Em janeiro de 2025, a Serasa Experian registrou 1,24 milhão de tentativas de fraude no Brasil — o maior número desde o início da série histórica do indicador. No mesmo período, a Polícia Federal concluía a Operação Face Off: criminosos haviam usado deepfakes de alto nível para vencer sistemas de prova de vida em plataformas governamentais, acessar benefícios e contratar empréstimos consignados pelo aplicativo Meu INSS. A Operação DeGenerative AI, da Polícia Civil do DF, identificou pelo menos 550 tentativas de abertura fraudulenta de contas em bancos digitais com movimentação estimada em R$ 110 milhões — todas usando deepfakes.
Essas situações deixam claro que apenas o uso de biometria facial sem prova de vida robusta não é suficiente. A pergunta que as instituições financeiras precisam responder é como garantir que a pessoa diante da câmera é real, está presente naquele momento e é quem diz ser.
A resposta que a tecnologia encontrou para essa pergunta é o liveness detection — ou prova de vida digital. E entender como ela funciona, quais são seus limites e como está evoluindo é essencial para qualquer empresa que depende de verificação de identidade em canais digitais.
O que é liveness detection?
Liveness detection, ou detecção de vivacidade, é a tecnologia que verifica se a face capturada por uma câmera pertence a uma pessoa real e presente no momento da captura e não a uma representação estática ou sintética, como uma fotografia, um vídeo reproduzido em tela, uma máscara ou um deepfake gerado por IA.
O conceito surgiu como resposta direta aos primeiros ataques de spoofing que tentavam enganar sistemas de reconhecimento facial usando fotos impressas de usuários legítimos. Com o tempo, as técnicas de ataque evoluíram, e a prova de vida precisou evoluir junto.
No vocabulário técnico internacional, o termo utilizado é liveness detection ou liveness check. No Brasil, o equivalente mais buscado é prova de vida, expressão consagrada especialmente no contexto do INSS, onde aposentados e pensionistas precisam confirmar periodicamente que estão vivos para continuar recebendo benefícios. Mas o conceito é o mesmo: confirmar presença real, não apenas identidade.
Como o liveness detection funciona?
O liveness detection analisa a captura biométrica em busca de características que são exclusivas de uma pessoa real presente no momento e que imagens estáticas, vídeos pré-gravados ou conteúdos sintéticos não conseguem replicar com fidelidade suficiente.
Dependendo da abordagem, o sistema pode analisar:
- Textura e microtextura da pele: padrões de superfície que câmeras capturam de forma diferente em rostos reais versus impressões ou telas
- Reflexos de luz: a forma como a luz interage com uma superfície tridimensional viva é diferente da interação com uma foto plana ou uma tela
- Profundidade e volume: sistemas 3D mapeiam a estrutura tridimensional do rosto, impossível de replicar com uma imagem bidimensional
- Microexpressões e movimentos involuntários: piscadas, microtremores, variações de expressão que ocorrem naturalmente mas são difíceis de simular
- Fluxo sanguíneo: algumas tecnologias avançadas detectam variações de cor na pele associadas ao batimento cardíaco
O resultado é uma decisão binária (pessoa real ou representação) acompanhada de um score de confiança que indica o grau de certeza da análise.
Liveness detection ativo e passivo
Liveness detection passivo não exige nenhuma ação do usuário. A análise acontece em uma única captura, examinando microtexturas, padrões de iluminação, reflexos e outros sinais que indicam presença real de forma invisível para quem está sendo verificado.
Há uma vantagem específica aqui: como o sistema não anuncia o que está avaliando, o fraudador não sabe qual sinal precisa reproduzir. No liveness ativo, a instrução na tela entrega exatamente isso — “pisque agora” informa ao atacante o que a IA generativa dele precisa simular. A análise passiva não oferece essa pista.
A experiência do usuário também é melhor: sem instruções para seguir, sem frustrações por gestos não reconhecidos. Um único olhar para a câmera é suficiente, o que reduz o abandono em fluxos de onboarding.
O que essa distinção não determina é o nível de segurança da solução. Um sistema passivo mal implementado é pior que um ativo certificado, e o contrário também é verdade. A robustez de uma prova de vida se mede por outros dois fatores — o nível de certificação contra ataques de apresentação e a proteção do canal de captura — e é isso que a seção de critérios adiante detalha.
Tipos de prova de vida
O mercado oferece diferentes modalidades de liveness detection, com níveis variáveis de segurança e adequação a diferentes contextos:
- Prova de vida passiva 2D: analisa a imagem capturada em busca de sinais de presença real sem exigir ação do usuário. Funciona com câmeras convencionais. Pode ser vulnerável a ataques sofisticados com deepfakes de alta qualidade se não estiver combinada com outras camadas de análise.
