Entrevistas

Omer Bachar, Co-fundador y CEO de Vetric – Serie de Entrevistas

Antoine Tardif
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveEl bootstrapping obligó a Vetric a priorizar la confiabilidad de la infraestructura por…
Ver más
  • El bootstrapping obligó a Vetric a priorizar la confiabilidad de la infraestructura por encima de la expansión a toda costa.
  • Los modelos de detección son inútiles sin una infraestructura de datos públicos escalable que los alimente con amenazas en tiempo real.
  • El Deepfake como Servicio ya está mercantilizado en el nivel gratuito con herramientas de código abierto.

Omer Bachar, Co-fundador y CEO de Vetric, es un empresario israelí y un líder tecnológico enfocado en la inteligencia de código abierto (OSINT) que ha construido una carrera alrededor de resolver desafíos complejos de datos e inteligencia. Antes de fundar Vetric en 2022, Bachar desarrolló y monetizó varios negocios web como adolescente, ganando experiencia en desarrollo web, SEO, monetización de tráfico y operaciones digitales escalables. Más tarde, sirvió en las Fuerzas de Defensa de Israel, donde ayudó a modernizar las operaciones de la Policía Militar a través de la automatización, la inteligencia artificial, la minería de datos y las metodologías ágiles mientras lideraba equipos e iniciativas de productos. Después de un intento de startup fallido y un período de investigación intensiva en Tailandia con sus co-fundadores, Bachar lanzó Vetric con un enfoque en la infraestructura en lugar de la financiación de riesgo, creciendo la empresa de forma autónoma mientras servía a organizaciones que dependen del acceso escalable a los datos de la web pública. Su trabajo se centra en WEBINT, OSINT, recopilación de datos y inteligencia de amenazas digitales, particularmente en áreas que involucran la impersonación, el fraude y los riesgos relacionados con los deepfakes.

Vetric es una empresa de infraestructura de datos que ayuda a las organizaciones a recopilar, procesar y operacionalizar los datos de la web pública a escala. La empresa se posiciona como una capa de infraestructura de confianza para los equipos de confianza, seguridad, ciberseguridad e inteligencia que necesitan acceso confiable y en tiempo real a la información de la web abierta. En lugar de construir una plataforma orientada al consumidor, Vetric se enfoca en API administradas y canalizaciones de datos flexibles diseñadas para simplificar la recopilación de datos públicos a gran escala en entornos en línea en constante cambio. La empresa ha enfatizado un enfoque de “datos para el bien”, apoyando a organizaciones que trabajan para identificar campañas de impersonación, deepfakes, estafas y otras amenazas digitales. Según la empresa, ha crecido desde un pequeño equipo fundador hasta una operación en expansión que sirve a más de 100 organizaciones en todo el mundo, manteniendo su enfoque en la infraestructura escalable y la confiabilidad operativa.

Comenzaste a construir negocios de internet como adolescente, más tarde trabajaste en la modernización de la Policía Militar israelí con herramientas de inteligencia artificial y OSINT, y finalmente co-fundaste Vetric.io después de pasar meses investigando problemas en Tailandia. ¿Cómo te llevaron esas experiencias a creer que la infraestructura de datos, y no solo los modelos de detección, se convertirían en el verdadero campo de batalla en la lucha contra los deepfakes y la impersonación digital?

El hilo común a través de todos esos capítulos fue el mismo: cada problema que pensaba que era un problema de detección resultó ser un problema de datos un nivel más abajo.

Como adolescente que encontraba vulnerabilidades, la parte difícil nunca fue la explotación — era construir la infraestructura para encontrar los objetivos adecuados a escala. En la Policía Militar, OSINT era la brecha que nadie estaba trabajando. Los criminales dejaban pruebas por toda la web abierta, a la vista de todos, y teníamos casi ninguna forma sistemática de llegar a ellas. Luego, en Tailandia, pasamos meses hablando con agencias de defensa, equipos de inteligencia de amenazas, vendedores de protección de marcas, equipos de fraude. El mismo patrón en todas partes. Todos querían información.

Es ahí donde se produjo el clic. Los modelos de detección solo son tan buenos como los datos que se les alimentan. Si no puedes ver el deepfake en el momento en que aparece en la web abierta, tu detector es irrelevante. El campo de batalla no es si tu modelo puede detectar una cara sintética en un benchmark — es si tienes visibilidad en la superficie donde vive el ataque. La infraestructura de datos públicos es la parte que nadie quiere construir porque es difícil y poco glamorosa, pero sin ella, el resto de la pila es teatro.

