Sua IA de Sinistros Reconhece Danos com Perfeição. Ela Não Faz Ideia Se o Dano É Real.

Eu tinha duas fotos do mesmo sedã prateado abertas em uma tela. A da esquerda era um amassado real no painel traseiro, de um arranhão em estacionamento. A da direita nunca havia sofrido nenhum acidente — alguém tinha alimentado uma foto limpa em um modelo de difusão e pedido que ele acrescentasse o dano. O vinco, a sombra sob a borda, o modo como a pintura refletia a luz: tudo gerado, nada disso físico.

Passei as duas pelo modelo de avaliação de danos que estávamos testando. As duas retornaram como dano genuíno. As duas receberam uma pontuação de gravidade. As duas receberam uma estimativa de reparo. A falsa, se é que houve diferença, teve uma leitura ligeiramente mais limpa, porque o dano gerado era mais organizado do que a bagunça do mundo real.

Foi na manhã em que entendi que IA para sinistros de seguros e detecção de deepfake são dois problemas completamente diferentes, e quase todo mundo no mercado está resolvendo o primeiro enquanto silenciosamente presume que ele cobre o segundo. Não cobre. Um modelo de avaliação de danos pergunta com o que isto se parece? Ele não pergunta isto era real? E, em 2026, é nessa lacuna que o dinheiro vai embora.

Sua IA de avaliação de danos avalia o conteúdo. A fraude vive na autenticidade. Esses não são o mesmo eixo, e a precisão em um não lhe compra nada no outro.

O Modelo de Ameaça Mudou Silenciosamente e as Ferramentas Não

A maior parte da IA para sinistros foi projetada em uma época em que a pior coisa que poderia acontecer era um número errado — uma estimativa que saía US$ 400 acima ou abaixo. Essa era toda a superfície de risco: a precisão da estimativa. Os fornecedores competiam nela, as equipes de compras a pontuavam, e todo mundo ficava melhor nisso.

Então as entradas se tornaram atacáveis. Qualquer pessoa com um celular agora pode tirar a foto de um carro sem danos e pedir a um modelo disponível gratuitamente que injete um para-choque destruído, completo com iluminação e reflexos plausíveis. A escala disso não é teórica. As tentativas de fraude com deepfake subiram 2.137% ao longo de três anos, e agora respondem por 6,5% de todas as fraudes de identidade detectadas no mundo financeiro e de pagamentos. No setor de seguros especificamente, os casos de fraude potencializada por IA nos EUA passaram de menos de 20.000 em 2022 para mais de 80.000 em 2025.

O número mais concreto que já vi vem do Reino Unido. Em abril de 2025, as seguradoras de automóveis de lá revelaram que fraudadores estavam usando modelos de difusão para injetar arranhões e rachaduras em fotos benignas, inflando os pagamentos médios em cerca de £13.000 por incidente. Isso não é um erro de arredondamento em uma carteira de negócios. Isso é um vazamento estrutural.

E os consumidores não estão exatamente resistindo. O estudo de fraude de março de 2026 da Verisk descobriu que 36% dos consumidores considerariam alterar a imagem de um sinistro, e entre a Geração Z esse número sobe para 55%. Enquanto isso, 98% das seguradoras agora relatam um aumento de mídia manipulada vinculada a ferramentas de IA. A oferta de ferramentas é infinita, o risco moral agora é generalizado, e o modelo de avaliação do outro lado está lendo o conteúdo como verdade.

Passei o Primeiro Trecho Construindo a Coisa Errada

Aqui está a parte da qual não me orgulho. Quando começamos, enquadrei o produto como um modelo de avaliação de danos melhor. Os líderes de mercado eram a régua, então eu queria superá-la. A Tractable, que captou US$ 185 milhões e processa mais de um bilhão de dólares em sinistros, anuncia cerca de 95% de precisão. A CCC Intelligent Solutions opera um pipeline de estimativa a pagamento em mais de 125 seguradoras e ultrapassou um bilhão em receita. O movimento óbvio era ser um pouquinho mais preciso do que isso e vender com base na diferença.

Levei esse enquadramento a uma conversa com um líder de sinistros de uma seguradora de médio porte, e a resposta foi uma versão educada de já temos um desses. E foi a resposta certa. Mais um ponto de precisão na avaliação de danos era uma vitamina, não um analgésico. O que preocupava aquela equipe não era se suas estimativas tinham 94% de precisão em vez de 96%. Era quantas das fotos que alimentavam essas estimativas eram reais para começar.

Aquela conversa me custou cerca de um mês de convicção. Tínhamos construído em direção ao eixo completamente errado. A constatação que pagou por tudo o que veio depois era simples e um pouco humilhante: um modelo de conteúdo mais preciso torna o problema da fraude pior, não melhor, porque ele confere um carimbo de aprovação mais confiante a uma imagem fabricada. Quanto melhor for o seu modelo em ler danos, mais limpo será o pagamento na foto falsa.

Então paramos de competir em precisão e começamos a construir para a autenticidade. Isso significava tratar cada foto de sinistro não como dados a serem pontuados, mas como evidência a ser autenticada — medida e preservada.