- Prova de vida passiva 3D: reconstrói a estrutura tridimensional do rosto para verificar que existe volume real diante da câmera. Ao contrário do que se costuma supor, isso não exige hardware especializado: as soluções em produção no Brasil inferem profundidade a partir de variações sutis entre frames de uma câmera frontal comum, o que torna a modalidade viável mesmo em aparelhos intermediários. Sensores dedicados de profundidade, quando disponíveis, aumentam a precisão, mas não são pré-requisito. É significativamente mais resistente a ataques com fotos e vídeos planos, porque uma imagem bidimensional não contém as informações de profundidade necessárias para a verificação.
- Prova de vida ativa: solicita ações específicas ao usuário. Funciona com câmeras comuns e adiciona uma verificação comportamental, mas o desafio exibido na tela informa ao atacante qual sinal precisa ser reproduzido — e ferramentas de IA generativa em tempo real conseguem reproduzir gestos simples. A eficácia depende de imprevisibilidade no desenho do desafio e de execução protegida.
- Prova de vida híbrida: combina análise passiva com solicitações ocasionais de ações, balanceando segurança e experiência. Adequada para contextos em que a segurança precisa ser alta mas o hardware disponível é limitado.
Ameaças no cenário atual
Foto da foto (print attack)
Esse é o ataque mais básico que consiste em apresentar à câmera uma fotografia impressa ou exibida em tela do usuário legítimo. É o vetor mais antigo e o que os primeiros sistemas de liveness detection foram desenhados para bloquear.
Replay attack (vídeo reproduzido)
Consiste em apresentar à câmera um vídeo gravado do usuário legítimo. Sistemas de liveness ativo sem análise de profundidade são vulneráveis se o vídeo for reproduzido com qualidade suficiente.
Máscara 3D
Uso de máscaras tridimensionais impressas que replicam a geometria do rosto do usuário. Exige acesso a dados biométricos do alvo e equipamento especializado, mas sistemas sem análise de textura e fluxo sanguíneo podem ser enganados.
Deepfake de vídeo
Geração de vídeo sintético que simula o rosto do usuário legítimo, incluindo movimentos solicitados pelo liveness ativo.
Injection attack
O ataque mais sofisticado desta lista. Em vez de apresentar conteúdo falso diante da câmera real, o fraudador substitui o próprio feed da câmera, injetando um fluxo de vídeo sintético direto no aplicativo por meio de câmeras virtuais, emuladores ou manipulação da API de captura.
A efetividade desse ataque está no fato de que ele acontece antes de qualquer análise biométrica. Se o deepfake injetado tiver qualidade suficiente, mesmo um sistema passivo examinando microtextura naquele frame sintético pode ser enganado, assim como um sistema ativo, porque ambos estão analisando um input que já chegou comprometido.
Como avaliar uma solução de prova de vida
A maior parte das conversas com fornecedores gira em torno de demonstração e taxa de aprovação. Mas existem outras perguntas que devem ser feitas nesse processo também. Por exemplo, se a solução é testada contra a ISO/IEC 30107-3, a norma internacional que define como se mede a capacidade de um sistema de detectar ataques de apresentação — o que o mercado chama de PAD, ou Presentation Attack Detection.
Também é importante saber qual nível iBeta da solução. O iBeta é o laboratório independente que conduz o teste. Os níveis indicam a sofisticação dos artefatos usados no ataque:
- Nível 1: artefatos de baixo custo (fotos impressas, imagens em tela, vídeos reproduzidos, máscaras de papel)
- Nível 2: artefatos caros e elaborados (máscaras de silicone, réplicas tridimensionais, materiais que imitam textura de pele)
- Nível 3: nível mais recente e ainda raro no mercado, com bateria de ataques significativamente mais ampla
Além disso, busque saber quais são as taxas de erro, e não só a de aprovação. Aqui, entram o percentual de ataques que o sistema aceitou como legítimos e o percentual de usuários legítimos que o sistema rejeitou.
Onde usar liveness detection
Onboarding digital em serviços financeiros
É o caso de uso mais necessário no Brasil. A abertura de conta, a contratação de crédito e a formalização de produtos financeiros por canais digitais exigem verificação de identidade robusta e o liveness detection é a camada que garante que quem está se cadastrando é quem diz ser. A regulação do BACEN cobra eficácia de controle, não uma tecnologia específica. O que a instituição precisa conseguir demonstrar é que seus procedimentos de verificação de identidade funcionam diante das ameaças reais do momento — e, em 2026, isso inclui deepfakes. O liveness detection, com evidência registrada de que a verificação ocorreu e com qual resultado, é o que transforma essa exigência em algo auditável.
Formalização de contratos por videoatendimento
Em operações assistidas por videochamada, como crédito consignado, o liveness detection garante que a pessoa presente na chamada é o contratante real. A operação Face Off demonstrou precisamente que, sem essa camada, sistemas de verificação podem ser enganados por deepfakes sofisticados.
