La arquitectura de la confianza en una era de engaño sintético: lecciones de la brecha deepfake de Arup y la transición a la soberanía de la IA profunda

La empresa moderna atraviesa actualmente una crisis fundamental de autenticidad, caracterizada por la rápida instrumentalización de la inteligencia artificial generativa contra los protocolos establecidos de gobernanza corporativa. En febrero de 2024, la firma multinacional de ingeniería Arup se convirtió en el punto focal de esta crisis cuando su oficina de Hong Kong fue defraudada por $25.6 millones (HK 200 millones) mediante una de las operaciones habilitadas por deepfake más sofisticadas documentadas hasta la fecha.¹ Este incidente no fue simplemente un fallo de la ciberseguridad tradicional, sino una prueba de concepto definitiva de la «ingeniería social potenciada por la tecnología»: una metodología que explota la psicología humana y la confianza inherente depositada en las señales visuales y auditivas.⁴ Al utilizar IA de alta fidelidad para suplantar a un director financiero (CFO) y a un conjunto completo de ejecutivos en una videoconferencia en vivo, los atacantes eludieron con éxito la autenticación multifactor, los controles financieros internos y la intuición humana.¹

El atraco a Arup constituye un punto de inflexión estratégico para las organizaciones de todo el mundo. Demuestra que la dependencia actual de los «envoltorios de LLM» —interfaces de software delgadas que conectan procesos de negocio con APIs de IA públicas de terceros— es fundamentalmente inadecuada para los requisitos de seguridad y soberanía de la empresa moderna.⁷ A medida que el coste y las barreras técnicas para generar medios sintéticos hiperrealistas siguen desplomándose, el modelo tradicional de «defensa perimetral» se colapsa.¹ Este informe analiza los detalles forenses de la brecha de Arup, la evolución técnica de los deepfakes en tiempo real y el imperativo arquitectónico de transitar hacia la IA profunda: el despliegue de sistemas de IA soberanos, privados y neuro-simbólicos dentro de la propia infraestructura segura de la organización.⁷

Reconstrucción forense: anatomía del atraco de $25 millones

La operación contra Arup fue una campaña multifase que priorizó el reconocimiento y la manipulación psicológica sobre la intrusión tradicional en la red.¹ La investigación confirma que la infraestructura digital de Arup permaneció plenamente intacta durante todo el incidente; no hubo evidencia de malware, robo de credenciales ni acceso no autorizado a bases de datos.⁴ En su lugar, los atacantes comprometieron la lógica operativa de la firma fabricando una realidad que el empleado objetivo no podía distinguir razonablemente de la verdad.⁴

Fase I: Reconocimiento y recolección de material

La eficacia de los deepfakes utilizados en el ataque se basó en datos de entrenamiento de alta calidad.² Los atacantes dedicaron meses a recolectar vídeo y audio públicos de ejecutivos de Arup, principalmente de YouTube, presentaciones en conferencias y reuniones corporativas.² Este material permitió a los perpetradores entrenar Redes Generativas Antagónicas (GAN) y modelos de síntesis de voz neuronal capaces de replicar no solo el aspecto de los ejecutivos, sino sus patrones específicos de habla, entonaciones y microexpresiones idiosincrásicas.¹ Este grado de preparación permitió la creación de lo que los expertos forenses denominan «gemelos sintéticos de alta fidelidad», diseñados para resistir el escrutinio de colegas en un entorno profesional.¹

Fase II: El anzuelo de spear-phishing y el establecimiento de la narrativa

La brecha se inició en enero de 2024 con un correo de spear-phishing que aparentaba proceder del CFO con sede en Londres.¹ El correo solicitaba asistencia con una «transacción confidencial», una narrativa habitual en las estafas de compromiso del correo empresarial (BEC), pero reforzada aquí por el tono profesional y el contexto interno preciso.² Aunque el empleado del departamento financiero de Hong Kong se mostró inicialmente escéptico ante el correo, los atacantes aprovecharon una capa secundaria y más potente de prueba social para neutralizar esa duda.¹

Etapa del incidente	Acción del atacante	Mecanismo técnico / psicológico
Contacto inicial	Correo falsificado del CFO sobre una transferencia «secreta» 1	Aprovechamiento de la autoridad y la urgencia 2
Escalada	Invitación a una videoconferencia multiparte 1	Prueba social y transparencia percibida 4
Verificación	Aparición de múltiples altos ejecutivos generados por deepfake 2	Visualización de la jerarquía para anular el escepticismo 1
Ejecución	Instrucción de transferir fondos a cuentas específicas 1	Orden jerárquica directa en un entorno «en vivo» 3
Descubrimiento	Seguimiento posterior a la transacción con la sede del Reino Unido 1	Rastro estándar de auditoría financiera 2

