הבינה המלאכותית שלך לתביעות מזהה נזק בשלמות. אין לה מושג אם הנזק אמיתי.
היו לי שתי תמונות של אותה מכונית סדאן כסופה פתוחות על מסך אחד. השמאלית הראתה שקע אמיתי בכנף האחורית מהתחככות בחניון. הימנית מעולם לא הייתה מעורבת בתאונה — מישהו הזין תמונה נקייה למודל דיפוזיה וביקש ממנו להוסיף נזק. הקמט, הצל מתחת לשפה, האופן שבו הצבע תפס את האור: הכול נוצר באופן מלאכותי, דבר מכל זה אינו פיזי.
העברתי את שתיהן דרך מודל הערכת הנזק שהרצנו כפיילוט. שתיהן חזרו כנזק אמיתי. שתיהן קיבלו ציון חומרה. שתיהן קיבלו אומדן תיקון. המזויפת, אם כבר, קיבלה קריאה מעט נקייה יותר, משום שהנזק שנוצר היה מסודר יותר מהבלגן שבמציאות.
זה היה הבוקר שבו הבנתי כי בינה מלאכותית לתביעות ביטוח וזיהוי דיפ-פייק הן שתי בעיות שונות לחלוטין, וכמעט כל השחקנים בשוק פותרים את הראשונה תוך הנחה שקטה שהיא מכסה גם את השנייה. היא לא. מודל להערכת נזק שואל איך זה נראה? הוא אינו שואל האם זה היה אמיתי? ובשנת 2026, הפער הזה הוא המקום שבו הכסף מתנדף.
הבינה המלאכותית שלך להערכת נזק מעריכה תוכן. ההונאה חיה באותנטיות. אלה אינם אותו ציר, ודיוק באחד אינו קונה לך דבר בשני.
מודל האיום השתנה בשקט, והכלים לא
רוב מערכות הבינה המלאכותית לתביעות תוכננו בעידן שבו הדבר הגרוע ביותר שיכול לקרות היה מספר שגוי — אומדן שיצא גבוה או נמוך מדי ב-$400. זה היה כל משטח הסיכון: דיוק האומדן. ספקים התחרו על כך, צוותי רכש דירגו על כך, וכולם השתפרו בכך.
ואז הקלטים הפכו לפגיעים. כל אחד עם טלפון יכול כעת לצלם מכונית ללא נזק ולבקש ממודל זמין חופשי להזריק פגוש מרוסק, כולל תאורה והשתקפויות אמינות. קנה המידה של זה אינו תיאורטי. ניסיונות הונאה מבוססי דיפ-פייק עלו ב-2,137% על פני שלוש שנים, והם מהווים כעת 6.5% מכלל הונאות הזהות שזוהו בעולם הפיננסים והתשלומים. בביטוח באופן ספציפי, מקרי הונאה מוגברי בינה מלאכותית בארה"ב עלו מפחות מ-20,000 ב-2022 ליותר מ-80,000 ב-2025.
המספר הקונקרטי ביותר שראיתי מגיע מבריטניה. באפריל 2025, מבטחי רכב שם חשפו שרמאים משתמשים במודלים של דיפוזיה כדי להזריק שריטות וסדקים לתמונות תמימות, ומנפחים את התשלומים הממוצעים בכ-£13,000 לכל אירוע. זו אינה שגיאת עיגול בתיק ביטוחי. זו דליפה מבנית.
והצרכנים לא בדיוק מתנגדים. מחקר ההונאה של Verisk ממרץ 2026 מצא ש-36% מהצרכנים היו שוקלים לשנות תמונת תביעה, ובקרב דור ה-Z הנתון הזה מטפס ל-55%. במקביל, 98% מהמבטחים מדווחים כעת על זינוק במדיה שעברה מניפולציה הקשורה לכלי בינה מלאכותית. היצע הכלים אינסופי, הסיכון המוסרי הפך למיינסטרים, ומודל ההערכה בקצה השני קורא את התוכן כאמת.
את התקופה הראשונה ביליתי בבניית הדבר הלא נכון
הנה החלק שאני לא גאה בו. כשהתחלנו, מיצבתי את המוצר כמודל טוב יותר להערכת נזק. מובילי השוק היו הרף, אז רציתי לעבור אותו. Tractable, שגייסה $185M ומעבדת תביעות בהיקף של מעל מיליארד דולר, מפרסמת דיוק של סביב 95%. CCC Intelligent Solutions מפעילה צינור מאומדן-לתשלום על פני יותר מ-125 מבטחים וחצתה מיליארד דולר בהכנסות. המהלך המתבקש היה להיות מעט מדויק יותר מזה ולמכור על ההפרש.