Has argumentado que el problema de los deepfakes ha cambiado fundamentalmente en los últimos 18 meses. ¿Qué cambios tecnológicos específicos están haciendo que el fraude generado por inteligencia artificial sea más peligroso que las oleadas anteriores de estafas y ataques de impersonación?

Tres cosas cambiaron al mismo tiempo, y la combinación es lo que hace que esto sea diferente.

Primero, los modelos multimodales se volvieron lo suficientemente buenos como para generar video, voz y texto convincentes a partir de la misma llamada en minutos. Lo que antes requería un pequeño equipo y varias semanas ahora toma a una persona y un café.

Segundo, el costo cayó por el suelo. Un clon de voz de alta calidad de una figura pública antes requería un presupuesto serio de GPU. Hoy en día, se ejecuta en hardware de consumo o en una suscripción de SaaS de $20 al mes. El costo ya no es una barrera.

Tercero — y esta es la pieza subestimada — la capa de distribución se puso al día. Los falsos ya no se encuentran en algún foro oscuro esperando a ser descubiertos. Viven en la web abierta, en las mismas fuentes públicas que tus clientes y empleados consumen docenas de veces al día, a menudo con amplificación pagada encima. Un video fabricado viaja exactamente tan rápido como cualquier otra cosa en la internet pública.

En las oleadas anteriores, un atacante tenía que elegir entre calidad, velocidad, escala y alcance. Ahora puede tener los cuatro por menos de $100. La asimetría entre lo que cuesta fabricar una impersonación convincente y lo que cuesta a una empresa detectar, atribuir y responder a ella es más amplia de lo que ha sido nunca. Ese es el cambio.

La mayoría de la discusión pública sobre los deepfakes todavía se centra en el software de detección. ¿Por qué crees que la infraestructura de datos públicos confiable y a gran escala es ahora tan importante como los modelos de inteligencia artificial en sí?

Porque un detector que no puede ver la amenaza es un proyecto de investigación, no una defensa.

La mayoría de la conversación sobre los deepfakes se centra en si el modelo puede distinguir una cara sintética de una real en un benchmark controlado. Eso es lo básico. El problema operativo es el más difícil: un video de impersonación de una marca se sube a las 3 a. m., recibe 200,000 visitas antes de que alguien se dé cuenta, y tu canal de detección debe recibir ese contenido en tiempo real, atribuirlo y desencadenar una respuesta. Si no tienes una forma estable y escalable de ingerir datos públicos de la web abierta — los lugares donde se producen la impersonación y el fraude — no tienes nada sobre lo que ejecutar tu detector.

Hay un punto relacionado que hicimos recientemente en una pieza sobre la violación de la cadena de suministro de Anodot. Las empresas están empezando a darse cuenta de que la postura de seguridad de sus proveedores de datos es su propia postura de seguridad. La misma realización está llegando para la inteligencia artificial: la confiabilidad de tu pila de detección es la confiabilidad de tu canal de datos. Los modelos reciben la prensa. La infraestructura hace el trabajo. Tratar a esas dos como líneas de presupuesto separadas es un error que el mercado está a punto de dejar de cometer.

Vetric creció a una escala significativa sin financiación externa mientras servía a empresas y organizaciones relacionadas con la inteligencia. ¿Cómo influyó el hecho de autofinanciarse en la forma en que construiste la empresa y priorizaste la confiabilidad de la infraestructura sobre la expansión a toda costa?

La autofinanciación fuerza una especie de obsesión por el cliente que las empresas financiadas pueden evitar durante mucho tiempo. Siempre hemos creído en dar valor antes de crecer rápido — y para nosotros eso no es un eslogan, es una realidad financiera.

Cada dólar en nuestra cuenta bancaria es uno que un cliente eligió darnos a cambio de algo que funcionaba. No tenemos un cojín de $50 millones para cubrir la brecha entre un producto que casi funciona y uno que sí.

Eso cambia cada decisión que toma la empresa. Formó nuestra arquitectura tanto como nuestra hoja de ruta. Nuestros clientes, agencias de inteligencia, equipos de protección de riesgos digitales, equipos de seguridad pública, plataformas de inteligencia de amenazas, no solo quieren un producto que funcione.