Fase III: La videoconferencia sintética

El momento decisivo de la brecha de Arup fue la videollamada.¹ A diferencia de estafas deepfake anteriores que se basaban en un único clon de voz o en un clip de vídeo de baja resolución, este ataque presentó un entorno interactivo en vivo con múltiples participantes generados por IA.² El empleado se unió a una conferencia en la que rostros familiares —colegas y superiores— aparentaban estar en una discusión legítima.¹ Este contexto ambiental es una forma de «guerra asimétrica», en la que el atacante conoce la estructura de la organización mejor de lo que el empleado conoce los límites de la tecnología.⁴

Durante la llamada, el CFO deepfakeado ordenó al empleado realizar 15 transferencias separadas por un total aproximado de $25.6 millones.¹ Estos fondos se dispersaron en cinco cuentas bancarias distintas con sede en Hong Kong.¹ El empleado cumplió, convencido por la evidencia visual y auditiva de la reunión.¹ El fraude solo se descubrió cuando el empleado hizo un seguimiento con la oficina del CFO real en el Reino Unido, momento en el que la firma comprendió que tal reunión no había tenido lugar y que ningún fondo había sido autorizado.¹

La evolución técnica del fraude generativo en tiempo real

El incidente de Arup fue posible gracias a una convergencia de metodologías avanzadas de IA que han pasado de los laboratorios de investigación a manos de organizaciones de ciberdelincuencia sofisticadas.¹ Comprender la amenaza requiere un análisis de los dos tipos principales de modelos utilizados: Redes Generativas Antagónicas (GAN) y modelos de difusión.¹

Redes Generativas Antagónicas (GAN) en la síntesis de vídeo

Las GAN representan un avance en la capacidad de generar rostros y voces realistas.¹ Una GAN consta de dos redes neuronales en competencia: el generador y el discriminador.¹ El generador crea contenido usando imágenes o vídeos reales como punto de referencia, mientras que el discriminador intenta detectar si el contenido está generado por IA.¹ A lo largo de millones de iteraciones, estos modelos se «entrenan» mutuamente, y el generador se vuelve cada vez más competente en crear imágenes que el discriminador —y, por extensión, el ojo humano— no puede distinguir de la realidad.¹ En el caso Arup, las GAN permitieron el «intercambio de rostros» en tiempo real, en el que la señal de la webcam del atacante se interceptaba y se sustituía fotograma a fotograma por una máscara hiperrealista del CFO.¹¹

Modelos de difusión y consistencia temporal

Los modelos de difusión funcionan añadiendo «ruido» (datos aleatorios) a una imagen y luego entrenando una IA para revertir el proceso, reconstruyendo una imagen nítida a partir del ruido.¹ Este enfoque destaca en la creación de texturas e iluminación de alta resolución y matices con las que las GAN a veces tienen dificultades.¹ Al aplicarse al vídeo, los modelos de difusión garantizan la «consistencia temporal»: es decir, que el rostro generado por IA no parpadee ni se distorsione durante el movimiento.¹¹ Esta consistencia es crítica para mantener la ilusión de realidad durante una interacción en vivo, ya que la percepción humana es muy sensible a los sutiles «fallos» asociados con la tecnología deepfake de menor calidad.¹¹

Ataques de inyección: eludir la capa física

Un detalle técnico pivotal del incidente de Arup es el uso de la «inyección de vídeo» en lugar de simples «ataques de presentación».¹⁵

1. Ataques de presentación: Un atacante sostiene una pantalla de alta resolución (tableta o monitor) frente a una webcam real.¹⁵ A menudo son detectables mediante comprobaciones de vivacidad que analizan la profundidad, los reflejos a nivel de píxel y la presencia de bordes físicos.¹⁵
2. Ataques de inyección: Este método implica utilizar software de cámara virtual o tácticas de hombre en el medio (MITM) para inyectar paquetes de vídeo sintético directamente en el flujo de datos del software de conferencias.¹⁰ La aplicación (Zoom, Teams, etc.) trata este flujo digital como si llegara de un dispositivo de hardware físico.¹⁷

Tipo de ataque	Método de entrega	Dificultad de detección
Presentación (2D/3D)	Artefacto físico (foto/máscara/pantalla) 18	Moderada; a menudo hay anomalías de profundidad/textura 15
Intercambio de rostros (tiempo real)	Software GAN/difusión sobre webcam en vivo 12	Alta; requiere análisis temporal 11
Inyección de vídeo	La alimentación digital elude el hardware de la cámara 20	Extrema; requiere comprobaciones de integridad a nivel de sistema 17
Clonación de voz neuronal	Flujo de audio sustituido por voz sintética 2	Muy alta; requiere análisis biométrico de espectrogramas 16

