La tua AI per i sinistri riconosce il danno alla perfezione. Ma non sa se il danno è reale.

Avevo due foto della stessa berlina argento aperte su uno schermo. Quella a sinistra mostrava un vero ammaccamento sul parafango posteriore causato da una strisciata in un parcheggio. Quella a destra non era mai stata coinvolta in un incidente: qualcuno aveva dato in pasto una foto integra a un modello di diffusione chiedendogli di aggiungere il danno. La piega, l'ombra sotto il bordo, il modo in cui la vernice catturava la luce: tutto generato, niente di fisico.

Ho passato entrambe attraverso il modello di valutazione dei danni che stavamo testando. Entrambe sono state classificate come danno autentico. Entrambe hanno ricevuto un punteggio di gravità. Entrambe hanno ricevuto una stima di riparazione. Quella falsa, semmai, ha ottenuto una lettura leggermente più pulita, perché il danno generato era più ordinato del caos del mondo reale.

È stata la mattina in cui ho capito che l'AI per i sinistri assicurativi e il rilevamento dei deepfake sono due problemi completamente diversi, e quasi tutti sul mercato stanno risolvendo il primo dando tacitamente per scontato che copra anche il secondo. Non è così. Un modello di valutazione dei danni si chiede che aspetto ha questo? Non si chiede era reale? E nel 2026, quel divario è il punto da cui il denaro se ne va.

La tua AI di valutazione dei danni analizza il contenuto. La frode vive nell'autenticità. Non sono lo stesso asse, e la precisione su uno non ti compra nulla sull'altro.

Il modello di minaccia è cambiato in silenzio e gli strumenti no

Gran parte dell'AI per i sinistri è stata progettata in un'epoca in cui la cosa peggiore che potesse accadere era un numero sbagliato: una stima risultata troppo alta o troppo bassa di 400 $. Quella era l'intera superficie di rischio: la precisione della stima. I fornitori competevano su questo, i team di approvvigionamento la valutavano, e tutti sono diventati più bravi.

Poi gli input sono diventati attaccabili. Chiunque abbia un telefono può ora scattare la foto di un'auto intatta e chiedere a un modello liberamente disponibile di iniettare un paraurti distrutto, completo di illuminazione e riflessi plausibili. La portata del fenomeno non è teorica. I tentativi di frode con deepfake sono aumentati del 2.137% in tre anni, e ora rappresentano il 6,5% di tutte le frodi d'identità rilevate nel mondo finanziario e dei pagamenti. Nel settore assicurativo in particolare, i casi di frode potenziata dall'AI negli Stati Uniti sono passati da meno di 20.000 nel 2022 a più di 80.000 nel 2025.

Il numero più concreto che abbia visto viene dal Regno Unito. Nell'aprile 2025, le compagnie del ramo auto hanno rivelato che i truffatori usavano modelli di diffusione per iniettare graffi e crepe in foto innocue, gonfiando i risarcimenti medi di circa 13.000 £ per sinistro. Non è un errore di arrotondamento su un portafoglio di polizze. È una falla strutturale.

E i consumatori non oppongono esattamente resistenza. Lo studio sulle frodi di Verisk del marzo 2026 ha rilevato che il 36% dei consumatori prenderebbe in considerazione l'idea di alterare l'immagine di un sinistro, e tra la Generazione Z quella cifra sale al 55%. Nel frattempo il 98% degli assicuratori segnala oggi un'impennata di contenuti multimediali manipolati legati a strumenti di AI. L'offerta di strumenti è infinita, l'azzardo morale è ormai diffuso, e il modello di valutazione all'altro capo legge il contenuto come verità.

Ho passato il primo tratto a costruire la cosa sbagliata

Ecco la parte di cui non sono fiero. Quando abbiamo iniziato, ho impostato il prodotto come un modello di valutazione dei danni migliore. I leader di mercato erano l'asticella, quindi volevo superarla. Tractable, che ha raccolto 185 milioni di dollari ed elabora oltre un miliardo di dollari in sinistri, pubblicizza una precisione intorno al 95%. CCC Intelligent Solutions gestisce una pipeline dalla stima al pagamento per oltre 125 assicuratori e ha superato il miliardo di fatturato. La mossa ovvia era essere un pizzico più precisi di così e vendere sul differenziale.

