Hubo un tiempo en el que podíamos creer todo lo que veíamos y oíamos. Esos días han quedado atrás. La inteligencia artificial generativa ha democratizado la creación de audios y vídeos falsos hasta el punto de que generar un clip manipulado es tan sencillo como pulsar un par de botones. Para las empresas, esta realidad se ha convertido en una amenaza financiera de primer orden: los deepfakes de voz están facilitando estafas millonarias que aprovechan la confianza depositada en las comunicaciones telefónicas y los procesos de verificación de identidad. En 2025, el gobierno británico reportó que se compartieron hasta ocho millones de clips sintéticos, una cifra que se disparó desde los 500.000 registrados en 2023, y que probablemente sea solo la punta del iceberg.
El auge de la clonación de voz: de la promesa tecnológica a la pesadilla corporativa
La tecnología de clonación de voz ha avanzado a un ritmo vertiginoso. Lo que hace unos años requería estudios de grabación y horas de procesamiento ahora está al alcance de cualquiera con una grabación de unos pocos segundos. Los delincuentes han encontrado en esta herramienta un filón: pueden suplantar a directivos, proveedores o incluso empleados para autorizar transferencias bancarias, restablecer contraseñas o modificar datos de facturación. El caso más emblemático ocurrió en 2020, cuando un empleado de una empresa en los Emiratos Árabes Unidos fue engañado por una llamada que imitaba la voz de su director y ordenó una transferencia de 35 millones de dólares para una supuesta fusión. Seis años después, la tecnología es mucho más barata, accesible y convincente.
El experimento realizado por Jake Moore, asesor global de seguridad de ESET, demostró lo sencillo que resulta lanzar un ataque de audio deepfake contra cualquier organización. Basta con un breve clip de la víctima a suplantar —extraído de una entrevista, una conferencia o un vídeo en redes sociales— y la inteligencia artificial generativa hace el resto. El ataque típico sigue una secuencia bien definida: el delincuente selecciona a la persona a imitar (un CEO, un CFO o un proveedor de confianza), localiza una muestra de audio en Internet, identifica al objetivo dentro de la empresa (personal de TI, finanzas o administración) y, finalmente, realiza la llamada usando la voz sintetizada. Algunas herramientas avanzadas permiten incluso la conversión voz a voz en tiempo real, donde el atacante habla y su voz se transforma instantáneamente en la de la víctima, con pausas, titubeos y ruido ambiente que aumentan el realismo.
Cómo funciona un ataque deepfake de voz: el manual del estafador
Para comprender la magnitud del problema, es necesario desglosar el proceso que siguen los atacantes. No se trata de una hazaña técnica reservada a laboratorios de inteligencia artificial, sino de un procedimiento que cualquier delincuente con recursos mínimos puede replicar. El primer paso es la selección del objetivo a suplantar. Los perfiles ideales son aquellos con acceso a información sensible o capacidad de autorizar pagos: directores ejecutivos, directores financieros, responsables de compras o incluso abogados externos. Cuanto más pública sea su actividad, más fácil resulta encontrar grabaciones de su voz en entrevistas, podcasts, llamadas con inversores o vídeos corporativos.
El segundo paso es la obtención de la muestra de audio. Con apenas unos segundos de voz clara, las herramientas de clonación actuales pueden generar un modelo sintético que reproduce el timbre, el ritmo, la entonación y los patrones de habla característicos. Plataformas comerciales y de código abierto ofrecen esta funcionalidad por unos pocos euros o incluso de forma gratuita. El tercer paso es la identificación del objetivo dentro de la empresa: el empleado que recibirá la llamada. Los atacantes suelen rastrear LinkedIn y otras redes profesionales para localizar a personal de help desk, contabilidad o finanzas, y estudiar sus responsabilidades y relaciones jerárquicas.