La investigación indica que los ataques de inyección dirigidos a proveedores de verificación de identidad aumentaron un 255% en 2023, mientras que los ataques de «intercambio de rostros» subieron un 704%.²⁴ Esto sugiere que los ciberdelincuentes se alejan de las falsificaciones físicas fácilmente detectables hacia manipulaciones a nivel digital que neutralizan las comprobaciones tradicionales de vivacidad.²¹

Por qué el paradigma del «envoltorio de LLM» falla en la empresa

Muchas organizaciones, en su prisa por adoptar la IA generativa, han dependido de «envoltorios» —capas delgadas de software construidas sobre APIs públicas como GPT-4 de OpenAI o Claude de Anthropic.⁷ Aunque funcionales para tareas de bajo riesgo, este modelo introduce vulnerabilidades sistémicas que hacen más probables incidentes como la brecha de Arup.⁷ Veriprajna sostiene que la era del envoltorio es incompatible con la seguridad de grado empresarial por tres razones principales: la salida de datos, la falta de razonamiento contextual y el problema del «asesor desencarnado».⁷

El teatro de seguridad de las APIs públicas

En un despliegue basado en envoltorios, los datos más sensibles de una organización —hojas de cálculo financieras, memorandos internos y comunicaciones ejecutivas— deben salir del perímetro corporativo para ser procesados por una nube de terceros.⁷ Incluso si el proveedor promete no entrenar con los datos, la presencia de estos en un entorno externo crea una vulnerabilidad ante la US CLOUD Act, relaciones opacas con subprocesadores y una posible exfiltración basada en el modelo.⁹ Además, los envoltorios son muy susceptibles a la «inyección de prompts», en la que un usuario (o un atacante) puede elaborar entradas que engañen al modelo para que ignore sus barreras de seguridad y realice acciones no autorizadas.⁸

La brecha contextual y de fiabilidad

Los LLM son probabilísticos, no deterministas.⁸ Predicen el «siguiente token» más probable basándose en correlaciones estadísticas de sus datos de entrenamiento, en lugar de en una comprensión fundamentada de la realidad corporativa.⁸ Esto conduce a la «brecha de fiabilidad», en la que un agente de IA podría prometer un descuento, renunciar a una tarifa o interpretar una política de un modo jurídicamente vinculante para la empresa pero factualmente incorrecto.⁸ En entornos de alto riesgo, un envoltorio carece de la capacidad intrínseca de verificar sus propias salidas frente a la «verdad de referencia» de las bases de datos propietarias de la organización.⁷

El «asesor desencarnado» y los acantilados de actividad

Para empresas industriales o de ingeniería como Arup, la limitación del «asesor desencarnado» es particularmente peligrosa.²⁵ Un envoltorio de LLM basado en texto puede generar consejos de apariencia plausible, pero carece de los bucles de retroalimentación integrados para verificar la seguridad física o biológica.²⁵ En química medicinal o ingeniería estructural, un cambio menor en una fórmula o en un cálculo de carga —un «acantilado de actividad»— puede provocar un cambio desproporcionadamente grande en el resultado (p. ej., de un compuesto seguro a una toxina letal).²⁵ Un envoltorio, que opera sobre la distancia semántica en lugar de sobre las leyes de la física, es notoriamente deficiente a la hora de identificar estas desviaciones críticas.²⁵

IA profunda: el marco de Veriprajna para la inteligencia soberana

Veriprajna se posiciona no como constructora de envoltorios, sino como proveedora de soluciones de IA profunda —arquitecturas diseñadas para restaurar la soberanía y la fiabilidad en la empresa.⁷ Este marco transita de la «IA como servicio» a la «IA como infraestructura».⁷

Pilar I: Propiedad de la infraestructura y LLM empresariales privados

El fundamento de la IA profunda es el despliegue de LLM empresariales privados dentro de la propia Nube Privada Virtual (VPC) de la organización o en clústeres Kubernetes on-premises.⁷ Veriprajna despliega stacks completos de inferencia (usando tecnologías como vLLM o TGI) directamente sobre hardware que controla el cliente.⁷ Esto garantiza que la «inteligencia soberana» nunca abandone el perímetro, logrando inmunidad frente a riesgos de transferencia internacional de datos y políticas de retención de terceros.⁹

