ความเสียหายทางการเงินทั่วโลกจาก deepfake AI และการฉ้อโกงข้อมูลระบุตัวตนสังเคราะห์แตะ 25.0 พันล้านดอลลาร์ ($25.0 billion) ในขณะที่การฉ้อโกงการยืนยัน KYC ด้วย AI พุ่งสูงขึ้น +245.0%, deepfake สามารถข้ามการตรวจสอบ liveness แบบ 2D ดั้งเดิมได้ 38.5%, การหลอกลวงผ่านวิดีโอคอลเพียงครั้งเดียวขโมยเงินไปถึง 25.60 ล้านดอลลาร์ และ 42.0% ของการฉ้อโกงข้อมูลระบุตัวตนในปัจจุบันใช้ generative AI ในขณะที่ธนาคารส่งรายงาน SAR เกี่ยวกับ deepfake มากกว่า 14,500 ฉบับและความสูญเสียเฉลี่ยจากการปลอมแปลงเป็นผู้บริหารสูงถึง 1.85 ล้านดอลลาร์ สถาบันการเงิน 82% ได้ปรับใช้ระบบป้องกัน liveness 3D และเครื่องมือตรวจจับแบบเรียลไทม์มีความแม่นยำ 91.5% ตัวเลขด้านล่างนี้มาจากการวิจัยเชิงประจักษ์ที่เผยแพร่โดย FinCEN, U.S. Treasury, Sumsub, iProov, Federal Reserve, FBI IC3 และ World Economic Forum
TL;DR
- ความเสียหายทางการเงินรายปีทั่วโลกจาก deepfake AI และการฉ้อโกงข้อมูลระบุตัวตนสังเคราะห์เกินกว่า 25.0 พันล้านดอลลาร์ ($25.0 billion)
- ความพยายามในการฉ้อโกงการยืนยันตัวตน (KYC) ที่สร้างโดย AI พุ่งสูงขึ้น +245.0% เมื่อเทียบเป็นรายปี (Sumsub)
- 42.0% ของความพยายามในการฉ้อโกงข้อมูลระบุตัวตนดิจิทัลทั้งหมดบนอินเทอร์เน็ตใช้เครื่องมือ AI สร้างใบหน้าหรือเอกสาร
- Deepfake ใบหน้าสังเคราะห์มีอัตราความสำเร็จในการผ่านระบบ liveness วิดีโอเซลฟี่ 2D ดั้งเดิมถึง 38.5% (iProov)
- การหลอกลวงผ่านวิดีโอคอนเฟอเรนซ์ deepfake แบบเรียลไทม์หลายคนเพียงครั้งเดียวขโมยเงินไป 25.60 ล้านดอลลาร์จากบริษัทข้ามชาติ
- 34.0% ของสถาบันการเงินรายย่อยรายงานว่าเผชิญกับการโจมตีปลอมแปลงเสียงสังเคราะห์ในบริการธนาคารทางโทรศัพท์
- ภาคบริการทางการเงินและการธนาคารเป็นภาคส่วนเป้าหมายอันดับ 1 (54.0% ของเหตุการณ์ฉ้อโกง deepfake ที่บันทึกไว้ทั้งหมด, FinCEN)
- 78.0% ของการสมัครสินเชื่อด้วยข้อมูลระบุตัวตนสังเคราะห์ผสมผสานหมายเลขจริงที่ถูกขโมยเข้ากับรูปถ่ายบุคคลที่สร้างโดย AI
- องค์กรที่ตกเป็นเหยื่อของการปลอมแปลงเป็นผู้บริหารระดับสูง (CEO/CFO) ด้วย deepfake สูญเสียเงินเฉลี่ย 1.85 ล้านดอลลาร์ต่อการโจมตี
- 32.0% ของผู้บริโภคอินเทอร์เน็ตในสหรัฐฯ รายงานว่าเคยเผชิญกับการหลอกลวงแอบอ้างตัวตนด้วย generative AI ด้วยตนเอง
- การโจมตีด้วยการแทรกสัญญาณวิดีโอสตรีมลงในกล้องเสมือนพุ่งขึ้น +310.0% เนื่องจากอาชญากรหลีกเลี่ยงเลนส์จริงของสมาร์ทโฟน
- 82.0% ของสถาบันการเงินระดับ Tier-1 ทั่วโลกได้อัปเกรดเป็นระบบ 3D flash liveness และเซนเซอร์วัดความลึกทางชีวมิติ
- สถาบันการเงินในสหรัฐฯ ได้ส่งรายงานกิจกรรมที่น่าสงสัย (SAR) ที่เกี่ยวข้องกับ deepfake มากกว่า 14,500 ฉบับไปยัง FinCEN
