Claims Evidence Firewall
Un cancello di autenticazione forense per i sinistri di assicurazione auto. Ingerisce il pacchetto del sinistro, esegue un team forense multi-agente e un cancello di policy deterministico decide l'instradamento: AUTO-PROCEED, SIU-REFERRAL, HUMAN-REVIEW o ABSTAIN. Il caso per cui è costruito è quello che il vostro rilevatore di deepfake fa passare: una foto reale riciclata da un sinistro liquidato. Gli agenti consigliano, il codice decide, e ogni decisione viene scritta su un registro a prova di manomissione.
35 / 35
Frodi riciclate e con metadati contraffatti intercettate che un rilevatore a segnale singolo non vede (0 / 35)
Benchmark sintetico etichettato da 120 sinistri
0.0%
Tasso di falsa accusa: sinistri puliti instradati per errore alla SIU
0 of 47 sinistri puliti, stesso benchmark sintetico
100%
Decisioni con un record verificabile a catena di hash
Copertura di integrità di audit, mostrata in diretta dalla rottura della catena
Una demo eseguibile del meccanismo su sinistri sintetici e un indice storico sintetico. L'intera pipeline e l'esecuzione a schermo funzionano offline senza chiave API; gli analisti narrativi live sono la parte opzionale.
Volume senza verifica, e una catena di custodia che non potete difendere in tribunale.
Le compagnie assicurative sono sommerse da evidenze di sinistro manipulate e riciclate, e gran parte del rilevamento è frammentato e post-hoc: un rilevatore di deepfake di terze parti eseguito dopo l'invio, non un cancello dentro la pipeline. Un rilevatore di autenticità isolato ha due debolezze strutturali insieme. Diventa obsoleto nel momento in cui i generatori migliorano, ed è cieco alla frode più antica del mestiere, una foto genuina di fotocamera prelevata da un sinistro liquidato precedente, perché quella foto supera ogni test di autenticità essendo reale. Separatamente, se un passo di «enhancement» generativo o di upscale sovrascrive l'immagine originale del sinistro, la compagnia si espone a rischio di spoliazione in contenzioso.
I segnali di mercato sono difficili da ignorare. Nel 2026 State of Insurance Fraud (Verisk, 2026), il 98 percento degli assicuratori segnala un'impennata dei media manipolati, il 36 percento dei consumatori dice che altererebbe un'immagine di sinistro e solo il 32 percento degli assicuratori si sente molto sicuro nel rilevare i deepfake, eppure il 65 percento si affida a un rilevatore IA di terze parti e il 44 percento si basa ancora sulla revisione manuale. I tentativi di frode da deepfake sono aumentati del 2,137 percento in tre anni (Facia.ai), e un assicuratore auto britannico ha visto un aumento del 300 percento delle immagini di veicoli manipulate con IA in un solo anno (The Guardian and Milliman). Un singolo sinistro contestato che arriva in contenzioso costa da 30,000 to 75,000 dollari.
Il muro normativo è arrivato nello stesso momento. Un NAIC Model Bulletin sull'uso dell'IA è stato adottato da 24 stati, il Colorado AI Act entra in vigore il 30 giugno 2026 e la scadenza high-risk dell'EU AI Act cade nell'agosto 2026 con sanzioni fino a 35 million euros o al 7 percento del fatturato globale. Esternalizzare l'IA non esternalizza la responsabilità. Questo rende la traccia di audit dietro una decisione automatizzata ciò che tiene la decisione difendibile, non un optional.
L'autenticazione è un cancello, non un report. Il confine di fiducia è codice semplice, mai un self-report di un LLM.
La pipeline è diretta: un pacchetto di sinistro passa attraverso l'estrazione deterministica dei segnali, un team forense consiglia, un cancello di policy restituisce l'instradamento e un registro di evidenza a catena di hash lo registra. Il principio di progettazione è che flussi di evidenza indipendenti si corroborano a vicenda, e nessun analista è ritenuto affidabile per valutare la decisione su cui ha consigliato.