Ho portato questa impostazione in una conversazione con un responsabile sinistri di una compagnia di medie dimensioni, e la risposta è stata una versione garbata di ne abbiamo già uno. Ed era la risposta giusta. Un altro punto di precisione nella valutazione dei danni era una vitamina, non un antidolorifico. Ciò che preoccupava quel team non era se le loro stime fossero precise al 94% invece che al 96%. Era quante delle foto che alimentavano quelle stime fossero reali in primo luogo.

Quella conversazione mi è costata circa un mese di convinzione. Avevamo costruito verso l'asse completamente sbagliato. La consapevolezza che ha ripagato tutto ciò che è venuto dopo era semplice e un po' umiliante: un modello di contenuto più preciso peggiora il problema della frode, non lo migliora, perché conferisce un timbro di approvazione più sicuro a un'immagine fabbricata. Quanto più il tuo modello è bravo a leggere il danno, tanto più pulito è il risarcimento sul falso.

Così abbiamo smesso di competere sulla precisione e abbiamo iniziato a costruire per l'autenticità. Questo significava trattare ogni foto di sinistro non come dato da valutare, ma come prova da autenticare — misurata e conservata.

Perché "basta aggiungere un rilevatore di deepfake" non funziona?

Il primo istinto di tutti — incluso il nostro — è bullonare un rilevatore di deepfake davanti alla pipeline. Esiste una nota tecnica forense chiamata PRNU, abbreviazione di photo-response non-uniformity (non uniformità della risposta fotografica). Ogni sensore di fotocamera ha una debole e unica impronta di rumore, e se un'immagine è stata sintetizzata anziché catturata, quell'impronta è assente o errata. In laboratorio, è elegante.

In una vera pipeline di sinistri, il PRNU da solo crolla. Le foto scattate col telefono vengono compresse, salvate nuovamente, fatte passare attraverso l'app di messaggistica che l'assicurato ha usato per inviarle, e post-elaborate prima ancora di arrivarti. Tutto questo sfoca l'impronta del sensore, e per giunta la tecnica è pesante dal punto di vista computazionale. Da sola, semplicemente non regge il confronto con la generazione moderna. Le compagnie sanno che è difficile, ed è per questo che solo il 32% degli assicuratori dice di sentirsi molto sicuro nel rilevare i deepfake, e il 76% segnala che le sottomissioni manipolate che vede stanno diventando più sofisticate.

Il problema del rilevamento non è "abbiamo un modello per i deepfake". È che il rilevamento risiede in un prodotto separato dalla valutazione, quindi la verifica dell'autenticità e la verifica del danno non si parlano mai davvero.

Questo è il divario strutturale verso cui indirizzerei qualsiasi compagnia, ed è il motivo per cui abbiamo costruito una computer vision forense per l'intera pipeline di prove dei sinistri anziché un rilevatore autonomo. Verisk pubblica eccellenti ricerche sulle frodi e gestisce solide analisi, ma il suo rilevamento è a posteriori: scatta dopo la sottomissione, separato dallo strumento di valutazione dei danni. VAARHAFT esegue una valutazione della frode sulle immagini appositamente creata, con analisi dei metadati e mappe di calore per i periti, ma non fa alcuna valutazione dei danni, quindi ti ritrovi a gestire due fornitori che non condividono un modello. Tractable e CCC fanno la valutazione in modo splendido e non forniscono alcun rilevamento di deepfake. La compagnia finisce per cucire insieme autenticità e valutazione tra diversi fornitori, e la cucitura tra loro è esattamente il punto in cui un'immagine fabbricata sopravvive.

La risposta onesta non è un unico rilevatore. È un ensemble: analisi forense a livello di sensore, più una segmentazione che ragiona sul fatto che il danno sia fisicamente coerente (il tipo di verifica in cui un passaggio di stima della profondità segnala un ammaccamento la cui geometria l'illuminazione non riesce a spiegare, che è esattamente il punto in cui un pulito falso di diffusione si tradisce), più una vera catena di custodia — tutto all'interno dello stesso sistema che produce la stima.