Pilar II: RAG 2.0 privado con recuperación consciente de RBAC

La IA profunda construye un «cerebro semántico» para la empresa mediante Generación Aumentada por Recuperación (RAG) nativamente integrada con la seguridad interna.⁷ A diferencia de los sistemas RAG genéricos, la arquitectura de Veriprajna es consciente del Control de Acceso Basado en Roles (RBAC).⁷ Si un empleado no tiene permiso para ver un documento concreto en SharePoint, el sistema de IA no lo recuperará para responder a su pregunta.⁷ Esto previene la escalada interna de privilegios y la fuga de datos a través de la interfaz de IA.⁷

Pilar III: La arquitectura «sándwich» neuro-simbólica

Para cerrar la brecha de fiabilidad, Veriprajna aboga por un «sándwich neuro-simbólico».⁸ Este diseño encierra la red neuronal creativa (el LLM) entre dos capas de lógica simbólica determinista.⁸

• La capa inferior (lógica de entrada): Preprocesa las peticiones del usuario para sanitizar las entradas y prevenir ataques de inyección antes de que lleguen al modelo.⁸
• La capa intermedia (red neuronal): Proporciona la comprensión del lenguaje y la capacidad de razonamiento.⁸
• La capa superior (guarda simbólica): Intercepta la intención del modelo y la ejecuta mediante funciones rígidas y predefinidas (p. ej., consultar una base de datos SQL o un ERP).⁸

Esto garantiza que, cuando un agente de IA informa un precio o un estado de autorización, está recuperando un valor determinista de una base de datos, no prediciendo un valor basado en la probabilidad de tokens.⁸

Característica	Envoltorio de LLM público	Solución de IA profunda de Veriprajna
Residencia de datos	Nube pública compartida; salida de datos 7	Plenamente dentro de la VPC del cliente 7
Modelo de razonamiento	Puramente probabilístico 8	Neuro-simbólico (neuronal + determinista) 8
Contexto de seguridad	Datos generales/públicos 7	Corpus privado; consciente de RBAC 7
Personalización	Solo ingeniería de prompts 7	Ajuste fino completo (LoRA/CPT) 7
Vulnerabilidad	Susceptible a la inyección de prompts 8	Guardas lógicas multicapa 8

La nueva autenticación multifactor: biometría e inteligencia conductual

El fallo de la «comprobación» visual en el caso Arup exige un nuevo paradigma para verificar la identidad en las interacciones digitales.⁴ El enfoque de Veriprajna incorpora señales multimodales significativamente más difíciles de falsificar en tiempo real para los modelos generativos actuales.²³

Verificación de señales fisiológicas

La detección de deepfakes de gama alta incluye ahora el análisis de cambios de color facial «inducidos por el latido cardiaco».¹⁴ Tecnologías como FakeCatcher de Intel monitorizan estas microseñales —invisibles al ojo humano— para verificar que un participante es un ser humano vivo con actividad cardiovascular funcional.²³ En el vídeo sintético, estas señales suelen estar ausentes o ser temporalmente inconsistentes con los movimientos visuales.¹¹

Biometría conductual: el guardián «silencioso»

Aunque un rostro puede intercambiarse y una voz puede clonarse, los patrones neurobiológicos de cómo un individuo interactúa con su tecnología permanecen únicos y casi imposibles de falsificar.²⁹

• Dinámica de tecleo: La velocidad, el ritmo y la presión al escribir crean una «cadencia» reconocible única de cada individuo.³⁰
• Comportamiento del ratón y de la pantalla táctil: La frecuencia y fluidez de los movimientos del ratón, o la velocidad y presión específicas del deslizamiento en un dispositivo móvil, construyen un perfil conductual difícil de imitar para bots o impostores.²⁹
• Comportamiento cognitivo: La biometría conductual puede detectar si un usuario actúa bajo coacción o presión, lo que a menudo se manifiesta como vacilación o desviaciones de los patrones normales de navegación.³¹

Al construir una línea base conductual para los altos ejecutivos, una organización puede implementar una «autenticación continua» durante las videollamadas.³¹ Si el «CFO» en una llamada comienza a solicitar una transacción inusual mientras su tecleo o comportamiento de navegación se desvía de su perfil histórico, el sistema puede marcar automáticamente la interacción para revisión manual.²⁹

Procedencia criptográfica y credenciales de contenido

En lugar de limitarse a detectar falsificaciones, la empresa debe transitar hacia la verificación de lo auténtico.³⁵ El estándar C2PA (Coalition for Content Provenance and Authenticity) permite incrustar metadatos criptográficos en el momento de la captura de vídeo.²³ Esto crea un historial «evidente ante manipulación» del medio, documentando el dispositivo, la hora y la ubicación de la fuente.³⁵ Si un flujo de vídeo en una llamada de Microsoft Teams o Zoom carece de estas credenciales, puede tratarse con el mismo nivel de sospecha que un paquete de software sin firmar.³⁵