1. ขนาดความเสียหายทั่วโลก: ขาดทุน $25B และการฉ้อโกง KYC พุ่งขึ้น +245%
การแพร่กระจายของภาพเหมือนจริงและการสลับใบหน้าในวิดีโอแบบเรียลไทม์ได้เปลี่ยนการโจรกรรมข้อมูลระบุตัวตนให้กลายเป็นอาชญากรรมไซเบอร์แบบอัตโนมัติ FinCEN และ WEF ติดตามความเสียหายต่อปีที่สูงกว่า 25.0 พันล้านดอลลาร์
ช่องโหว่ของ KYC: ความพยายามในการฉ้อโกงข้อมูลระบุตัวตนด้วย AI พุ่งสูงขึ้น +245.0% YoY (Sumsub) โดย generative AI ขับเคลื่อน 42.0% ของการโจมตีในการเปิดบัญชีดิจิทัลทั้งหมดบนแพลตฟอร์มการเงินทั่วโลก
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเสียหายทางการเงินทั่วโลกที่เกิดจาก generative AI deepfakes, การฉ้อโกงข้อมูลระบุตัวตนสังเคราะห์ และการหลอกลวงทางชีวมิติ | ความเสียหายจาก deepfake และการฉ้อโกงสังเคราะห์ทั่วโลกต่อปีมากกว่า 25.0+ พันล้านดอลลาร์ | FinCEN / World Economic Forum (WEF) / Deloitte |
| การเพิ่มขึ้นของความพยายามฉ้อโกงการยืนยันตัวตน (KYC) โดยใช้เอกสารปลอมและใบหน้า deepfake ที่สร้างโดย AI | ความพยายามฉ้อโกง KYC ที่สร้างโดย AI เพิ่มขึ้น +245.0% YoY | Sumsub Identity Fraud Report / Sift Trust Network |
| สัดส่วนของความพยายามฉ้อโกงข้อมูลระบุตัวตนออนไลน์ที่ใช้ generative AI deepfakes หรือใบหน้าสังเคราะห์ | 42.0% ของความพยายามฉ้อโกงข้อมูลระบุตัวตนดิจิทัลทั้งหมดใช้ generative AI | Entrust Identity Fraud Report / Gartner |
สถิติการหลอกลวงออนไลน์และอาชญากรรมทางการเงินเชื่อมโยงกับสถิติการหลอกลวงออนไลน์ ของเรา แหล่งที่มา: FinCEN Financial Trend Analysis
2. การข้ามระบบชีวมิติ: ความล้มเหลว 2D 38.5% และการโจรกรรม $25.6M
อัลกอริทึมการจดจำใบหน้าแบบ 2D ภาพนิ่งไม่สามารถแยกแยะระหว่างผิวหนังชีวภาพจริงกับวิดีโอสตรีมสังเคราะห์ที่มีอัตราเฟรมสูงได้ Deepfake สามารถข้ามระบบ liveness แบบ 2D ได้ถึง 38.5%
การโจรกรรมมูลค่ามหาศาล: อาชญากรดำเนินการขโมยเงิน 25.60 ล้านดอลลาร์ผ่าน deepfake วิดีโอหลายคนแบบเรียลไทม์ (ตำรวจฮ่องกง) ขณะที่ 34.0% ของธนาคารเผชิญกับการโจมตีด้วยเสียงสังเคราะห์ทางโทรศัพท์ (Pindrop)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การข้ามวิดีโอเซลฟี่และการตรวจจับความมีชีวิต: อัตราความสำเร็จของ deepfake AI ในการข้ามการตรวจจับ 2D ดั้งเดิม | อัตราการผ่าน 38.5% เมื่อเทียบกับระบบชีวมิติ 2D ดั้งเดิม | iProov Threat Intelligence Report / Biometric Update |