Autenticação em plataformas digitais
Para login em aplicativos financeiros, acesso a dados sensíveis ou autorização de transações de alto valor, o liveness detection adiciona uma camada de segurança que vai além de senha e token.
Validação de identidade em seguros
Na contratação de apólices e no registro de sinistros, a prova de vida associada à biometria garante que o processo foi conduzido com a pessoa correta.
Provas de vida periódicas
No modelo do INSS e em qualquer contexto onde seja necessário confirmar periodicamente que uma pessoa continua viva e apta a receber benefícios ou exercer direitos, o liveness detection automatiza e robustece o processo.
Benefícios do liveness detection para prevenção de fraudes
Bloqueio na origem
A prova de vida impede que fraudadores usem dados vazados ou identidades roubadas para completar verificações biométricas. O fraudador pode ter o CPF, o nome e até uma foto da vítima, mas não consegue replicar a presença física real no momento da captura.
Redução de perdas financeiras diretas
Cada conta aberta com identidade falsa, cada contrato consignado contratado sem o consentimento do titular, cada sinistro forjado representa uma perda direta. O liveness detection é a barreira que impede essas operações de serem aprovadas.
Conformidade regulatória
Para instituições financeiras sujeitas às normas do BACEN, a validação biométrica robusta é requisito legal em operações de crédito digital. O liveness detection é parte da infraestrutura necessária para demonstrar conformidade.
Evidência auditável
Em operações onde a prova de vida é registrada com timestamp e associada à trilha de auditoria da interação, a instituição tem documentação para responder a contestações: a verificação aconteceu, naquele momento, com aquela pessoa.
Experiência de usuário sem atrito
Sistemas de liveness passivo verificam a presença real sem exigir nenhuma ação do usuário, tornando o processo transparente e eliminando fricção que aumenta o abandono de fluxos de onboarding.
Tendências para o futuro do liveness detection
Liveness contínuo durante a interação
Em vez de uma verificação pontual no início do processo, sistemas mais avançados monitoram a presença real ao longo de toda a interação, detectando substituições de pessoa no meio de uma videochamada ou variações que indicam manipulação do feed de câmera.
Análise multimodal
A combinação de liveness facial com análise de voz, comportamento de digitação e padrões de movimento do dispositivo cria uma camada de verificação que exige a replicação simultânea de múltiplos sinais, tornando os ataques exponencialmente mais difíceis.
IA treinada especificamente contra deepfakes
Os sistemas mais eficazes de 2026 em diante além de analisar características de presença real, são treinados especificamente para detectar os artefatos visuais e comportamentais dos principais modelos de IA generativa usados para criar deepfakes. É uma corrida armamentista tecnológica, e os sistemas que atualizam seus modelos continuamente levam vantagem.
Processamento on-device para privacidade
O processamento do liveness no próprio dispositivo do usuário, sem envio de dados biométricos para servidores externos, reduz a superfície de exposição de dados sensíveis, o que é relevante especialmente no contexto da LGPD.
Como a Nuvidio utiliza liveness detection para prevenir fraudes
A Nuvidio integra liveness detection como camada central de verificação em suas soluções, como parte de um processo que combina verificação biométrica, análise de comportamento em tempo real e geração de evidência jurídica.
No VideoAgreement, o liveness detection faz parte do fluxo autônomo de formalização: antes de qualquer declaração ser registrada, a plataforma confirma a presença real do usuário. O resultado é combinado com biometria facial e análise de comportamento para gerar o score de confiança ao final da interação.
A verificação de vivacidade é registrada como parte da trilha de auditoria, ou seja, ela fica documentada para caso precise ser conferida no futuro. Quando uma operação é contestada, a instituição tem o registro de que a prova de vida foi realizada, com qual resultado e em qual momento.
Conclusão
O cenário de ameaças em 2026 é claro: deepfakes em tempo real e injection attacks tornam sistemas de verificação sem prova de vida robusta progressivamente insuficientes. As operações da Polícia Federal e da Polícia Civil do DF mostraram que esse é um vetor ativo de fraude em escala, inclusive contra plataformas governamentais.
Para instituições financeiras, não há mais tempo para continuar operando sem um sistema robusto de verificação: prova de vida certificada contra ataques de apresentação, proteção do canal de captura contra injeção e integração com trilha de auditoria. As três camadas, e não uma delas.
Se você quer entender como a Nuvidio aplica liveness detection nas operações de videoatendimento e formalização digital, fale com nossa equipe.
Conheça também as soluções da Nuvidio:
- VideoCall: Combine atendimento humano, validações de autenticidade, registros auditáveis e maior segurança jurídica em uma única solução.
- VideoAgreement: Conduza o cliente em uma jornada autônoma com IA para confirmar decisões, registrar consentimentos e formalizar contratações com mais clareza, segurança e rastreabilidade.
- Auditor.IA: Analise interações por voz e vídeo, sinalize riscos de conformidade com mais agilidade e direcione sua equipe para as análises que realmente precisam de atenção.