El cuarto paso es la preparación del gancho. A veces el atacante envía un correo electrónico previo simulando ser el CEO para solicitar una transferencia urgente o un cambio de contraseña, y luego refuerza la petición con una llamada telefónica. Otras veces la llamada es directa, aprovechando la autoridad del cargo suplantado para generar presión. El quinto y último paso es la ejecución de la llamada. El delincuente utiliza el modelo de voz generado y, dependiendo de la sofisticación de la herramienta, puede leer un guion preescrito o conversar en tiempo real mientras su propia voz se transforma. La combinación de urgencia, confidencialidad y autoridad es letal: pocos empleados se atreverían a cuestionar una orden directa del CEO, especialmente si se les pide que mantengan el asunto en secreto.
¿Por qué es tan difícil detectar un deepfake de voz en una llamada telefónica?
La respuesta está en la calidad creciente de los modelos generativos y en las limitaciones del canal telefónico. Las llamadas de voz comprimen el audio, eliminan frecuencias y reducen la calidad general, lo que enmascara muchas de las imperfecciones que delatarían a un clon sintético en una grabación de alta fidelidad. Los atacantes más sofisticados introducen además ruido de fondo, pausas, respiraciones y pequeños titubeos artificiales para imitar el habla natural. Herramientas recientes son capaces de aprender los patrones únicos de cada persona —sus muletillas, su velocidad al hablar, sus pausas características— y reproducirlos con una fidelidad asombrosa. Cuando el oyente está bajo presión y espera escuchar la voz de su jefe, el sesgo de confirmación hace el resto.
Sin embargo, existen señales que pueden alertar a un oyente atento. Un ritmo de habla antinatural, un tono emocional excesivamente plano, la ausencia de respiración entre frases, pausas mecánicas o un sonido robótico en herramientas menos avanzadas son indicios de que la voz puede ser sintética. También es sospechosa la ausencia total de ruido ambiente o, por el contrario, un ruido de fondo demasiado uniforme y repetitivo. Pero estos signos son sutiles y, en una conversación estresante, fáciles de pasar por alto.
El costo real de los deepfakes: más allá de los 35 millones de dólares
El caso de los Emiratos Árabes Unidos en 2020 no es un hecho aislado. Desde entonces se han multiplicado los incidentes documentados, aunque la mayoría no trasciende por vergüenza corporativa o por acuerdo de confidencialidad. Las estimaciones del gobierno británico indican que en 2025 se compartieron ocho millones de clips sintéticos, una cifra que incluye desde vídeos políticos falsos hasta estafas empresariales. El salto desde los 500.000 de 2023 representa un crecimiento del 1.500% en solo dos años, y la tendencia no muestra signos de desaceleración.
El robo de 35 millones de dólares en una sola operación demuestra el potencial de recompensa para los delincuentes. Pero hay otros vectores de ataque igualmente peligrosos. Los deepfakes de voz pueden utilizarse para eludir sistemas de autenticación biométrica en banca y servicios financieros, donde la voz se emplea como factor de verificación. También pueden servir para suplantar a candidatos en procesos de selección, como ya han detectado algunas agencias de inteligencia, o para secuestrar cuentas ejecutivas mediante llamadas falsas a los departamentos de soporte técnico. En todos estos casos, el daño no es solo económico: la confianza en los procesos internos se erosiona, y la reputación de la empresa puede quedar gravemente dañada.
El factor humano: el eslabón más débil y más importante
Frente a una amenaza que combina tecnología avanzada con ingeniería social clásica, la primera línea de defensa sigue siendo el personal de la organización. Los programas de formación y concienciación deben actualizarse para incluir simulaciones de ataques deepfake. Los empleados necesitan saber qué esperar, cómo identificar las señales de alarma y, sobre todo, qué protocolos seguir ante una solicitud sospechosa. Los ejercicios de red teaming —simulacros de ataque controlados— permiten evaluar si la formación está calando y dónde existen puntos ciegos.
