Syntetyczne tożsamości: jak AI buduje fałszywe osoby na skalę przemysłową
W 2025 roku syntetyczne tożsamości przestały być marginesem cyberprzestępczości. Zorganizowane grupy łączą generowane przez AI zdjęcia i głosy z danymi z wycieków, tworząc profile, które z powodzeniem przechodzą weryfikację behawioralną przez półtora roku. Według analizy LexisNexis Risk Solutions z 2025 roku, straty z tytułu syntetycznych tożsamości osiągają od 20 do 40 miliardów dolarów rocznie — a liczba ta rośnie wraz z dostępnością narzędzi generatywnych.
Jak powstaje fałszywa osoba
Proces nie wymaga już zespołu techników. Centrum mojej analizy jest raport Adaptive Security z 2025 roku, wskazujący, że produkcja kompletnej syntetycznej tożsamości — zdjęcie typu selfie z dokumentem, metadane EXIF, profil w mediach społecznościowych, historia transakcji oraz głos do weryfikacji — zajmuje około 30 minut przy kosztach rzędu 20 dolarów. Systemy automatyczne dopasowują dane do wymagań konkretnych platform: banku, operatora telekomunikacyjnego czy dostawcy usług płatniczych.
Kluczowe jest połączenie dwóch warstw: syntetycznego obrazu z danymi z wycieku. Gdy model generuje twarz, która nie występuje w żadnej bazie biometrycznej, ale dołączone są do niej autentyczne numery ubezpieczenia społecznego, adresy kredytowe czy historia płatności z wcześniej skradzionego pliku — wynik jest znacznie trudniejszy do wykrycia niż czysto generowany profil.
Cykl życia i skutki finansowe
Według tej samej analizy, syntetyczne tożsamości projektowane są z myślą o cyklu 6–18 miesięcy. W tym czasie profile budują historię kredytową, zaciągają pożyczki, otwierają konta i przesyłają środki między różnych operatorów — zanim systemy wykryją anomalię. W jednym z udokumentowanych przypadków z Azji Południowo-Wschodniej grupa zbudowała ponad 400 aktywnych tożsamości, z których każda generowała średnio 15 tysięcy dolarów strat przed wykryciem.
Nie chodzi wyłącznie o straty finansowe. Raport wskazuje na powiązania z syntetycznymi fabrykami tożsamości, które zarządzają profilami za pośrednictwem agentów AI. Te systemy samodzielnie aktualizują dane, odpowiadają na weryfikacje i adaptują treści do zmian w polityce platform — co sprawia, że tradycyjne metody wykrywania oparte na statycznych regułach są niewystarczające.
Dlaczego wykrycie jest tak trudne
Ludzka ocena obrazu generowanego przez nowoczesne modele osiąga poziom zbliżony do przypadku losowego — jak wykazały badania z Uniwersytetu Florydy z 2026 roku. Uczestnicy poprawnie klasyfikowali statyczne głębokie fałszerstwa zaledwie w połowie przypadków, a dla materiałów wideo najwyższej jakości skuteczność spadała do około 25 procent. W przypadku syntetycznych tożsamości problem jest jeszcze głębszy, bo ocena opiera się nie tylko na obrazie, ale na całej historii interakcji z systemem.
W praktyce oznacza to, że instytucje muszą przejść od weryfikacji jednorazowej do ciągłego monitorowania zachowań. Nie chodzi o to, by rozpoznać fałsz w momencie rejestracji, ale o wykrycie anomalnych wzorców w czasie — zmian w lokalizacji, zmianie urządzeń, nietypowych godzinach aktywności — zanim strata stanie się nieodwracalna.
Wnioski
Syntetyczne tożsamości to już nie zagrożenie teoretyczne, ale element strukturalny zorganizowanej przestępczości. Połączenie generatywnej sztucznej inteligencji z danymi z wycieku daje przestępcom narzędzie, którego koszt spadł o rzędy wielkości w ciągu dwóch lat. Ochrona nie polega na lepszych algorytmach wykrywania pojedynczego obrazu, ale na zbudowaniu systemów, które traktują tożsamość jako proces dynamiczny, a nie statyczny rekord.