La minaccia che non avevo previsto eravamo noi

Per un po' ho pensato che l'intero problema fosse esterno: i truffatori all'esterno, la nostra pipeline all'interno, un muro tra loro. Poi ci siamo sorpresi a fare noi stessi il danno.

Un assicurato aveva caricato la foto di un parafango posteriore ammaccato tramite un'app mobile. La nostra pipeline di immagini, come molte pipeline, eseguiva un passaggio di "miglioramento" per ripulire il rumore della fotocamera del telefono prima della valutazione. L'upscaler, addestrato a rendere le immagini più belle, ha interpretato l'ammaccamento come rumore e ne ha levigato via una parte. Il perito ha visto un'auto più pulita e meno danneggiata di quanto l'assicurato avesse effettivamente fotografato. Non eravamo stati attaccati. Avevamo alterato in silenzio la prova noi stessi.

È stato allora che la dimensione legale mi è piombata addosso, ed è la competenza con cui ora apro ogni conversazione con le compagnie. Secondo il diritto statunitense, alterare una prova rilevante per un procedimento legale è distruzione di prove (spoliation), e l'intenzione non ti salva. Il criterio non è "avevi buone intenzioni migliorando la foto". Il criterio è se pixel sintetici — pixel che il sensore della fotocamera non ha mai catturato — siano stati introdotti prima che qualcuno conservasse l'originale. Se un sinistro respinto finisce in causa e il tuo flusso di lavoro ha sovrascritto l'originale con una versione modificata dall'AI, ti trovi di fronte a istruzioni di inferenza sfavorevole, sanzioni o sentenza sommaria.

Qualsiasi pipeline in cui l'AI generativa tocca l'immagine di un sinistro — upscaling, denoising, "miglioramento" — comporta questa esposizione, e la maggior parte delle compagnie non l'ha mai sottoposta a verifica. La correzione nel nostro sistema è diventata una regola che non infrangiamo: l'immagine originale, catturata dal sensore, viene conservata, sottoposta ad hashing e mai sovrascritta; ogni trasformazione avviene su una copia con una traccia di provenienza registrata. Il miglioramento può ancora avvenire. Semplicemente non può avvenire sull'unica copia che un tribunale chiederà mai.

I regolatori hanno smesso di accettare "È stata la scatola nera del fornitore"

Le due minacce — la frode sintetica in entrata, la distruzione di prove che avviene all'interno — si scontrano con un contesto normativo che ha rapidamente messo i denti.

Il Model Bulletin della NAIC, ora adottato da 24 stati, richiede una governance dell'AI documentata, decisioni sui sinistri spiegabili e un monitoraggio continuo dei modelli. L'AI Act del Colorado entra in vigore il 30 giugno 2026, e una violazione è trattata come una pratica commerciale sleale o ingannevole. L'AI Act dell'UE classifica l'AI assicurativa come ad alto rischio con una scadenza di applicazione ad agosto 2026 e sanzioni fino a 35 milioni di euro o il 7% del fatturato globale. E si prevede che quest'anno la NAIC introduca una legge modello sulla supervisione dei fornitori terzi.

Quest'ultima è il terremoto silenzioso. Una compagnia è responsabile degli esiti dell'AI di un terzo — "l'ha deciso il modello del nostro fornitore SaaS" non è una difesa che un regolatore o un tribunale accetta. Una compagnia che usa un punteggio a scatola nera per respingere un sinistro non può produrre la spiegazione che i regolatori ora esigono. Una compagnia la cui pipeline ha alterato la prova non può produrre l'originale che un tribunale esige. Entrambe sono lo stesso fallimento vestito in due costumi: non controlli, non puoi spiegare e non hai conservato.

È anche per questo che sono scettico riguardo alla strada in cui un grande system integrator gestisce l'intera faccenda. Le grandi aziende sono davvero brave nell'integrazione con Guidewire e Duck Creek e nella stesura di framework di rischio. Ma raccomandano e integrano fornitori di piattaforme; non costruiscono computer vision forense su misura. Il loro lavoro sull'AI è incentrato sugli LLM — copiloti e triage agentico — e un ingaggio costa dai 500.000 ai 5 milioni di dollari con un periodo di avvio dai sei ai diciotto mesi prima che qualsiasi modello tocchi un sinistro reale. Puoi spendere un anno e un budget a sette cifre e ritrovarti comunque in mano una scatola nera che non riesci a spiegare al Colorado.

