SSA: los deepfakes ya desvían las nóminas de la Seguridad Social de EE.UU., con pérdidas que rozarán los $40.100M en 2027

Por Zendoric · 26 de septiembre de 2026.

La Social Security Administration (SSA) ha confirmado que está coordinándose con otras agencias federales para frenar el fraude impulsado por deepfakes: contenido de audio o vídeo generado por IA que imita de forma realista la voz y la imagen de una persona real. Chad Bungard, jefe de estrategia de la Oficina del Inspector General (OIG) de la SSA, lo explicó en un evento de GovExec en Washington: los investigadores del organismo ya han visto casos en los que se usan estas herramientas para alterar los datos de depósito directo, suplantar a personas concretas y hacerse pasar por organizaciones de confianza, en ocasiones invocando el nombre de empleados reales para dar credibilidad al engaño.

La cifra que ha puesto sobre la mesa Bungard es alarmante: las pérdidas por fraude ligado a deepfakes podrían alcanzar los 40.100 millones de dólares en 2027, según datos de Deloitte y Accenture que citó el propio funcionario y que recogió GovCIO Media & Research. Conviene matizarlo: es una proyección de consultoras privadas repetida por un cargo público, no una pérdida ya contabilizada, y no está desglosada por agencia. Pero el objetivo del ataque descrito —redirigir un pago que ya está programado para llegar a una cuenta— es lo bastante concreto y verificable como para tomárselo en serio, sobre todo porque golpea directamente a un colectivo especialmente vulnerable: jubilados y personas con discapacidad que dependen de esa transferencia mensual para vivir.

La respuesta de la SSA, por ahora, es más organizativa que técnica. La agencia está formando a los supervisores que trabajan con sistemas de IA en cualquier capacidad, y su OIG desarrolla políticas de gobernanza y formación para el personal y los investigadores a medida que la IA gana peso tanto en los esquemas de fraude como en las herramientas para combatirlo. La oficina ya emplea IA especializada para detección de fraude y modelos generativos para tareas administrativas, y en agosto la SSA lanzó una solicitud de información (RFI, un cuestionario público para recabar propuestas de proveedores) sobre una estrategia empresarial de IA que cubre también la llamada IA agéntica: sistemas capaces de ejecutar tareas de varios pasos sin supervisión humana constante, un terreno que la propia agencia todavía está determinando cómo abordar.

En el plano interagencial, la OIG comparte inteligencia con el recién creado National Crime Defense Center del Departamento de Justicia, con investigadores y analistas propios integrados en sus operaciones. También participa en el National Anti-Fraud Committee —cuyo enfoque es prevenir los pagos fraudulentos antes de que se distribuyan, en lugar de perseguirlos después— y en el National Fraud Detection Center, un grupo de trabajo interagencial contra el fraude a gran escala en programas federales. Bungard copreside el subcomité de IA de ese comité junto al chief AI officer de la SSA.

Nuestra lectura: este caso es un ejemplo casi de manual de la tesis que venimos sosteniendo sobre IA agéntica y fraude: el peligro inmediato no es una superinteligencia lejana, sino la industrialización barata de estafas que ya existían —el phishing telefónico, la ingeniería social contra call centers— y que la clonación de voz y la generación de vídeo hacen escalables a coste casi cero. El desajuste no está en la falta de detección, sino en la velocidad: un atacante despliega un clon de voz en minutos; una agencia federal tarda meses en publicar un RFI y organizar un subcomité. Esa asimetría de ritmos es, en sí misma, la vulnerabilidad de corto plazo que hay que gestionar con honestidad, no una anécdota.

Hay además un patrón de diseño que ya hemos visto en otros contextos —desde las finanzas descentralizadas hasta la banca tradicional— y que aquí aplica con total claridad: el punto crítico no es si un sistema puede reconocer una voz falsa, sino si una sola interacción, por convincente que sea, puede autorizar por sí sola el movimiento de dinero real. Separar la lectura y preparación de un cambio de depósito directo de su ejecución final —exigiendo siempre una verificación por un canal independiente antes de mover el pago— importa más que perfeccionar el detector de deepfakes, que siempre irá un paso por detrás del generador.

A largo plazo, el mismo movimiento que hoy genera esta fricción —una agencia pública que empieza a operar con IA de detección de fraude y explora agentes autónomos para su propia gestión— es también el que puede terminar en sistemas de prestaciones sociales más rápidos, más baratos de administrar y con fraude prevenido antes de que ocurra, no perseguido después, como ya persigue el National Anti-Fraud Committee. La transición, sin embargo, exige que la inversión en gobernanza y verificación crezca al mismo ritmo que la capacidad ofensiva de la propia IA generativa, y ahora mismo esa carrera la lleva el atacante.