Codice semplice, segnali reali. Uno SHA-256 dell'originale viene calcolato all'ingest e aggiunto al registro a catena di hash. I metadati EXIF e di cattura vengono analizzati, e un perceptual hash a 256 bit (un average hash 16 per 16, chiamato pHash nel codice) esegue una ricerca nearest-neighbour su un indice storico di sinistri di circa 200 record. I metadati vengono confrontati con il sinistro per coerenza di dispositivo, GPS e data. L'originale non viene mai mutato, si scrivono solo artefatti sidecar.
Ogni decisione viene scritta in un record append-only a catena di hash per sinistro: lo SHA-256 originale, ciascun finding e la confidence dell'analista, la regola che è scattata, modello, versione e timestamp, e una mappatura di conformità NAIC AIS-Program ed EU AI Act. Si esporta come JSON e HTML renderizzato. La routine verify-chain ricalcola ogni anello e ricalcola l'hash di ciascun originale su disco, così la manomissione compare come una catena spezzata.
| Analista | Su cosa ragiona | Base |
|---|---|---|
| Provenance Analyst | Coerenza di metadati di cattura, EXIF e device-attestation rispetto al record del sinistro (dispositivo, GPS entro il raggio del luogo del sinistro, data di cattura). | deterministic, real signals |
| Pixel-Forensics Analyst | Un punteggio di artefatto di rumore del sensore e nel dominio della frequenza. Questo segnale è simulated, un sostituto di un futuro modello appreso di artefatti generativi, ed è etichettato simulated ovunque appaia a schermo. | simulated signal |
| Reuse Analyst | Corrispondenze di perceptual-hash rispetto all'indice storico dei sinistri, il segnale che intercetta una foto reale riciclata prelevata da un sinistro precedente. | deterministic, real pHash |
| Narrative-Consistency Analyst | Se il testo FNOL, i metadati e il danno visibile sono coerenti, per esempio una narrazione che descrive un tipo di impatto mentre l'immagine ne mostra un altro. Un vero compito di ragionamento cross-modal. | LLM reasoning |
| Adversarial Challenger | Uno scettico istruito a confutare ogni flag e a scagionare il reclamante, così restano in piedi solo i flag sopravvissuti e un contraente legittimo non viene accusato falsamente. | LLM reasoning |
Fuori dagli agenti, codice semplice aggrega i verdetti tipizzati degli analisti e i segnali grezzi rispetto alle soglie configurate dalla compagnia in un'unica decisione di instradamento riproducibile: AUTO-PROCEED, SIU-REFERRAL, HUMAN-REVIEW o ABSTAIN, dove ABSTAIN instrada a HUMAN-REVIEW. Il cancello è il confine di fiducia. È deterministico, quindi lo stesso sinistro produce la stessa decisione a ogni esecuzione, ed è questo che lo rende difendibile davanti a un regolatore in un modo in cui un self-report di un LLM non lo è. I ruoli narrativi e di Challenger girano attraverso un adapter intercambiabile per provider (Anthropic, OpenAI o Gemini, default claude-opus-4-8); senza chiave impostata ricadono su uno stub deterministico offline, e il cancello non cambia mai di mano.
Tutti i sinistri, le immagini e l'indice storico sono sintetici, costruiti per la demo. Non viene usata nessuna foto di sinistro reale, nessun contraente, nessuna compagnia né alcun account.
Quattro sinistri sintetici di first-notice-of-loss arrivano in attesa di verifica. La console inquadra il lavoro in modo chiaro: un truffatore può generare con diffusione un paraurti distrutto o riciclare una foto reale da un sinistro liquidato, e uno strumento di valutazione del danno valuterà volentieri entrambi. Il cancello verifica se l'evidenza di un sinistro può essere considerata attendibile prima che venga valutata o pagata.