Implicaciones legales, regulatorias y de gobernanza

La pérdida financiera en Arup es la punta del iceberg; el incidente tiene implicaciones de gran alcance para la responsabilidad corporativa y los deberes fiduciarios del liderazgo.²

El deber fiduciario del CIO y del CTO

Tras el fraude habilitado por deepfakes, los CIO y CTO se someten cada vez más a un estándar más elevado de diligencia.³⁸ Como directivos corporativos, tienen el deber fiduciario de identificar «señales de alerta» e implementar «procedimientos de seguridad razonables» —como los exigidos por la California Consumer Privacy Act (CCPA) o la Ley de IA de la UE.³⁸ No implementar controles conscientes de deepfakes podría derivar en responsabilidad personal de los directivos si la empresa es demandada por accionistas o clientes por negligencia.³⁸

La «regla del impostor» y la asignación de la pérdida

La orientación judicial sobre el fraude en transferencias bancarias suele seguir la «regla del impostor», que establece que las pérdidas deben ser soportadas por la parte en mejor posición para haber prevenido el fraude.⁴¹ En el caso Arup, aunque el empleado fue engañado, la falta de la firma de implementar una verificación multicanal para transacciones de alto valor podría verse como el principal punto de fallo.⁴ Los tribunales encuentran cada vez más negligentes a los empleadores cuando no advierten a los empleados sobre riesgos específicos o no proporcionan las salvaguardas técnicas necesarias.³⁷

Cumplimiento de normas internacionales

Para mitigar estos riesgos, las organizaciones deben alinear sus operaciones con las normas globales emergentes de seguridad biométrica y de IA:

• ISO/IEC 30107-3: El referente internacional para la Detección de Ataques de Presentación (PAD).⁴² La certificación en Nivel 2 o 3 demuestra la resiliencia de un sistema frente a falsificaciones avanzadas como máscaras de silicona y deepfakes de IA.¹⁵
• NIST AI Risk Management Framework (RMF): Proporciona un proceso estructurado de 4 pasos —Gobernar, Mapear, Medir, Gestionar— para identificar y mitigar riesgos específicos de la IA.³⁹
• CEN/TS 18099: La primera norma dedicada a detectar «ataques de inyección», crítica para asegurar los flujos de videoconferencia.¹⁵

Hoja de ruta estratégica para la resiliencia empresarial (2025-2026)

El incidente de Arup fue un fallo de los «ojos y oídos» como forma de autenticación.⁴ Para prevenir una recurrencia, Veriprajna recomienda una estrategia de resiliencia multicapa centrada en defender a las personas, los procesos y el propio concepto de autenticidad.⁴

Paso 1: Establecer una cultura de «escepticismo empoderado»

Las organizaciones deben pasar de una cultura de «cumplir de inmediato» a una mentalidad de «verificar primero».⁴ Esto implica recompensar a los empleados que cuestionen solicitudes sospechosas, incluso las que aparentan proceder del liderazgo senior.⁴ La formación debe ir más allá de los correos de phishing estáticos e incluir ataques deepfake simulados en vivo en plataformas de vídeo y audio para desmitificar la tecnología ante el personal.⁴

Paso 2: Implementar verificación obligatoria fuera de banda

La videoconferencia ya no puede ser el «estándar de oro» para la autenticación de identidad en transacciones financieras.⁴ Las instrucciones de alto riesgo o alto valor deben exigir una confirmación independiente fuera de banda:

• Llamada directa: Verificación mediante un número de teléfono preverificado o una plataforma de mensajería cifrada (p. ej., Signal).⁴
• Códigos de verificación preacordados: Usar un canal secundario no digital para compartir claves de autenticación.⁴
• Doble autorización: Exigir un segundo aprobador que no haya sido participante de la videollamada original.⁴

Paso 3: Transitar a una infraestructura soberana de IA profunda

Las empresas deben recuperar sus datos y su inteligencia de la nube pública.⁷ La transición a LLM empresariales privados dentro de una VPC controlada por el cliente garantiza que el contexto sensible permanezca seguro.⁷ Esto no es solo una medida de seguridad; es una ventaja competitiva, ya que permite la creación de activos de modelo a medida que pertenecen inequívocamente al cliente.⁷

Paso 4: Desplegar herramientas multimodales de vivacidad y detección

Integrar detección de deepfakes de grado empresarial en herramientas de colaboración como Zoom y Microsoft Teams.¹⁰ Estas herramientas deben analizar cada fotograma y paquete de audio en tiempo real en busca de signos de manipulación por IA —como movimientos labiales asíncronos, iluminación inconsistente o la ausencia de señales fisiológicas.¹²