Por eso también trazamos el límite de confianza de la manera que lo hicimos. Empujamos los datos a los clientes; nunca los extraemos de ellos. No mantenemos credenciales de larga duración en la nube de un cliente. Cuando los clientes quieren entrega en su propio AWS, usamos roles de IAM con ID externos limitados y solo de escritura — el patrón recomendado por AWS específicamente diseñado para prevenir el tipo de violación de proveedor como vector de ataque que acaba de afectar a los clientes de Anodot.

Las plataformas de deepfake como servicio están reduciendo la barrera de entrada para los atacantes. ¿Estamos acercándonos a un punto en el que las capacidades de fraude sofisticadas se vuelvan completamente comercializadas y accesibles para casi cualquier persona?

Ya estamos allí para las capacidades básicas — y no solo en el nivel de pago, en el nivel gratuito. Estamos a 12 a 18 meses de las más sofisticadas. Mira lo que está disponible ahora de forma abierta. Modelos como Sora generan video convincente a partir de una llamada de texto. Proyectos de intercambio de caras de código abierto en GitHub tomarán cualquier imagen de referencia y pondrán esa cara en un video, y los resultados parecen genuinamente buenos — sin habilidades especializadas requeridas, sin pago, sin mercado subterráneo.

La barrera para producir un falso de alta calidad es una descarga gratuita y una tarde de experimentación. También hay servicios pagos que envuelven un flujo de trabajo integral en torno a los mismos modelos para personas que no quieren instalar nada, pero el nivel de código abierto es la verdadera historia, porque es el que no se puede precio a nadie. La persona que lo opera no necesita entender la tecnología subyacente más de lo que alguien que ejecuta un kit de phishing necesita entender SMTP.

Lo que viene a continuación es el nivel de kit de campaña en una caja — kits de impersonación preconstruidos para marcas específicas, ejecutivos específicos, ciclos de elecciones específicos, con los medios sintéticos, las cuentas falsas, el calendario de distribución y el targeting todos empaquetados juntos. Una vez que eso exista a escala, el costo marginal de ejecutar un ataque de impersonación cae hasta aproximadamente el costo de ejecutar un anuncio pagado. La implicación para los defensores es incómoda. Ya no puedes asumir que el atacante es sofisticado o bien financiado. El atacante es cualquier persona con una laptop y un agravio. Eso cambia el volumen y la variedad de amenazas por una orden de magnitud, y redefine lo que significa “amenaza creíble” para cualquier marca, ejecutivo o figura pública con presencia en internet.

Muchas empresas aún dependen de sistemas de monitoreo fragmentados y de inteligencia de amenazas retrasada. ¿Cuáles son las debilidades más grandes que ves en la forma en que las organizaciones actualmente recopilan y procesan los datos de la web pública relacionados con la impersonación y el fraude?

Unas pocas debilidades siguen apareciendo en conversaciones con clientes. La primera es la fragmentación. La mayoría de las empresas ejecutan una herramienta para el monitoreo de la marca, otra para la protección del ejecutivo, otra para el fraude, otra para las operaciones de seguridad. Cada una extrae de diferentes fuentes con diferentes coberturas, diferentes latencias y diferentes puntos ciegos.

Cuando una campaña de impersonación se produce en varios rincones de la web abierta al mismo tiempo, las costuras entre esas herramientas son exactamente donde se esconde el atacante. Y debajo de esa fragmentación hay un problema más profundo: la mayoría de estas herramientas se optimizan para el retiro. Quitar el perfil falso es necesario, pero por sí solo es como un juego de acertijos — otro aparece al día siguiente. Los equipos que obtienen una ventaja real son los que se duplican en la investigación: conectando los puntos entre cuentas, infraestructura y campañas, para que estén desmantelando la red detrás de la impersonación en lugar de golpeando una URL a la vez.

El segundo es la dependencia de middleware que requiere acceso profundo a los sistemas del cliente. Ese es el problema estructural que escribimos en el contexto de la violación de Anodot — los proveedores que requieren OAuth o claves de API en la nube del cliente se convierten en puntos únicos de fallo para todos los que están corriente abajo. SOC 2 no te salvará de eso. La arquitectura tiene un radio de explosión o no.

El tercero es la latencia. Gran parte de lo que se vende como “inteligencia de amenazas en tiempo real” en realidad tiene un retraso de cuatro a veinticuatro horas porque la recopilación subyacente es orientada a lotes. Para la impersonación y el fraude, eso es una eternidad. Para cuando se dispara la alerta, la campaña ha seguido su curso.