La formación no puede limitarse a una charla anual. Debe ser continua, práctica y adaptada a los roles específicos. El personal de finanzas debe entender que una llamada del CEO pidiendo una transferencia urgente no es automáticamente legítima. El equipo de soporte técnico debe saber que una solicitud de restablecimiento de contraseña por teléfono requiere verificación adicional. Y todos deben interiorizar que la urgencia y la confidencialidad son las herramientas favoritas del estafador.
Procesos que marcan la diferencia: verificación multicanal y doble firma
La tecnología por sí sola no basta. Las organizaciones necesitan establecer procesos robustos que actúen como barreras frente a los deepfakes. El principio fundamental es la verificación fuera de banda: cualquier solicitud realizada por teléfono debe confirmarse a través de un canal independiente. Si el CEO llama pidiendo una transferencia, el empleado debe colgar y enviar un mensaje por la plataforma corporativa de mensajería o por correo electrónico para verificar la petición. Este simple paso corta de raíz la mayoría de los ataques, porque el estafador no tiene acceso a ese segundo canal.
Otro proceso crítico es la doble firma para transacciones financieras de alto valor o cambios en los datos bancarios de proveedores. Ninguna transferencia significativa debería autorizarse con una sola llamada o correo. Se requiere la aprobación de dos personas, preferiblemente de diferentes departamentos, y siempre con verificación independiente. Además, las empresas pueden establecer frases de paso o preguntas de seguridad preacordadas que los ejecutivos deben responder durante las llamadas sensibles. Estas contraseñas verbales, conocidas solo por el emisor y el receptor, son difíciles de falsificar si se cambian periódicamente.
El papel de la tecnología: herramientas de detección y limitación de exposición
En el frente tecnológico, ya existen herramientas diseñadas para detectar voces sintéticas analizando parámetros acústicos como la distribución de frecuencias, los patrones de respiración y las microvariaciones que los modelos generativos aún no logran replicar con perfecta naturalidad. Estas soluciones pueden integrarse en las centralitas telefónicas o en los sistemas de verificación de identidad para alertar en tiempo real sobre la posible presencia de un deepfake. Sin embargo, su eficacia depende de la calidad del modelo y de la actualización constante frente a las nuevas generaciones de clonadores.
Otra medida tecnológica, aunque más compleja de implementar, es limitar la exposición pública de los ejecutivos. Reducir la cantidad de grabaciones de voz disponibles en Internet —vídeos de conferencias, entrevistas, podcasts— dificulta que los atacantes obtengan muestras suficientes para clonar una voz con alta fidelidad. Esto no significa que los directivos deban desaparecer de la vida pública, sino que las empresas deben ser conscientes del riesgo asociado a cada aparición y tomar decisiones informadas sobre qué contenido compartir y dónde.
La estrategia integral: personas, procesos y tecnología como escudo frente a los deepfakes
Ninguna medida aislada es suficiente. La naturaleza de la amenaza exige un enfoque en tres frentes que combine la formación del personal, la implantación de procesos de verificación robustos y el uso de tecnología de detección. Las organizaciones que adopten este modelo estarán mejor preparadas para resistir los ataques actuales y adaptarse a los que están por venir. La inteligencia artificial generativa no va a desaparecer; al contrario, seguirá perfeccionándose. Los delincuentes tienen incentivos económicos enormes para invertir en mejorar sus técnicas. La única respuesta sostenible es una defensa que evolucione al mismo ritmo.
El nuevo panorama de fraude corporativo exige atención constante. Las empresas que traten los deepfakes de voz como una moda pasajera o un problema de otros estarán exponiendo sus finanzas y su reputación a un riesgo evitable. Las que actúen ahora, implementando medidas concretas y revisándolas periódicamente, no solo protegerán sus activos, sino que construirán una cultura de seguridad que las hará más resilientes frente a cualquier forma de ingeniería social potenciada por inteligencia artificial. La tecnología avanza, pero la combinación de personas conscientes, procesos sólidos y herramientas adecuadas sigue siendo la mejor defensa. Porque, al final del día, la pregunta no es si su empresa recibirá una llamada deepfake, sino cuándo. Y si estará preparada para colgar a tiempo.