Il sinistro CLM-C-1044 è il caso per cui il firewall è costruito. La sua immagine è una foto genuina di fotocamera, quindi provenance e pixel-forensics passano entrambi, che è esattamente dove un rilevatore di deepfake isolato si ferma e lo fa passare. Il Reuse Analyst fa corrispondere il suo perceptual hash a un sinistro precedente liquidato e il Narrative Analyst vede che il racconto e l'immagine discordano, quindi il cancello di policy deterministico lo instrada a SIU-REFERRAL con confidence 0.96, con un marcatore Duplicate image, matches prior claim sull'evidenza. Il rilevamento a segnale singolo lo fa passare; la forense cross-signal lo intercetta, e questo passaggio non dipende dal segnale simulato.
L'analisi della decisione rende visibile la corroborazione. Provenance legge consistent e Pixel-Forensics legge consistent ed è etichettato simulated, entrambi verdi. Reuse e Narrative-Consistency sono flagged, e l'Adversarial Challenger ha testato due flag e entrambi sono sopravvissuti. Il motivo dell'instradamento è nominato in termini chiari: il perceptual hash corrisponde al sinistro precedente HIST-4019 (Maple Mutual, 2025-11-29) a hamming distance 0. Un rilevatore di deepfake singolo perfetto non avrebbe potuto intercettarlo, perché nulla nella foto è falso.
Eseguire ogni sinistro nel set sintetico etichettato da 120 sinistri fa emergere il risultato duraturo. Delle 35 frodi che non portano alcun artefatto di autenticità, i 20 recycled-real e i 15 metadata-spoofed, una baseline di autenticità a segnale singolo ne intercetta 0 e il firewall le intercetta tutte e 35, perché quelle sono foto reali che un rilevatore isolato fa passare e la forense cross-signal è ciò che chiude il divario. I sinistri puliti passano dritti con un tasso di falsa accusa dello 0 percento, ogni decisione porta un record di audit verificabile, e il recall di instradamento delle frodi rispetto alle etichette di ground-truth legge 1.00. Sono cifre su un set sintetico fisso ed etichettato le cui classi di frode portano per costruzione firme rilevabili, non una garanzia open-world, quindi il numero da mettere in testa è il divario di copertura rispetto all'incumbent che un rilevatore isolato rappresenta.
Ogni decisione vincola l'immagine originale in una catena append-only a prova di manomissione. Modificare un originale archiviato, che è ciò che fa un enhancement generativo o una frode, spezza quella catena. Manomettete un originale già fatto passare e rivalidate, e la riga per CLM-A-1042 diventa rossa come Altered, spoliation, mentre le righe sigillate restano verdi, e il verificatore segnala chain broken, tampering detected. Un rischio di contenzioso di solito astratto diventa qualcosa che l'acquirente può vedere accadere.
Gira prima della valutazione del danno e davanti a strumenti come Tractable e CCC. Autentica ciò che valutano; non compete con loro.
| Questione | Un rilevatore di deepfake a segnale singolo | Claims Evidence Firewall |
|---|---|---|
| Foto reale riciclata | Fatta passare, perché la foto è genuina | Intercettata sui segnali di reuse del perceptual-hash e di narrative |
| Chi decide l'instradamento | Una soglia su un punteggio di un solo modello | Un cancello di policy deterministico fuori dal modello |
| Evidenza scarsa o in conflitto | Costretto a un pass o fail | Si astiene verso HUMAN-REVIEW invece di bluffare |
| Accusare falsamente un reclamante | Nessun controllo integrato | Un Adversarial Challenger lascia in piedi solo i flag sopravvissuti |
| Catena di custodia | Non affrontata | Registro a catena di hash, la manomissione compare come una catena spezzata |
| Traccia di audit | Un punteggio, non un record | Un record di evidenza JSON e HTML con una mappatura NAIC ed EU AI Act |
Un rilevatore di autenticità a segnale singolo pone una sola domanda: questa immagine è stata generata o alterata. Diventa obsoleto man mano che i generatori migliorano, ed è strutturalmente cieco a una foto reale riciclata da un sinistro precedente, perché quella foto supera ogni test di autenticità essendo genuina. Il firewall invece corrobora quattro segnali indipendenti, provenance, riuso storico tramite perceptual hash, coerenza narrativa e un segnale pixel-forensics simulato, così la foto reale riciclata che un rilevatore isolato fa passare viene comunque intercettata sui segnali di reuse e di narrative. Sul benchmark sintetico etichettato da 120 sinistri, una baseline a segnale singolo ha intercettato 0 of 35 frodi senza segnale e il firewall le ha intercettate tutte e 35.
