Масштаб угрозы

Согласно исследованию Surfshark, проанализировавшему тысячи инцидентов из баз AI Incident Database, Resemble AI и OECD, за период с 2020 по третий квартал 2026 года зафиксировано 2430 случаев использования дипфейков в 114 странах. Почти 90% из них пришлись на 2024–2026 годы: если в 2020 году насчитали всего 22 инцидента, то в 2025 году их число выросло до 970, а за девять месяцев 2026 года уже зафиксировано 809. Финансовые потери демонстрируют схожую динамику — 98% от 3,91 млрд долларов ущерба приходятся на последние три года. Лидером по статье расходов стали инвестиционные мошенничества (45% или 1,75 млрд долларов), где дипфейки известных лиц используются для продвижения фальшивых схем. На втором месте — банковский и финансовый фрод (29%, 1,14 млрд), связанный с клонированием голосов для подтверждения платежей и обхода идентификации. Корпоративное олицетворение руководителей отвечает за 14% потерь (545 млн долларов).

Резонансное дело в США

В начале ноября федеральные прокуроры Южного округа Нью-Йорка вскрыли обвинительное заключение против Якоба Соолла, Шэрон Хазан и Гая Шитрита. По версии следствия, с июля 2024 по февраль 2026 года группа использовала ИИ для подделки голосов и видео руководителей компаний, а также адвокатов крупных юридических фирм, чтобы подтвердить фиктивные сделки. Пострадавшими стали больничные системы в Миссури и Калифорнии, британская финтех-компания, фонд в Массачусетсе и производитель кормов для животных во Флориде. Только один банк Род-Айленда потерял около 2,68 млн долларов в ноябре 2024 года. Обвиняемым предъявлено по семь статей, включая банковское мошенничество, утяжеленное кражу личности и отмывание денег; FinCEN с ноября 2024 года распространяет предупреждение для финансовых институтов именно по этому вектору атаки.

Проблема детекции

Научный обзор в International Journal of Data Science and Analytics, охвативший 101 исследование 2021–2025 годов, показывает: лучшие модели детектируют дипфейки в лаборатории с точностью выше 95%, но на реальных данных качество падает из-за отсутствия кросс-датасетной обобщаемости. Детекторы, обученные на выходе одного генератора, слабо работают с контентом других моделей, а скорость эволюции генеративных систем опережает разметку новых датасетов.