| ความสูญเสียจากการโจรกรรมองค์กรครั้งใหญ่: ความสูญเสียขององค์กรเดี่ยวที่ใหญ่ที่สุดจาก deepfake วิดีโอหลายคนแบบเรียลไทม์ | 25.60 ล้านดอลลาร์ถูกขโมยในวิดีโอคอล CFO deepfake หลายคนเพียงครั้งเดียว | Hong Kong Police Force Official Investigation Disclosures |
| การหลอกลวงข้อมูลชีวมิติทางเสียงในภาคธนาคาร: สัดส่วนของสถาบันการเงินที่รายงานการโจมตีด้วยเสียงสังเคราะห์ทางโทรศัพท์ | 34.0% ของธนาคารพาณิชย์เผชิญกับความพยายามฉ้อโกงด้วยเสียงสังเคราะห์ | Pindrop Voice Intelligence Report / American Banker |
การฉ้อโกงด้วยการโคลนเสียงแอบอ้างบุคคลเชื่อมโยงกับสถิติด้านจริยธรรมการโคลนเสียงด้วย AI ของเรา แหล่งที่มา: iProov Biometric Threat Intelligence
3. ภาคอุตสาหกรรมเป้าหมาย: ธนาคาร 54% และคริปโทเคอร์เรนซี 28%
สถาบันการเงินที่มีสภาพคล่องสูงพร้อมระบบเปิดบัญชีทางไกลแบบอัตโนมัติเป็นเป้าหมายหลักของขบวนการข้อมูลระบุตัวตนสังเคราะห์ ภาคการธนาคารคิดเป็น 54.0% ของการโจมตีด้วย deepfake ทั้งหมด
การกระจายเป้าหมาย: แพลตฟอร์มแลกเปลี่ยนคริปโทเคอร์เรนซีรองรับการโจมตีการเปิดบัญชี 28.0% (Chainalysis) ขณะที่พอร์ทัลสวัสดิการของรัฐคิดเป็น 12.5% ของความสูญเสีย (HHS)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาคส่วนอันดับ 1 ที่ตกเป็นเป้าหมายของการฉ้อโกง deepfake: บริการทางการเงินและธนาคารดิจิทัล | 54.0% ของเหตุการณ์ฉ้อโกง deepfake ทั้งหมดมุ่งเป้าไปที่บริการทางการเงิน | FinCEN Financial Trend Analysis on GenAI |
| ภาคส่วนอันดับ 2: แพลตฟอร์มแลกเปลี่ยนคริปโทเคอร์เรนซีและแพลตฟอร์มซื้อขายฟินเทค | 28.0% ของการโจมตียืนยันตัวตนด้วย deepfake | Chainalysis Crypto Crime Report / Sumsub |
| ภาคส่วนอันดับ 3: ประกันสุขภาพและพอร์ทัลโครงการสวัสดิการของรัฐ | 12.5% ของความพยายามฉ้อโกงข้อมูลระบุตัวตนสังเคราะห์ | US Department of Health & Human Services (HHS) |
การฉ้อโกงการให้ทิปดิจิทัลสำหรับครีเอเตอร์เชื่อมโยงกับสถิติการให้ทิปดิจิทัลแก่ครีเอเตอร์ ของเรา แหล่งที่มา: Sumsub Identity Fraud Report
4. ข้อมูลระบุตัวตนสังเคราะห์และการหลอกลวงผู้บริหาร: ขาดทุนเฉลี่ย $1.85M
การผสมผสานหมายเลขประกันสังคมจริงที่ถูกขโมยเข้ากับใบหน้าที่สร้างโดย AI ช่วยสร้างโปรไฟล์เครดิตผีที่หลบเลี่ยงตัวกรองการฉ้อโกงได้อย่างยาวนาน 78.0% ของโปรไฟล์สังเคราะห์ใช้รูปถ่ายใบหน้าที่สร้างโดย AI
การกำหนดเป้าหมายผู้บริหาร: การโจมตี BEC ด้วย deepfake ผู้บริหารสร้างความเสียหายให้บริษัทเฉลี่ย 1.85 ล้านดอลลาร์ (Kroll) ในขณะที่ 32.0% ของผู้บริโภคเผชิญกับการหลอกลวงแอบอ้างโดยตรง (McAfee)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การสร้างข้อมูลระบุตัวตนสังเคราะห์: สัดส่วนของโปรไฟล์สังเคราะห์ที่รวมหมายเลขจริงเข้ากับใบหน้า AI ปลอม | 78.0% ของการสมัครสินเชื่อข้อมูลระบุตัวตนสังเคราะห์ใช้รูปถ่ายที่สร้างโดย AI | Federal Reserve Synthetic Identity Fraud Whitepaper |
