Clonación de voz y fraude corporativo: la defensa verificable para directores financieros tras el caso Arup
Hong Kong, enero de 2024. Un empleado de la sucursal local de Arup, la firma global de ingeniería con 18.000 personas en plantilla, recibe un correo sospechoso del director financiero con sede en Londres que solicita una operación confidencial. Para descartar un fraude, el empleado acepta una videoconferencia con el director de finanzas y otros cuatro colegas. Las voces, los rostros, incluso los gestos característicos de los altos directivos son perfectos. Sobre la base de esa reunión, el empleado autoriza quince transferencias por un total de 25,6 millones de dólares repartidas en cinco cuentas distintas. Todos los participantes de aquella llamada eran deepfakes, reconstruidos a partir de material público disponible en internet.
El caso Arup no es una anomalía. Es el primer incidente documentado de una nueva categoría de fraude corporativo que combina clonación de voz, deepfakes de vídeo en tiempo real e ingeniería social BEC (Business Email Compromise). Deloitte estima que la pérdida total del fraude asistido por inteligencia artificial podría alcanzar los 40.000 millones de dólares en 2027 solo en servicios financieros, con una tasa de crecimiento anual compuesto del 32%. Para directores financieros, tesoreros y responsables de seguridad, la pregunta ya no es “¿nos pasará a nosotros?”, sino “¿cuándo, y qué tendremos en la mano para probar lo que realmente ocurrió?”.
La respuesta no es otra herramienta de detección. Detectar falsificaciones es una carrera que los atacantes ganan por construcción. Hay que darle la vuelta al problema: certificar en origen la voz autorizada del director financiero y de cada directivo que pueda aprobar una transferencia, de modo que exista una línea base verificable contra la que medir cualquier petición sospechosa. Esa es la diferencia entre perseguir deepfakes y hacerlos irrelevantes.
Anatomía de un fraude de clonación de voz: de Arup al caso Crosetto
El caso Arup demostró que la videoconferencia, durante mucho tiempo tratada como un “paso de verificación” frente a un correo sospechoso, se ha convertido ella misma en un vector de ataque. La mecánica es sencilla y reproducible. Los atacantes recopilan material público (entrevistas, ponencias en conferencias, pódcast, vídeos de LinkedIn) del directivo que quieren suplantar. Con herramientas comerciales entrenan un modelo que reproduce la voz, la entonación y la cadencia del objetivo. Para el rostro en directo aplican face-swap sobre el streaming. Bastan unos minutos de material de origen para lograr un resultado convincente en una llamada, sobre todo teniendo en cuenta que el audio de una videoconferencia ya viene comprimido.
El patrón va mucho más allá de Hong Kong. En febrero de 2025, la Fiscalía de Milán abrió una investigación sobre una estafa de clonación de voz contra empresarios que utilizaba la voz clonada del ministro de Defensa Guido Crosetto: los defraudadores solicitaban transferencias “urgentes” para liberar a periodistas retenidos en el extranjero, simulando una garantía de reembolso gubernamental. Al menos un empresario transfirió cerca de un millón de euros a una cuenta extranjera. En 2026 el fenómeno se amplió, con una alerta oficial sobre deepfakes de vídeo y audio que suplantaban a altos cargos y figuras públicas de instituciones europeas. La suplantación de voz con IA ha dejado de ser un experimento de laboratorio para convertirse en una herramienta de fraude del CEO a escala industrial.
Los tres pasos centrales del ataque
Los ataques observados siguen un guion consistente:
- Reconocimiento: los atacantes mapean el organigrama en LinkedIn e identifican al director financiero, al tesorero y a la persona de administración que ejecuta las transferencias. Se recopilan muestras públicas de voz de los directivos.
- Pretexto: un primer correo desde una dirección casi idéntica a la real crea el contexto (una adquisición confidencial, un litigio, una operación regulatoria que exige máxima reserva).
