Durchgespielte Schäden, auf dem Bildschirm
Alle Schäden, Bilder und der historische Index sind synthetisch, für die Demo gebaut. Kein echtes Schadensfoto, kein Versicherungsnehmer, kein Versicherer und kein Konto wird verwendet.
Die FNOL-Eingangswarteschlange
Vier synthetische First-Notice-of-Loss-Schäden kommen zur Verifizierung an. Die Konsole rahmt die Aufgabe klar: ein Betrüger kann per Diffusion einen zertrümmerten Stoßfänger erzeugen oder ein echtes Foto aus einem regulierten Schaden wiederverwenden, und ein Schadensbewertungstool wird beides bereitwillig bewerten. Das Tor prüft, ob den Beweisen eines Schadens vertraut werden kann, bevor er bewertet oder bezahlt wird.
Das wiederverwendete echte Foto, das ein einzelner Detektor durchwinkt
Schaden CLM-C-1044 ist der Fall, für den die Firewall gebaut ist. Sein Bild ist ein echtes Kamerafoto, daher bestehen Provenance und Pixel-Forensics beide, genau dort, wo ein alleiniger Deepfake-Detektor stoppt und durchwinkt. Der Reuse Analyst matcht seinen perzeptuellen Hash mit einem regulierten früheren Schaden, und der Narrative Analyst sieht, dass Schilderung und Bild nicht übereinstimmen, sodass das deterministische Policy-Tor es mit 0.96 Konfidenz nach SIU-REFERRAL weiterleitet, mit einem Marker Duplicate image, matches prior claim auf der Evidenz. Einzelsignal-Erkennung lässt das durch; Cross-Signal-Forensik fängt es, und dieser Nachweis hängt nicht vom simulierten Signal ab.
Warum die Crew einen Klassifikator schlägt
Die Entscheidungsanalyse macht die gegenseitige Bestätigung sichtbar. Provenance liest consistent und Pixel-Forensics liest consistent und ist als simulated gekennzeichnet, beide grün. Reuse und Narrative-Consistency sind flagged, und der adversariale Challenger hat zwei Flags getestet und beide haben überlebt. Der Grund für die Route ist in klaren Worten benannt: der perzeptuelle Hash matcht den früheren Schaden HIST-4019 (Maple Mutual, 2025-11-29) bei Hamming-Distanz 0. Ein perfekter einzelner Deepfake-Detektor hätte das nicht fangen können, weil am Foto nichts gefälscht ist.
Die Abdeckungslücke, im Benchmark
Jeden Schaden im gelabelten synthetischen 120-Schaden-Set zu laufen, bringt das dauerhafte Ergebnis zutage. Von den 35 Betrugsfällen, die kein Authentizitätsartefakt tragen, den 20 recycled-real und 15 metadata-spoofed Schäden, fängt eine Einzelsignal-Authentizitäts-Baseline 0 und die Firewall fängt alle 35, weil das echte Fotos sind, die ein alleiniger Detektor durchwinkt, und Cross-Signal-Forensik die Lücke schließt. Saubere Schäden laufen direkt durch bei einer Falschbeschuldigungsrate von 0 Prozent, jede Entscheidung trägt einen verifizierbaren Audit-Datensatz, und der Fraud-Routing-Recall gegen die Ground-Truth-Labels liest 1.00. Das sind Zahlen auf einem festen, gelabelten synthetischen Set, dessen Betrugsklassen konstruktionsbedingt erkennbare Signaturen tragen, keine Open-World-Garantie, daher ist die Zahl, mit der man führen sollte, die Abdeckungslücke gegenüber dem etablierten Ansatz, den ein alleiniger Detektor darstellt.
Beweisvereitelung, verwandelt in eine rote Zeile
Jede Entscheidung bindet das Originalbild in eine append-only, manipulationssichere Kette. Das Editieren eines gespeicherten Originals — genau das, was ein generatives Enhancement oder ein Betrug tut — bricht diese Kette. Manipulieren Sie ein durchgewinktes Original und verifizieren Sie erneut, und die Zeile für CLM-A-1042 wird rot als Altered, spoliation, während die versiegelten Zeilen grün bleiben, und der Verifier meldet chain broken, tampering detected. Ein Prozessrisiko, das sonst abstrakt bleibt, wird etwas, das der Käufer geschehen sehen kann.