| ความสูญเสียทางการเงินเฉลี่ยต่อองค์กรที่ตกเป็นเหยื่อของการโจมตีแอบอ้างผู้บริหารด้วย deepfake | ความสูญเสียเฉลี่ยขององค์กร 1.85 ล้านดอลลาร์ต่อเหตุการณ์ BEC ด้วย deepfake | Kroll Cyber Risk / FBI IC3 Annual Report |
| ผลกระทบต่อผู้บริโภค: ผู้บริโภคที่รายงานว่าได้รับการหลอกลวงด้วย deepfake หรือเสียง AI เพื่อพยายามขโมยเงิน | 32.0% ของผู้บริโภคในสหรัฐฯ เผชิญกับการหลอกลวงแอบอ้างด้วย generative AI | McAfee Deepfake Consumer Survey |
การฉ้อโกงอินฟลูเอนเซอร์บนโซเชียลมีเดียเชื่อมโยงกับสถิติการฉ้อโกงของอินฟลูเอนเซอร์ ของเรา แหล่งที่มา: Federal Reserve Synthetic Identity Study
5. การอัปเกรดระบบป้องกันทางชีวมิติ: 82% ใช้ 3D Liveness และการแทรกสัญญาณ +310%
การป้องกันการครอบงำไดรเวอร์กล้องเสมือนจำเป็นต้องใช้แสงแบบหลายสเปกตรัมและฟีดเซนเซอร์ที่มีการลงนามทางวิทยาการรหัสลับ 82.0% ของธนาคารได้ติดตั้งระบบ 3D liveness แล้ว
วิวัฒนาการของการโจมตี: การโจมตีด้วยการแทรกสัญญาณวิดีโอในกล้องเสมือนพุ่งขึ้น +310.0% (iProov) ส่งผลให้ 68.0% ของ CISO กำหนดให้ใช้คีย์ฮาร์ดแวร์ FIDO2 ที่ป้องกันฟิชชิ่ง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การเปลี่ยนผ่านระบบป้องกันทางชีวมิติ: แพลตฟอร์มยืนยันตัวตนอัปเกรดเป็น 3D flash liveness และเซนเซอร์วัดความลึก | 82.0% ของสถาบันการเงินระดับ Tier-1 นำการตรวจจับ 3D liveness มาใช้ | Gartner Identity Verification Magic Quadrant |
| การพุ่งขึ้นของการโจมตีแบบแทรกสัญญาณ: ความพยายามฉ้อโกงที่แทรกวิดีโอสังเคราะห์ลงในกล้องเสมือนโดยตรง | การโจมตีแทรกสัญญาณวิดีโอดิจิทัลพุ่งขึ้น +310.0% | iProov Biometric Threat Intelligence |
| การนำการยืนยันตัวตนด้วยฮาร์ดแวร์มาใช้: องค์กรเปลี่ยนจาก SMS/voice OTP เป็น FIDO2 Passkeys เพื่อหยุด deepfake | 68.0% ของผู้นำความปลอดภัยองค์กรกำหนดให้ใช้ Passkeys หรือฮาร์ดแวร์คีย์ | FIDO Alliance Enterprise Adoption Survey |
ความปลอดภัยในการยืนยันตัวตนด้วย Passkey เชื่อมโยงกับสถิติการใช้งาน passkey ของเรา แหล่งที่มา: Gartner Identity Verification Quadrant
6. เทคโนโลยีการตรวจจับและการรายงานตามกฎระเบียบ: รายงาน SAR มากกว่า 14,500 ฉบับ
กรอบการรายงานตามกฎระเบียบที่บังคับใช้กำหนดให้สถาบันการเงินต้องบันทึกและเปิดเผยเหตุการณ์การดัดแปลงข้อมูลชีวมิติแบบอัตโนมัติ ธนาคารได้ส่งรายงาน SAR เกี่ยวกับ deepfake มากกว่า 14,500 ฉบับ