Conclusión: la nueva frontera de la confianza

El atraco a Arup de febrero de 2024 fue un toque de clarín que anunció el fin de la era de la «autenticación interna informal».⁴ Cuando el rostro y la voz del CFO pueden fabricarse a la perfección por $15 y 45 minutos de esfuerzo, las señales tradicionales de confianza están rotas.⁵ El futuro de la resiliencia empresarial dependerá de la capacidad de distinguir entre un «gemelo sintético» y un ser humano vivo mediante capas de defensa biológica, conductual y arquitectónica.⁴

Veriprajna aboga por alejarse del frágil mundo de los envoltorios de LLM y transitar hacia el robusto y soberano mundo de la IA profunda.⁷ Al combinar la propiedad de la infraestructura, la fiabilidad neuro-simbólica y la inteligencia conductual, las organizaciones pueden construir una «Arquitectura de la Confianza» resiliente ante la amenaza creciente del fraude generativo.⁷ La pérdida de $25 millones fue un precio alto por esta lección, pero proporciona el plano de la próxima generación de seguridad empresarial: una en la que la autenticidad se verifica por la física y la lógica, no solo por la vista y el oído.⁴

Componente de resiliencia	Objetivo accionable	Resultado deseado
Personas	Formación conductual y simulaciones 4	Resistencia a la ingeniería social «en vivo» 4
Proceso	Confirmación fuera de banda multicanal 4	Neutralización de fallos de punto único 4
Datos	LLM privados basados en VPC y RAG 2.0 7	Plena soberanía y privacidad de datos 7
Tecnología	Análisis de vivacidad y fisiológico en tiempo real 18	Derrota de las GAN y de los ataques de inyección 17
Gobernanza	Alineación con NIST AI RMF e ISO 30107 43	Reducción del riesgo regulatorio y fiduciario 38

En los próximos años, la capacidad de verificar la identidad y la intención en un mundo sintético será el requisito definitorio de la era digital.²⁰ La brecha de Arup demuestra que el coste de la inacción ya no es solo un riesgo hipotético, sino una realidad de $25 millones.¹ Las organizaciones que actúen ahora para implementar arquitecturas soberanas de IA profunda no solo protegerán su capital, sino que también asegurarán su activo más valioso: la integridad de sus comunicaciones y la confianza de sus partes interesadas.⁴