No. Autentica l'evidenza prima della valutazione del danno, non stima il costo di riparazione né sostituisce un perito. Il punteggio di gravità già esistente della compagnia è accettato come campo di input, non ricalcolato qui. Immaginatelo come un cancello che decide se l'evidenza di un sinistro può essere considerata attendibile, posto davanti agli strumenti che valutano ciò che l'evidenza mostra.
Gli agenti si limitano a consigliare. La decisione di instradamento è presa da un cancello di policy deterministico scritto in codice semplice, fuori dal modello linguistico, che aggrega i verdetti tipizzati degli analisti e i segnali grezzi rispetto alle soglie che avete configurato in un unico esito riproducibile. Lo stesso sinistro produce la stessa decisione a ogni esecuzione, e ciascuna decisione viene scritta su un registro di evidenza append-only a catena di hash con modello, versione e timestamp e una mappatura di conformità NAIC ed EU AI Act. Quella mappatura è un record che il sistema produce, non una certificazione né un sign-off legale.
Si astiene verso un umano invece di bluffare un pass o un'accusa. Un'immagine a bassa risoluzione con metadati parziali viene instradata a ABSTAIN, poi HUMAN-REVIEW, marcata come bisognosa di prova. Un Adversarial Challenger gira anche su ogni sinistro, istruito a confutare ciascun flag e a scagionare il reclamante, così restano in piedi solo i flag che sopravvivono al controllo e un contraente legittimo non viene accusato falsamente. Nel benchmark, 0 of 47 sinistri puliti sono stati instradati alla SIU.
Non in questa demo. I connettori Guidewire ClaimCenter e Duck Creek, un SDK mobile di guided-capture, un verificatore C2PA reale e un database reale di impronte fotocamera PRNU sono stub o differiti. Il segnale pixel-forensics è simulato ed etichettato come tale a schermo, un sostituto di un futuro modello appreso di artefatti generativi. Ciò che gira oggi è la logica forense reale: la catena SHA-256, il parse EXIF, la ricerca di reuse per perceptual-hash, il ragionamento narrativo, il cancello di policy e il registro, tutto su sinistri sintetici e un indice storico sintetico.
No, e lo diciamo con attenzione. Le cifre di copertura 35 of 35, 0 percento di falsa accusa e 100 percento di integrità di audit sono su un benchmark sintetico fisso ed etichettato da 120 sinistri le cui classi di frode portano per costruzione firme rilevabili, quindi l'instradamento perfetto su quel set è una proprietà di quel set costruito, non una garanzia open-world. Il numero su cui vale la pena puntare è il divario di copertura rispetto a un approccio incumbent reale: una baseline a segnale singolo intercetta 0 of 35 frodi recycled-real e metadata-spoofed, e il firewall cross-signal le intercetta tutte e 35. Le rivendicazioni durature sono lo 0 percento di falsa accusa e il 100 percento di integrità di audit, entrambe valide a qualsiasi qualità del modello.
La ricerca dietro questa demo — l'architettura, il design della verifica e il blueprint per l'impresa.
Soluzione completa
Esplora la soluzione IA per i sinistri assicurativi & rilevamento deepfake →Un cancello forense per l'evidenza di sinistro, con una traccia di audit che regge.
Se i vostri team sinistri e SIU stanno valutando come autenticare l'evidenza di sinistro senza accusare falsamente i contraenti legittimi, e come tenere la decisione automatizzata difendibile sotto i bulletin NAIC e l'EU AI Act, ci farebbe davvero piacere sentire come ci state ragionando. Il problema è di tutto il settore e lo saranno anche le risposte.