- Suplantación en tiempo real: una videoconferencia o una llamada de voz cierra el círculo. El empleado, ya condicionado por el correo, reconoce voz y rostro y aprueba las transferencias.
Según el Global Cybersecurity Outlook 2024 del Foro Económico Mundial, más del 55% de las organizaciones considera la IA generativa un acelerador primario del fraude financiero. La superficie de ataque ya no es solo el buzón de correo: es cada canal de audio y vídeo que se utiliza para autorizar operaciones con efecto económico.
Por qué las herramientas de detección fallan con señales cortas
La mayoría de los CISO pide instintivamente una herramienta que marque los deepfakes. El mercado ofrece soluciones de detección forense, pero su tasa de error se dispara cuando la señal es corta, de calidad aceptable y ya comprimida por el códec de una videoconferencia. Una investigación de McAfee ha demostrado que tres segundos de audio bastan para producir un clon de voz con un 85% de precisión; diez segundos elevan esa cifra por encima del 95%. En el lado defensivo, las herramientas de detección alcanzan una precisión alta sobre todo en condiciones de laboratorio: en producción, sobre clips cortos y comprimidos, la precisión media medida por benchmarks independientes cae por debajo del 70%.
El problema estructural es asimétrico. Al atacante le basta con un resultado convincente durante unos pocos segundos: el tiempo de una llamada telefónica o de un audio enviado por WhatsApp. El defensor necesita marcar esos pocos segundos con la confianza suficiente para bloquear una transferencia legítima sin falsos positivos. Las dos curvas se cruzan a favor del atacante. Cada nuevo modelo generativo (ElevenLabs, Resemble, Tortoise, además de las bifurcaciones open source) empuja más lejos la frontera de la indistinguibilidad. La estafa por deepfake se abarata a la misma velocidad a la que mejora la calidad.
El ENISA Threat Landscape 2024 sitúa la clonación de voz y la manipulación de vídeo entre las amenazas con mayor tasa de crecimiento de los dos últimos años. La conclusión operativa es clara: la detección puede servir como segundo filtro, pero no puede ser el pilar de la defensa en operaciones con impacto económico relevante.
El límite cognitivo del factor humano
Incluso suponiendo herramientas de detección perfectas, queda un límite humano. El empleado de Arup vio y escuchó a personas que reconocía, dentro de una sensación de urgencia inducida artificialmente. Estudios experimentales publicados en Royal Society Open Science muestran que las personas, incluso tras un entrenamiento específico, reconocen las voces sintéticas con alrededor de un 73% de acierto en su lengua materna, y aún menos en idiomas extranjeros o canales de baja calidad. La función financiera no puede apoyarse en capacidades perceptivas que la tecnología ya ha superado.
La nueva superficie de ataque: BEC más clonación de voz más deepfakes de vídeo
Los fraudes documentados en 2025-2026 muestran la convergencia de tres vectores históricamente separados. El clásico Business Email Compromise (suplantación del CEO por correo para ordenar transferencias urgentes) ya era una partida de pérdidas relevante: el FBI Internet Crime Report 2023 registró 2.900 millones de dólares en pérdidas por BEC solo en Estados Unidos. La clonación de voz añade la capa de audio: una llamada de “confirmación” que tranquiliza. Los deepfakes de vídeo añaden la capa visual: una reunión con el rostro del directivo en pantalla.
El resultado es un ataque multicanal que neutraliza los controles heredados basados en la “segunda confirmación por un canal alternativo”. Si el correo es falso, la llamada de verificación es falsa y la reunión de aprobación por vídeo es falsa, la segunda confirmación no añade seguridad: la multiplica por cero.
Procedimientos de pago bajo presión
Las empresas con procesos de pago maduros suelen desplegar al menos tres controles: doble firma en las transferencias, umbral de aprobación jerárquica y llamada de retorno a un número conocido. Los tres fallan si la voz del canal alternativo está clonada. La banca europea está reforzando el onboarding biométrico, pero en el lado corporativo la mayoría de los tesoreros sigue operando con procedimientos redactados antes de 2023, cuando la clonación de voz de alta calidad requería horas de grabaciones y competencias técnicas fuera del alcance del cibercrimen de masas.