---

Obras citadas

1. Arup Deekfake Scam Forensic Analysis – Cyber - University of Hawai'i–West O'ahu, consultado el 9 de febrero de 2026, https://westoahu.hawaii.edu/cyber/forensics-weekly-executive-summmaries/arup-deekfake-scam-forensic-analysis/
2. Arup Deepfake: How An AI-Generated Deepfake Stole $25M, consultado el 9 de febrero de 2026, https://purplesec.us/breach-report/arup-deepfake/
3. Incident 634: Alleged Deepfake CFO Scam Reportedly Costs Multinational Engineering Firm Arup $25 Million, consultado el 9 de febrero de 2026, https://cdn.lawreportgroup.com/acuris/files/ACR-New/AI%20Incidents%20%E2%80%A2%20Incident%20634_%20Alleged%20Deepfake%20CFO%20Scam%20Reportedly%20Costs%20Multinational%20Engineering%20Firm%20Arup%20%2425%20Million.pdf
4. The Arup Deepfake Fraud - PRMIA, consultado el 9 de febrero de 2026, https://prmia.org/common/Uploaded%20files/eCyber/PRMIA%20Case%20study%20-%20ARUP.pdf
5. Cybercrime: Lessons learned from a $25m deepfake attack - The World Economic Forum, consultado el 9 de febrero de 2026, https://www.weforum.org/stories/2025/02/deepfake-ai-cybercrime-arup/
6. $25 Million Deepfake Scam: The Ultimate Con? - Trustpair, consultado el 9 de febrero de 2026, https://trustpair.com/blog/25-million-deepfake-scam-the-ultimate-con/
7. The Illusion of Control: Securing Enterprise AI with Private LLMs - Veriprajna, consultado el 9 de febrero de 2026, https://Veriprajna.com/technical-whitepapers/enterprise-ai-security-private-llms
8. The Authorized Signatory Problem: Why Enterprise AI Demands a Neuro-Symbolic "Sandwich" Architecture - Veriprajna, consultado el 9 de febrero de 2026, https://Veriprajna.com/technical-whitepapers/authorized-signatory-problem-neuro-symbolic-ai
9. The Illusion of Control: Shadow AI & Private Enterprise LLMs | Veriprajna, consultado el 9 de febrero de 2026, https://Veriprajna.com/whitepapers/illusion-of-control-shadow-ai-private-enterprise-llms
10. Deepsight: World's Most Accurate Deepfake Detection - Incode, consultado el 9 de febrero de 2026, https://www.incode.com/platform/deepsight
11. The Sentinel's Dilemma: An In-Depth Analysis of Real-Time Deepfake Detection Services in the Era of Generative AI Fraud | Uplatz Blog, consultado el 9 de febrero de 2026, https://uplatz.com/blog/the-sentinels-dilemma-an-in-depth-analysis-of-real-time-deepfake-detection-services-in-the-era-of-generative-ai-fraud/
12. Deepfake Video Call Security: How to Spot and Stop Scams, consultado el 9 de febrero de 2026, https://www.adaptivesecurity.com/blog/deepfake-video-call-security-guide
13. DeepFake Detection for Human Face Images and Videos: A Survey - Monash, consultado el 9 de febrero de 2026, https://researchmgt.monash.edu/ws/portalfiles/portal/570474609/560518436_oa.pdf
14. Securing Social Media Against Deepfakes using Identity, Behavioral, and Geometric Signatures - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/pdf/2412.05487?
15. Deepfake Presentation & Injection Attacks: Risks in ID Authentication, consultado el 9 de febrero de 2026, https://risk.lexisnexis.com/global/en/insights-resources/article/deepfake-duo-presentation-injection-attacks
16. Deepfake Detection: What is Phishing 3.0 and How Can You Prepare? - Ironscales, consultado el 9 de febrero de 2026, https://ironscales.com/blog/deepfake-detection-what-is-phishing-3.0-and-how-can-you-prepare
17. Virtual camera detection: Catching video injection attacks in remote biometric systems, consultado el 9 de febrero de 2026, https://arxiv.org/html/2512.10653v1
18. Liveness detection: protect yourself against fraud - Veridas, consultado el 9 de febrero de 2026, https://veridas.com/en/liveness-detection/
19. Facial Liveness Detection: How It Works & Why It Matters - Mitek Systems, consultado el 9 de febrero de 2026, https://www.miteksystems.com/blog/facial-liveness-detection
20. Unmasking Cybercrime: Strengthening Digital Identity Verification against Deepfakes - World Economic Forum, consultado el 9 de febrero de 2026, https://reports.weforum.org/docs/WEF_Unmasking_Cybercrime_Strengthening_Digital_Identity_Verification_against_Deepfakes_2026.pdf
21. Native Virtual Camera Attacks: The Invisible Threat to Remote Identity Verification | iProov, consultado el 9 de febrero de 2026, https://www.iproov.com/blog/native-virtual-camera-attacks-invisible-threat-biometric-solution
22. Cyber Risks Associated with Deepfakes - Monetary Authority of Singapore, consultado el 9 de febrero de 2026, https://www.mas.gov.sg/-/media/mas-media-library/regulation/circulars/trpd/cyber-risks-associated-with-deepfakes.pdf
23. What Tools Can Detect Deepfakes in Live Meetings? - Resemble AI, consultado el 9 de febrero de 2026, https://www.resemble.ai/deepfake-detection-tools-live-video-calls/
24. Deepfake Attacks: How they Work and How to Stop Them - Nametag, consultado el 9 de febrero de 2026, https://getnametag.com/newsroom/deepfake-attacks-how-they-work-how-to-stop-them
25. Structural AI Safety: Latent Space Governance in Bio-Design - Veriprajna, consultado el 9 de febrero de 2026, https://Veriprajna.com/technical-whitepapers/bio-design-ai-safety-latent-space