לקחתי את המיסגור הזה לשיחה עם מנהל תביעות אצל מבטח בגודל בינוני, והתגובה הייתה גרסה מנומסת של כבר יש לנו אחד כזה. וזו הייתה התגובה הנכונה. עוד אחוז של דיוק בהערכת נזק היה ויטמין, לא משכך כאבים. הדבר שהדאיג את הצוות הזה לא היה האם האומדנים שלהם מדויקים ב-94% במקום ב-96%. אלא כמה מהתמונות שהזינו את האומדנים האלה היו אמיתיות מלכתחילה.
השיחה הזו עלתה לי כחודש של ביטחון פנימי. בנינו לגמרי לכיוון הציר הלא נכון. התובנה ששילמה על כל מה שבא אחריה הייתה פשוטה ומעט משפילה: מודל תוכן מדויק יותר מחמיר את בעיית ההונאה, לא משפר אותה, משום שהוא מעניק חותמת גומי בטוחה יותר לתמונה מפוברקת. ככל שהמודל שלך טוב יותר בקריאת נזק, כך התשלום על הזיוף נקי יותר.
אז הפסקנו להתחרות על דיוק והתחלנו לבנות למען אותנטיות. זה אמר להתייחס לכל תמונת תביעה לא כאל נתונים לניקוד, אלא כאל ראיה שיש לאמת — למדוד ולשמר.
מדוע "פשוט להוסיף גלאי דיפ-פייק" לא עובד?
האינסטינקט הראשון של כולם — כולל שלנו — הוא להצמיד גלאי דיפ-פייק לחזית הצינור. יש טכניקה פורנזית ידועה בשם PRNU, קיצור של photo-response non-uniformity (אי-אחידות תגובת פוטו). לכל חיישן מצלמה יש טביעת אצבע רעש קלושה וייחודית, ואם תמונה סונתזה במקום צולמה, טביעת האצבע הזו חסרה או שגויה. במעבדה, זה אלגנטי.
בצינור תביעות אמיתי, PRNU לבדו מתפרק. תמונות טלפון נדחסות, נשמרות מחדש, עוברות דרך אפליקציית המסרים שבה בעל הפוליסה השתמש כדי לשלוח אותן, ומעובדות בדיעבד עוד לפני שהן מגיעות אליך. כל זה מטשטש את טביעת האצבע של החיישן, ובנוסף הטכניקה כבדה חישובית. בפני עצמה, היא פשוט אינה תחרותית מול טכנולוגיית יצירה מודרנית. המבטחים יודעים שזה קשה, ולכן רק 32% מהמבטחים אומרים שהם מרגישים בטוחים מאוד ביכולתם לזהות דיפ-פייק, ו-76% מדווחים שההגשות המניפולטיביות שהם רואים הופכות מתוחכמות יותר.
בעיית הזיהוי אינה "האם יש לנו מודל דיפ-פייק". אלא שהזיהוי יושב במוצר נפרד מההערכה, כך שבדיקת האותנטיות ובדיקת הנזק לעולם אינן מדברות זו עם זו בפועל.
זהו הפער המבני שהייתי מפנה אליו כל מבטח, וזו הסיבה שבנינו ראייה ממוחשבת פורנזית לכל צינור ראיות התביעה במקום גלאי עצמאי. Verisk מפרסמת מחקר הונאה מצוין ומפעילה אנליטיקה חזקה, אך הזיהוי שלה הוא בדיעבד — הוא נורה לאחר ההגשה, בנפרד מכלי הנזק. VAARHAFT מבצעת ניקוד הונאת תמונות ייעודי עם ניתוח מטא-דאטה ומפות חום לשמאים, אך אינה מבצעת הערכת נזק כלל, כך שאתה מפעיל שני ספקים שאינם חולקים מודל. Tractable ו-CCC מבצעות את ההערכה נהדר ואינן מספקות זיהוי דיפ-פייק כלל. המבטח בסופו של דבר תופר יחד אותנטיות והערכה על פני ספקים שונים, והתפר ביניהם הוא בדיוק המקום שבו תמונה מפוברקת שורדת.
התשובה הכנה אינה גלאי אחד. אלא מכלול — פורנזיקה ברמת החיישן, בתוספת סגמנטציה שמנתחת האם הנזק עקבי פיזית (סוג הבדיקה שבו מעבר של הערכת עומק מסמן שקע שהתאורה אינה יכולה להסביר את הגיאומטריה שלו, וזה בדיוק המקום שבו זיוף דיפוזיה נקי מסגיר את עצמו), בתוספת שרשרת משמורת אמיתית — הכול בתוך אותה מערכת שמפיקה את האומדן.