Qué dice la regulación: NIS2, DORA, AI Act y el marco español
El marco regulatorio europeo se movió más rápido de lo previsto, aunque de forma fragmentada. NIS2 (Directiva UE 2022/2555) impone a las entidades esenciales e importantes medidas de gestión del riesgo de ciberseguridad que cubren explícitamente la protección frente al fraude asistido por IA en las comunicaciones internas. Para el sector financiero, DORA (Reglamento UE 2022/2554), operativo desde enero de 2025, exige a bancos, aseguradoras e infraestructuras de mercado un marco de gestión del riesgo TIC con referencia explícita a los incidentes de suplantación y a las pruebas de resiliencia operativa.
El Reglamento de IA (Reglamento UE 2024/1689), en su artículo 50, impone obligaciones de transparencia para los contenidos generados artificialmente: quien difunde un deepfake debe etiquetarlo como tal, con excepciones limitadas. La norma no detiene el fraude (los delincuentes no respetan las obligaciones de divulgación), pero refuerza la posición probatoria de quien puede demostrar que un contenido es auténtico y trazable hasta su origen.
En España, el valor probatorio de una grabación de audio en un procedimiento civil se rige por la Ley 1/2000 de Enjuiciamiento Civil (LEC): el artículo 299.2 admite como medio de prueba los medios de reproducción de la palabra, el sonido y la imagen, y el artículo 384 regula los instrumentos que archivan o reproducen datos, que el tribunal valora “según las reglas de la sana crítica”. El artículo 326 disciplina la fuerza probatoria de los documentos privados y su impugnación. En el plano de la confianza digital, el Reglamento (UE) 910/2014 (eIDAS) establece los efectos jurídicos de la firma electrónica cualificada (art. 25), del sello electrónico cualificado (art. 35) y del sello de tiempo cualificado (arts. 41-42), completado en el ordenamiento español por la Ley 6/2020, de 11 de noviembre, de servicios electrónicos de confianza. Sobre este andamiaje se construye una prueba oponible: una grabación adquirida en origen, sellada con sello de tiempo cualificado y firma electrónica cualificada, llega ante el juez con una cadena de custodia trazable.
Los marcos internacionales completan el cuadro. La norma ISO/IEC 27001 para los sistemas de gestión de la seguridad de la información e ISO/IEC 27037 sobre el tratamiento de la evidencia digital ofrecen la referencia técnica para la adquisición forense. En Estados Unidos, las Federal Rules of Evidence (Rule 901, 902) regulan la autenticación de los registros digitales y aceptan como autoautenticables aquellos que cumplen requisitos específicos de procedencia y cadena de custodia, un criterio de derecho comparado útil para las operaciones transfronterizas.
Tabla: cómo la clonación de voz cambia cada norma
| Norma | Ámbito | Impacto en los procedimientos anti clonación de voz |
|---|---|---|
| NIS2 (Directiva UE 2022/2555) | Entidades esenciales e importantes | Medidas técnicas y organizativas frente al fraude asistido por IA en procesos críticos |
| DORA (Reglamento UE 2022/2554) | Sector financiero | Pruebas de resiliencia operativa que incluyen escenarios de suplantación |
| Reglamento de IA, art. 50 | Todos los sectores | Obligación de etiquetar el deepfake; refuerza la posición de quien prueba la autenticidad |
| eIDAS (UE 910/2014) + Ley 6/2020 | Confianza digital UE y España | Sello de tiempo y firma cualificados que sellan la voz certificada en origen |
| LEC arts. 299.2, 384, 326 (España) | Litigio civil español | Admisión de medios de reproducción, valoración según la sana crítica e impugnación |
¿Qué es la defensa verificable frente a la clonación de voz?