26. Cognitive Armor: Robustness Against Adversarial AI - Veriprajna, consultado el 9 de febrero de 2026, https://Veriprajna.com/technical-whitepapers/adversarial-ai-defense-cognitive-armor
27. How to Use Large Language Models (LLMs) with Enterprise and Sensitive Data, consultado el 9 de febrero de 2026, https://www.startupsoft.com/llm-sensitive-data-best-practices-guide/
28. What Is LLM (Large Language Model) Security? | Starter Guide - Palo Alto Networks, consultado el 9 de febrero de 2026, https://www.paloaltonetworks.com/cyberpedia/what-is-llm-security
29. What is Behavioral Biometrics - LexisNexis Risk Solutions, consultado el 9 de febrero de 2026, https://risk.lexisnexis.com/insights-resources/article/what-is-behavioral-biometrics
30. What is Behavioral Biometrics? - OneSpan, consultado el 9 de febrero de 2026, https://www.onespan.com/topics/behavioral-biometrics
31. Behavioral Biometrics: The Game-Changer in Fighting Synthetic Identity Fraud - Innovify, consultado el 9 de febrero de 2026, https://innovify.com/insights/behavioral-biometrics-fraud-detection/
32. What is Behavioral Biometrics? | IBM, consultado el 9 de febrero de 2026, https://www.ibm.com/think/topics/behavioral-biometrics
33. Continuous Behavioral Biometric Authentication for Secure Metaverse Workspaces in Digital Environments - MDPI, consultado el 9 de febrero de 2026, https://www.mdpi.com/2079-8954/13/7/588
34. What Is Behavioral Biometrics? - BioCatch, consultado el 9 de febrero de 2026, https://www.biocatch.com/blog/what-is-behavioral-biometrics
35. Unmasking the Fakes: How AI is Powering Deepfake Detection and Video Authentication | by Nunsi Shiaki | Rectlabs Inc | Medium, consultado el 9 de febrero de 2026, https://medium.com/rectlabs/unmasking-the-fakes-how-ai-is-powering-deepfake-detection-and-video-authentication-999fe4a0f5ff
36. NIST: Reducing Risks Posed by Synthetic Content An Overview of Technical Approaches to Digital Content Transparency - AI Governance Library, consultado el 9 de febrero de 2026, https://www.aigl.blog/nist-reducing-risks-posed-by-synthetic-content-an-overview-of-technical-approaches-to-digital-content-transparency/
37. Who Is Liable In A Workplace Deepfake Fraud Incident? - - Saunders Law, consultado el 9 de febrero de 2026, https://www.saunders.co.uk/news/who-is-liable-in-a-workplace-deepfake-fraud-incident/
38. Deepfakes: Why Legal Liability Now Lies with the CIO, consultado el 9 de febrero de 2026, https://nationalcioreview.com/articles-insights/information-security/deepfakes-why-legal-liability-now-lies-with-the-cio/
39. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, consultado el 9 de febrero de 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
40. The State of Information Security Report 2025 | Resilience, Compliance & AI - ISMS.online, consultado el 9 de febrero de 2026, https://www.isms.online/the-state-of-information-security-report-2025/
41. Lawyer Liability for Wire Transfer Fraud - American Bar Association, consultado el 9 de febrero de 2026, https://www.americanbar.org/groups/tort_trial_insurance_practice/resources/brief/2025-spring/lawyer-liability-wire-transfer-fraud/
42. How to Choose a Liveness Solution That Actually Works? - Oz Forensics, consultado el 9 de febrero de 2026, https://www.ozforensics.com/id/blog/articles/how-to-choose-a-liveness-solution-that-actually-works
43. Biometric Security Guide : Understanding ISO/IEC 30107 Standards - Pacific Certifications, consultado el 9 de febrero de 2026, https://blog.pacificcert.com/biometric-security-guide-understanding-iso-iec-30107/
44. ISO/IEC 30107 (Biometric Presentation Attack Detection) - DuckDuckGoose AI, consultado el 9 de febrero de 2026, https://www.duckduckgoose.ai/glossary/iso-iec-30107--biometric-presentation-attack-detection
45. Identy.io Facial Biometric Technology Receives NIST ISO 30107-3 Level 2 PAD Certification with Perfect Score, consultado el 9 de febrero de 2026, https://www.identy.io/identy-io-facial-biometric-technology-receives-nist-iso-30107-3-level-2-pad-certification-with-perfect-score/
46. AI Risk Management Framework - NIST, consultado el 9 de febrero de 2026, https://www.nist.gov/itl/ai-risk-management-framework
47. US Expands Artificial Intelligence Guidance with NIST AI Risk Management Framework, consultado el 9 de febrero de 2026, https://cdp.cooley.com/us-expands-artificial-intelligence-guidance-with-nist-ai-risk-management-framework/
48. iProov Shows Deepfake Resilience Under NIST Digital ID Rules - AI-Tech Park, consultado el 9 de febrero de 2026, https://ai-techpark.com/iproov-shows-deepfake-resilience-under-nist-digital-id-rules/
49. Building Deepfake-Resilient Conferencing Procedures - Reality Defender, consultado el 9 de febrero de 2026, https://www.realitydefender.com/insights/building-deepfake-resilient-conferencing-procedures
50. Deepfake Doppelgangers: Scammers Hijack Zoom Calls To Drain Bitcoin Wallets, consultado el 9 de febrero de 2026, https://cyberpress.org/deepfake-zoom-scams-drain-wallets/
51. Deepfake Attacks Hit Two-Thirds of Businesses - Infosecurity Magazine, consultado el 9 de febrero de 2026, https://www.infosecurity-magazine.com/news/deepfake-attacks-hit-twothirds-of/