El cuarto es la mala asignación entre la cobertura de detección y las capacidades de análisis. Las empresas invierten en herramientas que marcan contenido sintético o sospechoso, pero subinvierten en la cobertura para realmente ver lo que se publica sobre ellos en la web abierta, y en las capacidades de análisis para dar sentido a lo que ven — quién está detrás, cómo se conectan las cuentas, qué infraestructura comparten. Marcar es un paso; la cobertura y el análisis son lo que convierten una marca en acción. Eso es como comprar una excelente alarma de humo y olvidar conectarla.

Hablas de manejar miles de millones de puntos de datos públicos cada mes. ¿Qué desafíos técnicos surgen al intentar construir una infraestructura en tiempo real capaz de identificar amenazas impulsadas por inteligencia artificial a escala de internet?

Los problemas difíciles no son los que la mayoría de la gente espera. Lo primero que hay que decir es que construir este tipo de infraestructura no es la parte difícil — mantenerla es. No construyes un canal como el nuestro una vez y te vas. Necesitas un equipo entero cuyo trabajo sea mantenerlo vivo, y ese es el equipo que hemos construido. Las fuentes públicas que recopilamos cambian constantemente, y cualquiera de ellas puede romper silenciosamente un recolector. La mayoría del esfuerzo de ingeniería a lo largo de la vida útil de un producto como este va a la mantenimiento, no al desarrollo de nueva creación.

El segundo es que la escalabilidad es una cinta de correr. Mejoras el canal, lo empujas más duro, y en algún punto la escala se vuelve demasiado para lo que construiste y las cosas comienzan a temblar. Luego reconstruyes esa capa — a veces desde cero — para el siguiente nivel. Ese ciclo nunca realmente termina. Cada orden de magnitud en volumen es efectivamente un sistema diferente, incluso si parece el mismo producto desde afuera.

El tercero es el tiempo de actividad, que suena aburrido hasta que recuerdas quiénes son nuestros clientes. Algunos de ellos usan nuestros datos para ayudar a prevenir ataques terroristas. En tiempo real significa que no tienes un período de gracia. Las cosas se romperán — siempre lo hacen — y lo que importa es que estén arregladas lo más rápido posible cuando no lo estén. Hemos diseñado la postura de llamada, la alerta y la redundancia alrededor de esa realidad, no alrededor de un número de tiempo de actividad genérico de SaaS.

A medida que los medios sintéticos se vuelven más convincentes, ¿crees que la sociedad se está moviendo hacia una crisis de confianza más amplia en la que la gente comienza a dudar de la legitimidad de los audio, video y comunicaciones por defecto?

Más cerca de lo que la gente quiere admitir. Pero no creo que termine en colapso — creo que termina en un nuevo equilibrio.

La versión ingenua de la crisis de confianza dice: nadie creerá en ningún audio o video, y la esfera pública colapsa. No creo que eso sea adonde va esto. Los humanos son notablemente adaptables a los entornos epistémicos. Aprendimos a leer periódicos con escepticismo, luego la televisión, luego la web. Aprenderemos a leer los medios generados por inteligencia artificial con escepticismo también, y eso no es enteramente un resultado malo — un nivel de base más saludable de “verificar antes de confiar” es sobrevalorado.

Lo que creo que veremos es un cambio en lo que cuenta como evidencia. El video y el audio crudos se convertirán en formas más débiles de prueba; la procedencia, la firma criptográfica, la cadena de custodia y la verificación de identidad se convertirán en formas más fuertes. Las instituciones que figuran cómo verificar de manera creíble sus propias comunicaciones — bancos, gobiernos, organizaciones de noticias — se adelantarán. Las que no lo harán serán impersonadas hasta la irrelevancia.

El intervalo peligroso es el intermedio, los próximos dos a tres años, donde los falsos se vuelven convincentes más rápido de lo que se despliega la capa de verificación. Esa es la ventana donde se hace el daño, y esa es la ventana para la que estamos tratando de dar a nuestros clientes la visibilidad para sobrevivir.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Vetric. 

Antoine es un líder visionario y socio fundador de Unite.AI, impulsado por una pasión inquebrantable por dar forma e impulsar el futuro de la IA y la robótica. Como emprendedor que ha fundado varias empresas, cree que la IA transformará la sociedad tanto como la electricidad y suele hablar con entusiasmo del potencial de las tecnologías disruptivas y de la inteligencia artificial general (AGI).

Como futurista, se dedica a explorar cómo estas innovaciones darán forma a nuestro mundo. Además, es el fundador de Securities.io, una plataforma centrada en invertir en tecnologías de vanguardia que están redefiniendo el futuro y transformando sectores enteros.