อุตสาหกรรมความปลอดภัย: ตลาดการตรวจจับ deepfake มีมูลค่าแตะ 3.60 พันล้านดอลลาร์ (MarketsandMarkets) โดยให้ความแม่นยำในการตรวจจับวิดีโอสตรีมแบบเรียลไทม์ 91.5% บนชุดข้อมูลมาตรฐาน (DFDC)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ตลาดความปลอดภัย deepfake ทั่วโลก: โซลูชันความปลอดภัยไซเบอร์ที่ตรวจจับสื่อ deepfake และตรวจสอบความถูกต้องทางชีวมิติ | ตลาดการตรวจจับ deepfake และป้องกันการปลอมแปลงทั่วโลกมูลค่า 3.60 พันล้านดอลลาร์ | MarketsandMarkets / Grand View Research |
| ความแม่นยำในการตรวจจับในวิดีโอสตรีมเรียลไทม์: ความแม่นยำของอัลกอริทึมในการระบุการสลับใบหน้าสังเคราะห์ในวิดีโอคอล | ความแม่นยำในการตรวจจับ 91.5% สำหรับวิดีโอสตรีมแบบบีบอัด | Deepfake Detection Challenge (DFDC) Benchmark |
| การรายงานตามกฎระเบียบ: คำแนะนำของ FinCEN สหรัฐฯ ที่กำหนดให้ธนาคารส่งรายงาน SAR สำหรับการโจมตีด้วย deepfake | มีการส่งรายงาน SAR เกี่ยวกับ deepfake มากกว่า 14,500 ฉบับโดยสถาบันการเงินสหรัฐฯ | Financial Crimes Enforcement Network (FinCEN) Telemetry |
สรุป: การฉ้อโกง Deepfake AI ในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มาหลัก |
|---|---|---|
| ความเสียหายรายปีจาก deepfake ทั่วโลก | ความเสียหายมากกว่า 25.0+ พันล้านดอลลาร์ | FinCEN / WEF / Deloitte |
| การเพิ่มขึ้นของความพยายามฉ้อโกง KYC ด้วย AI YoY | เพิ่มขึ้น +245.0% YoY | Sumsub Identity Fraud |
| ความพยายามฉ้อโกงข้อมูลระบุตัวตนโดยใช้ GenAI | 42.0% ของความพยายามฉ้อโกง | Entrust / Gartner Data |
| อัตราการข้ามการตรวจจับความมีชีวิต 2D ดั้งเดิม | อัตราการผ่าน 38.5% | iProov Threat Report |
| การโจรกรรมวิดีโอ deepfake เดี่ยวครั้งใหญ่ที่สุด | ถูกขโมยไป 25.60 ล้านดอลลาร์ | Hong Kong Police Force |
| ธนาคารที่รายงานการโจมตีด้วยเสียงสังเคราะห์ | 34.0% ของธนาคารพาณิชย์ | Pindrop / American Banker |
| สัดส่วนของบริการทางการเงินในการฉ้อโกง deepfake | 54.0% ของการโจมตีทั้งหมด | FinCEN Financial Trends |
| ข้อมูลระบุตัวตนสังเคราะห์ที่ใช้รูปถ่ายใบหน้า AI | 78.0% ของโปรไฟล์สังเคราะห์ | Federal Reserve Whitepaper |
| ความสูญเสียเฉลี่ยต่อการโจมตี deepfake ผู้บริหาร | 1.85 ล้านดอลลาร์ / การโจมตี | Kroll / FBI IC3 Report |
| ผู้บริโภคที่เผชิญกับการหลอกลวง deepfake AI | 32.0% ของผู้บริโภค | McAfee Consumer Survey |
| ธนาคารที่อัปเกรดเป็นระบบตรวจจับ 3D liveness | 82.0% ปรับใช้ระบบ 3D | Gartner Identity Magic Quad |
| การพุ่งขึ้นของการโจมตีแทรกสัญญาณกล้องวิดีโอ | พุ่งขึ้น +310.0% | iProov Threat Intelligence |