האיום שלא ראיתי מגיע היה אנחנו
במשך זמן מה חשבתי שכל הבעיה חיצונית — רמאים בחוץ, הצינור שלנו בפנים, וקיר ביניהם. ואז תפסנו את עצמנו גורמים לנזק.
בעל פוליסה העלה תמונה של כנף אחורית מקועקעת דרך אפליקציה סלולרית. צינור התמונות שלנו, כמו הרבה צינורות, הריץ מעבר "שיפור" כדי לנקות רעש של מצלמת טלפון לפני ההערכה. מגדיל הרזולוציה, שאומן לגרום לתמונות להיראות טוב יותר, פירש את השקע כרעש והחליק חלק ממנו. השמאי ראה מכונית נקייה יותר, פחות ניזוקה ממה שבעל הפוליסה למעשה צילם. לא הותקפנו. אנחנו בעצמנו שינינו בשקט את הראיה.
אז נחת עליי המימד המשפטי, וזו המומחיות שאיתה אני פותח כעת כל שיחה עם מבטח. על פי הדין האמריקאי, שינוי ראיה הרלוונטית להליך משפטי מהווה השחתת ראיות (spoliation), וכוונה אינה מצילה אותך. המבחן אינו "האם התכוונת לטוב כששיפרת את התמונה". המבחן הוא האם פיקסלים סינתטיים — פיקסלים שחיישן המצלמה מעולם לא לכד — הוכנסו לפני שמישהו שימר את המקור. אם תביעה שנדחתה מגיעה להתדיינות ותהליך העבודה שלך דרס את המקור בגרסה ששונתה על ידי בינה מלאכותית, אתה צפוי להוראות היסק לרעה, לסנקציות, או לפסק דין מקוצר.
כל צינור שבו בינה מלאכותית יוצרת נוגעת בתמונת תביעה — הגדלת רזולוציה, הפחתת רעש, "שיפור" — נושא חשיפה זו, ורוב המבטחים מעולם לא ביקרו אותה. התיקון במערכת שלנו הפך לכלל שאנחנו לא שוברים: התמונה המקורית, כפי שנלכדה על ידי החיישן, נשמרת, מגובבת (hashed), ולעולם אינה נדרסת; כל טרנספורמציה מתרחשת על עותק עם שובל מקור מתועד. השיפור עדיין יכול לקרות. הוא פשוט לא יכול לקרות לעותק היחיד שבית משפט אי פעם יבקש.
הרגולטורים סיימו לקבל את "הקופסה השחורה של הספק עשתה זאת"
שני האיומים — הונאה סינתטית שנכנסת, השחתת ראיות שמתרחשת בפנים — מתנגשים עם סביבת ציות שצמחו לה שיניים במהירות.
ה-NAIC Model Bulletin, שאומץ כעת על ידי 24 מדינות, מחייב ממשל בינה מלאכותית מתועד, החלטות תביעה ניתנות להסבר, וניטור מודל מתמשך. חוק הבינה המלאכותית של קולורדו נכנס לתוקף ב-30 ביוני 2026, והפרה מטופלת כפרקטיקה מסחרית לא הוגנת או מטעה. חוק הבינה המלאכותית של האיחוד האירופי מסווג בינה מלאכותית בביטוח כבסיכון גבוה עם מועד אכיפה באוגוסט 2026 וקנסות עד €35 מיליון או 7% מהמחזור הגלובלי. וה-NAIC צפוי להציג השנה חוק מודל לפיקוח על ספקי צד שלישי.
האחרון הזה הוא רעידת האדמה השקטה. מבטח אחראי לתוצאות של בינה מלאכותית של צד שלישי — "המודל של ספק ה-SaaS שלנו החליט" אינו הגנה שרגולטור או בית משפט מקבל. מבטח המשתמש בציון קופסה שחורה כדי לדחות תביעה אינו יכול לספק את ההסבר שרגולטורים דורשים כעת. מבטח שהצינור שלו שינה את הראיה אינו יכול לספק את המקור שבית משפט דורש. שני אלה הם אותו כשל הלובש שתי תחפושות: אינך שולט, אינך יכול להסביר, ולא שימרת.
זו גם הסיבה שאני סקפטי לגבי המסלול שבו אינטגרטור מערכות גדול מנהל את כל העניין. החברות הגדולות באמת טובות באינטגרציה של Guidewire ו-Duck Creek ובכתיבת מסגרות ניהול סיכונים. אך הן ממליצות על ספקי פלטפורמות ומשלבות אותם; הן אינן בונות ראייה ממוחשבת פורנזית מותאמת אישית. עבודת הבינה המלאכותית שלהן ממוקדת ב-LLM — קו-פיילוטים ומיון אג'נטי — והתקשרות עולה $500K עד $5M עם מסלול של שישה עד שמונה-עשר חודשים לפני שמודל כלשהו נוגע בתביעה חיה. אתה יכול לבזבז שנה ותקציב בן שבע ספרות ועדיין להחזיק קופסה שחורה שאינך יכול להסביר לקולורדו.
