Oszustwo głosem CEO: jak deepfake audio kradnie miliony firmom

Atakujący nie muszą już włamywać się do systemów bankowych. Wystarczy, że zdobędą nagranie głosu prezesu — z wywiadu, podcastu, spotkania online — i wygenerują z nim dowolne polecenie. W 2024 roku grupa cyberprzestępców użyła klonowanego głosu dyrektora finansowego firmy z Hong Kong, by zlecić przelew 25 milionów dolarów. Pracownik, który odebrał połączenie, nie miał powodów do podejrzeń: głos brzmiał identycznie, intonacja, tempo, akcent — wszystko pasowało.

To nie jest fikcja. To nowa rzeczywistość finansowa.

Jak to działa

Technologia klonowania głosu (voice cloning) opiera się na modelach generatywnych, które zaledwie kilkanaście sekund nagrania wystarczy, by stworzyć wiarygodną kopię. Narzędzia takie jak ElevenLabs, Resemble AI czy open-source’owe RVC (Retrieval-based Voice Conversion) są legalnie dostępne, a ich interfejsy nie wymagają wiedzy programistycznej. Atakujący ściąga próbkę głosu z sieci, wgrywa do modelu, wpisuje tekst do przeczytania i otrzymuje gotowy plik audio. Można go odtworzyć na żywo podczas rozmowy telefonicznej lub wysłać jako wiadomość głosową na WhatsAppie, Slacku, Teams.

Najczęstszy scenariusz to tzw. CEO fraud (oszustwo na prezesem) lub BEC — Business Email Compromise w wersji audio. Przestępca udaje się za szefa, pilnuje terminu, naciska na autorytet i pilność: „Musimy to zrobić teraz, konto kontrahenta zmieniło się wczoraj, przelew musi wyjść dzisiaj przed zamknięciem sesji”. Pracownik finansów, przyzwyczajony do posłuszeństwa i presji czasu, wykonuje polecenie bez weryfikacji drugą ścieżką.

Skala problemu

Według raportu FBI Internet Crime Complaint Center (IC3) za 2023 rok, straty wynikające z BEC wyniosły w USA ponad 2,9 miliarda dolarów. Choć IC3 nie rozdziela jeszcze ataków z użyciem deepfake audio od klasycznych BEC, eksperci bezpieczeństwa (m.in. z Trend Micro, Proofpoint) szacują, że udział AI w tych atakach rośnie wykładniczo. W Europie agencja ENISA w raporcie „Threat Landscape 2024” wskazuje na deepfake audio jako jeden z najszybciej rosnących wektorów ataku na sektory finansowe i administrację publiczną.

W Polsce policja i CSIRT NASK notują rosnącą liczbę zgłoszeń o próbach oszustwa „na przelew” z wykorzystaniem syntetycznego głosu. Oficjalne statystyki za 2024 rok nie są jeszcze opublikowane, ale dostępne dane z pierwszego półrocza wskazują na kilka dziesiątek zdarzeń miesięcznie w skali kraju — większość nie zostaje zgłoszona z wstydu lub strachu przed utratą wiarygodności.

Dlaczego tradycyjne zabezpieczenia zawodzą

Systemy antyfraudowe banków sprawdzają urządzenie, lokalizację, adres IP, wzorce behawioralne. Gdy pracownik sam zatwierdza przelew z własnego komputera, system widzi: znany użytkownik, znane urządzenie, poprawny kod SMS/autoryzacja w aplikacji. Nie ma tu anomaly. Atak nie celuje w infrastrukturę — celuje w człowieka.

Weryfikacja głosu (voice biometrics) używana w call centerach też nie jest skuteczna. Modele klonowania nadążają za detektorem: nowsze wersje generują mikro-zniekształcenia, dysfluencje, oddechy, które ludzkie ucho nie wyłapie, a systemy biometryczne traktują jako cechy naturalne. Badania zespołu z University of Chicago (2023) wykazały, że najnowsze modele omijają komercyjne systemy weryfikacji głosowej w ponad 80 % prób.