"Ma questo non rallenta l'elaborazione diretta (straight-through processing)?"

Questa è l'obiezione che ricevo più spesso, ed è legittima. L'intero settore spinge verso l'elaborazione diretta (straight-through processing): i principali assicuratori auto puntano a un STP del 70-90% sui sinistri auto personali di base, e IDC prevede un tasso di STP del 65% tra auto e abitazioni entro quest'anno. I periti sono costosi; il senso dell'AI è tenere le persone lontane dai sinistri di routine.

Si dà per scontato che l'autenticazione forense sia un attrito che rallenta di nuovo l'STP. È il contrario. Il modo più rapido per uccidere un programma di elaborazione diretta è un'organizzazione di frode resa pubblica o una sanzione per distruzione di prove — dopodiché ogni sinistro riceve una seconda occhiata umana "giusto per sicurezza", e il tuo tasso di automazione crolla. L'autenticazione è ciò che ti permette di tenere il cancello aperto. Quando il sistema può certificare che un'immagine è reale, inalterata e con provenienza registrata, quello è il sinistro che puoi approvare automaticamente in sicurezza. Non stai aggiungendo un checkpoint; ti stai guadagnando il diritto di saltarne uno.

Un sinistro che puoi dimostrare essere reale è un sinistro che puoi pagare in sicurezza senza che nessun essere umano lo tocchi mai.

E l'economia non è sottile. La frode nel ramo auto aggiunge già circa 900 $ all'anno al premio di ogni assicurato, e la computer vision fatta bene si prevede tagli i costi di elaborazione dei sinistri di 12 miliardi di dollari all'anno. Niente di tutto ciò si concretizza se le immagini in entrata sono fabbricate e gli originali in uscita sono alterati.

Cosa dovrebbe effettivamente verificare un responsabile sinistri?

Una VP dei sinistri una volta mi ha illustrato la sua griglia di valutazione dei fornitori — una ordinata scheda di precisione, integrazione, implementazione, prezzo. La colonna "rilevamento deepfake" era vuota per ogni fornitore in lista. Non con punteggio basso. Vuota. Nessuno l'aveva costruito, quindi nessuno veniva valutato su di esso, quindi era caduto del tutto fuori dalla valutazione. Ecco la trappola: puoi condurre un approvvigionamento rigoroso e non testare mai nemmeno una volta la minaccia che sta realmente crescendo.

Quindi la colonna che aggiungerei chiede qualcosa che il punteggio di precisione non può: lo strumento è in grado di dirti se un'immagine è autentica, non solo cosa raffigura? Da lì le domande smettono di riguardare le prestazioni e iniziano a riguardare la prova. Esporrà il suo ragionamento — la maschera di segmentazione, i segnali forensi — o ti consegnerà soltanto un numero di cui fidarti? L'immagine originale del sensore deve sopravvivere con una traccia di provenienza che potresti mettere davanti a un giudice. E sotto tutto questo c'è la questione della proprietà: stai gestendo un tuo modello e i tuoi dati, o affittando un modello condiviso e non messo a punto, che non puoi adattare al tuo portafoglio né spiegare al tuo regolatore?

Le compagnie che supereranno i prossimi due anni non saranno quelle con le stime dei danni più precise. Saranno quelle capaci di stare davanti a un regolatore, a un perito e infine a un giudice, e dimostrare che il pixel su cui hanno pagato era reale quando l'otturatore ha scattato — e che non l'hanno mai toccato dopo. Se ti piacerebbe vedere come abbiamo costruito una computer vision forense esattamente per questo, è tutto lì.

Tengo quelle due foto della berlina argento sul mio desktop. Una era un vero incidente. Una non è mai avvenuta. Il modello non riusciva a distinguerle, e per la maggior parte del settore ancora non ci riesce. L'intero lavoro, si scopre, non ha mai riguardato il vedere meglio il danno. Riguardava l'essere in grado di dire, con prova alla mano, quale delle due fosse vera.