eliminación manual sea imposible, lo que obliga a los equipos de seguridad a replantearse cómo detectar y bloquear este tipo de fraude.
Cómo opera la red
Los estafadores no dependen de un único clip falso. Cada sitio está programado para comportarse de manera diferente según quién lo visite. Un rastreador automatizado ve una página anodina de "en construcción", mientras que un usuario real que llega desde un dispositivo móvil recibe un vídeo pulido en el que aparece una celebridad promocionando una acción. Esta discrepancia permite que la operación pase desapercibida para las herramientas tradicionales de raspado web (web-scraping).
Para ocultar el cambio, el grupo utiliza servicios de enrutamiento de tráfico como Keitaro, que pueden ocultar URLs y ofrecer contenido diferente según la reputación de la IP, la huella digital del dispositivo o el encabezado de referencia (referrer header). El resultado es una red masiva de dominios que imitan a otros y que se mezclan con la web normal, dificultando que los bots de seguridad los marquen como maliciosos.
Por qué la detección estándar es insuficiente
La mayoría de las soluciones anti-deepfake se centran en detectar artefactos visuales que delatan un vídeo sintético: bordes borrosos, iluminación inconsistente o una sincronización labial incorrecta. En esta campaña, esas señales son raras porque los vídeos se renderizan con modelos de alta calidad. La verdadera vulnerabilidad reside en la geometría del rostro: los generadores de deepfakes suelen introducir discrepancias sutiles en la relación espacial entre los puntos de referencia faciales (facial landmarks).
Por lo tanto, una simple comprobación de "¿es este vídeo falso?" pasa por alto gran parte del contenido de la red. Lo que se necesita es un paso de verificación que compare el rostro mostrado en el vídeo con una imagen conocida y de confianza de la celebridad.
Construcción de un flujo de verificación (pipeline)
Los desarrolladores pueden integrar tres capacidades principales en sus flujos de trabajo de seguridad:
- Rastreo adaptativo (Adaptive crawling) – Utilizar navegadores sin interfaz (headless browsers) que imiten a agentes de usuario reales, roten IPs y emulen las características de dispositivos móviles. Esto ayuda a eludir los señuelos de "en construcción" y recuperar la carga útil (payload) real del vídeo.
- Comparación biométrica – Extraer los puntos de referencia faciales de cada fotograma del vídeo y calcular las distancias euclidianas con respecto a una foto de referencia auténtica. Los errores pequeños y constantes en la ubicación de los puntos de referencia son un fuerte indicador de un deepfake. Realizar la comparación en múltiples fotogramas reduce los falsos positivos causados por oclusiones momentáneas o cambios de iluminación.
- Cambio de la detección a la verificación – En lugar de marcar un vídeo como "potencialmente falso", trátelo como no verificado hasta que supere la comprobación biométrica contra una fuente validada. Si no se encuentra una coincidencia, el contenido puede ser puesto en cuarentena o enviado para revisión humana.
Una implementación práctica podría ser la siguiente:
- Crawler obtiene la página, sigue las redirecciones y registra la URL final del vídeo.
- Downloader extrae el vídeo y lo divide en fotogramas clave (por ejemplo, uno por segundo).
- Face extractor ejecuta un modelo ligero para localizar el rostro en cada fotograma.
- Landmark matcher calcula la distancia euclidiana entre los puntos de referencia extraídos y los de un retrato oficial de la celebridad.
- Score aggregator marca el vídeo si la distancia media supera un umbral predefinido.
Debido a que la operación abarca miles de dominios, automatizar cada paso es esencial. Existen bibliotecas de código abierto para la detección de rostros y la extracción de puntos de referencia, y el cálculo de la distancia euclidiana es computacionalmente económico, lo que permite que el flujo de trabajo escale a decenas de miles de sitios por día.
Posibles objeciones
Algunos equipos de seguridad argumentan que la verificación biométrica plantea problemas de privacidad, especialmente cuando implica almacenar imágenes de referencia de figuras públicas. El contraargumento es que el conjunto de referencias puede limitarse a fotos con licencia disponibles públicamente y nunca persistirse más allá del paso de comparación. El riesgo de que millones de usuarios sean engañados y pierdan sus fondos de inversión supera el modesto manejo de datos implicado.
Otra objeción es la carga de mantenimiento de mantener la biblioteca de referencias actualizada a medida que las celebridades cambian su apariencia. Las actualizaciones incrementales —añadir nuevos retratos a medida que aparecen en medios verificados— mitigan este problema sin requerir una reconstrucción completa.
Qué observar a continuación
La dependencia de la red de los servicios de enmascaramiento de tráfico significa que cualquier interrupción en esos servicios podría debilitar temporalmente la campaña, pero la técnica subyacente —la entrega de contenido dinámico combinada con deepfakes de alta calidad— probablemente reaparecerá en otras estafas. Los proveedores de seguridad deben vigilar patrones similares: contenido divergente basado en firmas de rastreadores, picos repentinos en dominios que apuntan al mismo bucket de alojamiento de video y el uso repetido de las mismas firmas de errores de geometría facial.
Para los desarrolladores, el siguiente paso es prototipar el pipeline de verificación en un pequeño subconjunto de dominios sospechosos y medir las tasas de falsos positivos. Compartir las firmas de detección entre organizaciones también puede reducir la duplicación de esfuerzos.
Conclusión: La estafa de deepfakes de 15,500 sitios ilustra que la escala, y no solo la sofisticación, es la nueva frontera del fraude. Al combinar el rastreo adaptativo con la verificación biométrica fotograma a fotograma, los equipos de seguridad pueden convertir un problema abrumador en una defensa automatizada y medible.