La defensa verificable es un procedimiento estructurado que combina dos elementos: la verificación fuera de banda de toda petición de pago por encima de un umbral y una línea base de voz certificada para los directivos autorizados. El primer elemento reduce la ventana de ataque. El segundo aporta una prueba objetiva, oponible ante los tribunales y en las reclamaciones al ciberseguro, contra la que se puede medir cada petición sospechosa.
La idea es sencilla: en lugar de perseguir deepfakes con herramientas de detección que siempre van por detrás, certifica en origen la voz autorizada. Cada directivo con poder de firma graba una muestra de voz estructurada (frases estándar, lectura de un texto fijo, comandos específicos para la autorización de transferencias). Esa muestra se adquiere con metodología forense, se sella con sello de tiempo cualificado y firma electrónica cualificada, y se conserva como línea base. Cuando llega una petición sospechosa, la comparación deja de ser subjetiva (“me pareció la voz del director financiero”): pasa a ser objetiva y documentada. TrueScreen es la Data Authenticity Platform que habilita esta línea base certificada y la integra en una cadena de custodia jurídicamente oponible.
Cómo funciona la línea base de voz certificada con TrueScreen
El proceso se desarrolla en tres pasos operativos:
- Adquisición forense de la muestra: el directivo graba la muestra de voz a través de la App de TrueScreen o del portal web, en un entorno controlado. La grabación captura los metadatos (dispositivo, geolocalización, marca temporal) y aplica una metodología forense que excluye cualquier alteración posterior a la captura.
- Certificación con sello cualificado: TrueScreen aplica al archivo de voz un sello de tiempo cualificado y una firma electrónica conformes con el Reglamento eIDAS, con un hash criptográfico SHA-256 que garantiza la integridad, y conserva la evidencia dentro de Digital Provenance con una cadena de custodia trazable. TrueScreen no es un prestador cualificado ni una autoridad de certificación: integra los sellos de un QTSP tercero mediante API.
- Uso operativo como línea base: ante una petición sospechosa, la empresa puede comparar el audio recibido con la muestra certificada. La línea base es oponible ante los tribunales y tiene valor probatorio para las reclamaciones de reembolso al ciberseguro.
La ventaja frente a la detección es clara: la línea base no pierde validez cuando se lanza un nuevo modelo generativo. Su fuerza no reside en reconocer lo falso, sino en identificar lo verdadero con certeza forense.
Ejemplo operativo: una transferencia de 800.000 euros
El director financiero solicita en una videollamada una transferencia urgente de 800.000 euros a un nuevo proveedor. El procedimiento de la empresa prescribe tres pasos: (a) llamada de retorno al número conocido del director financiero, grabada y comparada con la línea base de voz certificada en TrueScreen; (b) verificación del nuevo IBAN a través de una base de datos protegida de proveedores con doble firma del responsable de compras; (c) límite operativo de 250.000 euros por operación individual sobre cuentas nuevas, con escalado manual para importes superiores. Si la voz de la llamada de retorno no coincide con la línea base certificada, la petición se bloquea y se activa el procedimiento de respuesta a incidentes.
El valor en litigio y en el reembolso del seguro
Las pólizas de ciberseguro están introduciendo cláusulas de exclusión específicas para la ingeniería social y el fraude por deepfake: algunas excluyen el reembolso si la empresa no puede demostrar que aplicó controles razonables. Disponer de una línea base de voz certificada y de un procedimiento documentado de verificación fuera de banda refuerza la posición aseguradora. Ante los tribunales, la comparación entre el audio recibido y la muestra sellada con sello de tiempo cualificado constituye una prueba técnica documental que el juez valora según las reglas de la sana crítica (art. 384 LEC), como elemento objetivo y no como testimonio subjetivo. Para profundizar en la diferencia entre detección y certificación en origen, el análisis sobre los límites de la detección de deepfakes aborda el tema en detalle.