"אבל האם זה לא מאט את העיבוד הישיר (Straight-Through Processing)?"
זו ההתנגדות שאני שומע הכי הרבה, והיא הוגנת. כל התעשייה דוחפת לעבר עיבוד ישיר — מבטחי רכב מובילים מכוונים ל-STP של 70–90% בתביעות רכב אישי בסיסיות, ו-IDC חוזה שיעור STP של 65% ברכב ובבתי מגורים עד סוף השנה. שמאים יקרים; מטרת הבינה המלאכותית היא להרחיק בני אדם מהתביעות השגרתיות.
אנשים מניחים שאימות פורנזי הוא חיכוך שמושך את ה-STP בחזרה למטה. זה ההפך. הדרך המהירה ביותר להרוג תוכנית עיבוד ישיר היא רשת הונאה מפורסמת אחת או סנקציית השחתת ראיות אחת — לאחר מכן, כל תביעה מקבלת מבט שני אנושי "רק ליתר ביטחון", ושיעור האוטומציה שלך צונח. האימות הוא מה שמאפשר לך להשאיר את השער פתוח. כאשר המערכת יכולה לאשר שתמונה היא אמיתית, לא שונתה, ומתועדת מקור, זו התביעה שאתה יכול לאשר אוטומטית בבטחה. אינך מוסיף נקודת בדיקה; אתה זוכה בזכות לדלג על אחת.
תביעה שאתה יכול להוכיח שהיא אמיתית היא תביעה שאתה יכול לשלם בבטחה מבלי שאדם אי פעם ייגע בה.
והכלכלה אינה עדינה. הונאת רכב כבר מוסיפה כ-$900 בשנה לפרמיה של כל בעל פוליסה, וראייה ממוחשבת שנעשית נכון צפויה לקצץ בעלויות עיבוד התביעות ב-$12 מיליארד בשנה. שום דבר מזה אינו מתממש אם התמונות הנכנסות מפוברקות והמקוריות היוצאות משונות.
על מה מנהל תביעות באמת צריך לבדוק?
סמנכ"לית תביעות פעם העבירה אותי דרך רשת הערכת הספקים שלה — כרטיס ניקוד מסודר של דיוק, אינטגרציה, פריסה, מחיר. עמודת "זיהוי דיפ-פייק" הייתה ריקה אצל כל הספקים ברשימה הקצרה. לא בעל ניקוד נמוך. ריקה. אף אחד לא בנה אותו, אז אף אחד לא דורג עליו, אז הוא נשמט מההערכה כליל. זו המלכודת: אתה יכול לנהל רכש קפדני ולעולם לא לבדוק ולו פעם אחת את האיום שבאמת גדל.
אז העמודה שהייתי מוסיף שואלת משהו שציון הדיוק אינו יכול: האם הכלי יכול לומר לך האם תמונה היא אותנטית, ולא רק מה היא מתארת? משם השאלות מפסיקות להיות על ביצועים ומתחילות להיות על הוכחה. האם הוא יחשוף את ההיגיון שלו — מסכת הסגמנטציה, האותות הפורנזיים — או פשוט ימסור לך מספר לסמוך עליו? תמונת החיישן המקורית צריכה לשרוד עם שובל מקור שתוכל להציב מול שופט. ומתחת לכל זה נמצאת שאלת הבעלות: האם אתה מפעיל מודל ונתונים משלך, או שוכר מודל משותף, שאינו מכוונן, שאינך יכול לכוונן לתיק שלך או להסביר לרגולטור שלך?
המבטחים שיצלחו את השנתיים הקרובות לא יהיו אלה עם אומדני הנזק המדויקים ביותר. הם יהיו אלה שיכולים לעמוד מול רגולטור, שמאי, ובסופו של דבר שופט, ולהוכיח שהפיקסל ששילמו עליו היה אמיתי כשהתריס נפתח — ושמעולם לא נגעו בו לאחר מכן. אם תרצה לראות איך בנינו ראייה ממוחשבת פורנזית בדיוק לשם כך, הכול שם.
אני שומר את שתי התמונות האלה של הסדאן הכסופה על שולחן העבודה שלי. אחת הייתה תאונה אמיתית. אחת מעולם לא קרתה. המודל לא יכול היה להבחין ביניהן, ועבור רוב התעשייה הוא עדיין לא יכול. כל העבודה, מתברר, מעולם לא עסקה בראיית הנזק טוב יותר. היא עסקה ביכולת לומר, בהוכחה, איזו מהן הייתה אמיתית.