Jak się bronić — procedury, nie technologia

Jedyną skuteczną obroną są procedury weryfikacji dwukierunkowej, które nie polegają na kanale komunikacji, którym przyszło polecenie.

1. Zasada drugiego kanału — każde polecenie zmiany danych bankowych, pilnego przelewu, udostępnienia poufnych danych wymaga potwierdzenia innym medium: jeśli polecenie przyszło głosowo — dzwonisz na znany numer komórkowy; jeśli mailem — idziesz do biura lub dzwonisz.
2. Kodowe słowo / hasło jednorazowe — ustalone z góry między osobami uprawnionymi do autoryzacji przelewów. Nie zapisywane w systemach, nie przesyłane elektronicznie.
3. Limity i wieloosobowe akceptacje — przelewy powyżej progu (np. 50 tys. zł) wymagają akceptacji dwóch niezależnych osób, z których jedna nie podlega bezpośrednio drugiej.
4. Szkolenia z realistycznymi symulacjami — nie wykłady, a symulowane ataki: nagrane deepfake głosu szefa, wysyłane na prawdziwe numery pracowników. Tylko doświadczenie stresu i presji uczy rozpoznawania manipulacji.
5. Monitorowanie domen i certyfikatów — atakujący często rejestrują domeny podobne do firmowych (typosquatting) i ustawiają przechwytujące pocztę/VoIP. Narzędzia typu Certificate Transparency logs pozwalają wykryć nowe certyfikaty SSL dla podobnych domen w czasie rzeczywistym.

Aspekty prawne

W polskim prawie oszustwo z wykorzystaniem deepfake audio kwalifikuje się jako oszustwo (art. 286 Kodeksu karnego) — przestępstwo umyślne, grożące karą pozbawienia wolności od 6 miesięcy do 8 lat (a w przypadku znaczącej szkodzy lub działania w grupie zorganizowanej — do 10 lat). Użycie AI jako narzędzia nie zmienia kwalifikacji, ale może być okolicznością ciążącą (wysoki stopień raffinowania metody).

Kwestia odpowiedzialności dostawców narzędzi do klonowania głosu jest wciąż w toku. Unia Europejska w AI Act (rozporządzenie 2024/1689) klasyfikuje systemy do generowania deepfake jako wysokie ryzyko (załącznik III), co nakłada na dostawców obowiązki transparentności, watermarkingu i rejestracji. W Polsce Ministerstwo Cyfryzacji pracuje nad wykonawczymi przepisami krajowymi.

Przyszłość: real-time deepfake w wideo

Audio to dopiero początek. Narzędzia do generowania wideo w czasie rzeczywistym (np. HeyGen, Synthesia, a także open-source: LivePortrait, FaceFusion) pozwalają już na przeprowadzenie wideorozmowy z deepfake’em twarzy i głosu. W 2024 roku znany przypadek z Hongkongu (wspomniany na początku) dotyczył właśnie wideokonferencji — atakujący udawali kilku uczestników spotkania. Wersje mobilne tych narzędzi pojawiają się w sklepach z aplikacjami.

Dla firm oznacza to: weryfikacja tożsamości podczas wideorozmowy nie jest już pewna. Jedyna obrona to procedury organizacyjne, które zakładają, że każdy kanał komunikacji może zostać sfałszowany.

Podsumowanie

Deepfake audio to nie zagrożenie przyszłości — to narzędzie, które przestępcy używają tu i teraz. Technologia jest tania, dostępna i coraz lepsza. Firmy, które nie wdrożą procedur weryfikacji dwukierunkowej i nie przeszkolą pracowników na realistycznych symulacjach, tracą miliony. Nie chodzi o paranoję — chodzi o przyzwyczajenie do prostej zasady: żaden kanał komunikacji nie jest wiarygodny sam w sobie.

Oznaczenie treści AI

Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.