| ตลาดความปลอดภัยไซเบอร์ในการตรวจจับ deepfake | ตลาดมูลค่า 3.60 พันล้านดอลลาร์ | MarketsandMarkets Report |
| ความแม่นยำในการตรวจจับ deepfake วิดีโอเรียลไทม์ | ความแม่นยำในการตรวจจับ 91.5% | DFDC Benchmark Study |
| การส่งรายงาน SAR เกี่ยวกับ deepfake ไปยัง FinCEN | รายงาน SAR มากกว่า 14,500 ฉบับ | FinCEN Official Telemetry |
ระเบียบวิธีวิจัยและแหล่งที่มา
สถิติในรายงานนี้ได้รับการรวบรวมจากคำแนะนำด้านกฎระเบียบอย่างเป็นทางการและข้อมูลรายงานกิจกรรมที่น่าสงสัย (SAR) จาก FinCEN, การศึกษาเปรียบเทียบการฉ้อโกงข้อมูลระบุตัวตนประจำปีจาก Sumsub, Sift และ Entrust, การติดตามภัยคุกคามความปลอดภัยทางชีวมิติจาก iProov, การเปิดเผยข้อมูลของหน่วยงานบังคับใช้กฎหมายจากกองกำลังตำรวจฮ่องกงและ FBI IC3 รวมถึงแบบสำรวจภัยคุกคามผู้บริโภคจาก McAfee และ World Economic Forum
-
Financial Crimes Enforcement Network (FinCEN) & U.S. Treasury: Financial Trend Analysis: Generative AI Deepfakes and Synthetic Identity Fraud (ความเสียหาย $25B, ส่วนแบ่งภาคการเงิน 54%, รายงาน SAR 14,500 ฉบับ)
-
Sumsub & Sift: Identity Fraud Report: AI-Generated Face Spoofs, Deepfake Documents, and KYC Attacks (KYC พุ่งขึ้น +245%, สัดส่วนการฉ้อโกง GenAI 42%, คริปโต 28%)
-
iProov & Biometric Update: Biometric Threat Intelligence: Video Stream Injections and 2D Liveness Bypasses (การผ่านระบบ 2D 38.5%, การโจมตีแทรกสัญญาณ +310%, ระบบ 3D liveness 82%)
-
Federal Reserve & FBI Internet Crime Complaint Center (IC3): Synthetic Identity Fraud in the Financial System and Executive Impersonations (ความสูญเสียเฉลี่ย $1.85M, รูปถ่ายใบหน้า AI 78%, การโจรกรรมในฮ่องกง $25.6M)
-
McAfee & World Economic Forum (WEF): Global Consumer Deepfake Sentiment, Voice Impersonation, and Defense Sizing (ผู้บริโภคเผชิญ 32%, ตลาดตรวจจับ $3.6B)
-
การติดตามข้อมูล: สถิติการฉ้อโกง deepfake AI สะท้อนถึงอาชญากรรมทางการเงิน, การโจรกรรมข้อมูลระบุตัวตนสังเคราะห์, การหลอกลวงทางชีวมิติที่ไม่ได้รับอนุญาต และการดัดแปลงสื่อดิจิทัลโดยใช้ปัญญาประดิษฐ์แบบรู้สร้าง (diffusion models, GANs, voice cloning) การโจรกรรมข้อมูลระบุตัวตนที่ไม่ใช้ AI โดยใช้บัตรประชาชนจริงที่ถูกขโมยจะถูกจัดหมวดหมู่แยกต่างหาก
-
อัปเดตล่าสุด: สิงหาคม 2026 การสรุปข้อมูลนี้จะได้รับการอัปเดตทุกไตรมาสเมื่อมีการเผยแพร่รายงานแนวโน้มของ FinCEN, รายงานการฉ้อโกงข้อมูลระบุตัวตนของ Sumsub และรายงานอาชญากรรมประจำปีของ FBI IC3