Por Que "Só Adicionar um Detector de Deepfake" Não Funciona?

O primeiro instinto que todo mundo tem — inclusive o nosso — é acoplar um detector de deepfake na frente do pipeline. Existe uma técnica forense bem conhecida chamada PRNU, sigla para photo-response non-uniformity (não uniformidade da resposta fotográfica). Todo sensor de câmera tem uma impressão digital de ruído tênue e única, e se uma imagem foi sintetizada em vez de capturada, essa impressão digital está ausente ou errada. Em laboratório, é elegante.

Em um pipeline de sinistros real, o PRNU sozinho desmorona. As fotos de celular são comprimidas, salvas novamente, passadas pelo aplicativo de mensagens que o segurado usou para enviá-las e pós-processadas antes mesmo de chegarem até você. Tudo isso borra a impressão digital do sensor, e a técnica ainda é computacionalmente pesada. Por si só, ela simplesmente não é competitiva com a geração moderna. As seguradoras sabem que isso é difícil, e é por isso que apenas 32% das seguradoras dizem se sentir muito confiantes em detectar deepfakes, e 76% relatam que as submissões manipuladas que veem estão ficando mais sofisticadas.

O problema da detecção não é "temos um modelo de deepfake". É que a detecção fica em um produto separado da avaliação, então a verificação de autenticidade e a verificação de danos nunca realmente conversam entre si.

Esta é a lacuna estrutural para a qual eu apontaria qualquer seguradora, e é a razão pela qual construímos visão computacional forense para todo o pipeline de evidências de sinistros em vez de um detector autônomo. A Verisk publica excelentes pesquisas sobre fraude e opera análises fortes, mas sua detecção é posterior ao fato — ela dispara depois da submissão, separada da ferramenta de danos. A VAARHAFT faz pontuação de fraude de imagem sob medida com análise de metadados e mapas de calor para reguladores de sinistros, mas não faz nenhuma avaliação de danos, então você acaba operando com dois fornecedores que não compartilham um modelo. A Tractable e a CCC fazem a avaliação lindamente e não entregam nenhuma detecção de deepfake. A seguradora acaba costurando autenticidade e avaliação entre fornecedores, e a emenda entre eles é exatamente onde uma imagem fabricada sobrevive.

A resposta honesta não é um único detector. É um conjunto — forense em nível de sensor, mais segmentação que raciocina sobre se o dano é fisicamente consistente (o tipo de verificação em que uma passagem de estimativa de profundidade sinaliza um amassado cuja geometria a iluminação não consegue justificar, que é exatamente onde uma falsificação de difusão limpa se entrega), mais uma verdadeira cadeia de custódia — tudo dentro do mesmo sistema que produz a estimativa.

A Ameaça Que Não Vi Chegando Éramos Nós

Por um tempo, achei que todo o problema fosse externo — fraudadores do lado de fora, nosso pipeline do lado de dentro, um muro entre eles. Então nos pegamos causando o dano.

Um segurado havia enviado a foto de um painel traseiro amassado por meio de um aplicativo móvel. Nosso pipeline de imagem, como muitos pipelines, executava uma passagem de "aprimoramento" para limpar o ruído da câmera de celular antes da avaliação. O ampliador de imagem, treinado para fazer as imagens ficarem melhores, interpretou o amassado como ruído e suavizou parte dele. O regulador de sinistros viu um carro mais limpo e menos danificado do que o segurado realmente havia fotografado. Não tínhamos sido atacados. Nós mesmos havíamos alterado silenciosamente a evidência.

Foi aí que a dimensão jurídica caiu sobre mim, e é a expertise com a qual eu agora lidero toda conversa com seguradoras. Sob a lei dos EUA, alterar uma evidência relevante para um processo judicial é destruição de provas (spoliation), e a intenção não te salva. O teste não é "você tinha boas intenções ao aprimorar a foto". O teste é se pixels sintéticos — pixels que o sensor da câmera nunca capturou — foram introduzidos antes que alguém preservasse o original. Se um sinistro negado for para o litígio e seu fluxo de trabalho tiver sobrescrito o original com uma versão modificada por IA, você estará diante de instruções de inferência adversa, sanções ou julgamento sumário.

Qualquer pipeline em que a IA generativa toque uma imagem de sinistro — ampliação, remoção de ruído, "aprimoramento" — carrega essa exposição, e a maioria das seguradoras nunca a auditou. A correção em nosso sistema virou uma regra que não quebramos: a imagem original, capturada pelo sensor, é preservada, com hash gerado e nunca sobrescrita; toda transformação acontece em uma cópia com uma trilha de proveniência registrada. O aprimoramento ainda pode acontecer. Ele só não pode acontecer na única cópia que um tribunal algum dia vai pedir.

Os Reguladores Cansaram de Aceitar "A Caixa-Preta do Fornecedor Que Fez Isso"

As duas ameaças — a fraude sintética entrando, a destruição de provas acontecendo por dentro — colidem com um ambiente de conformidade que ganhou dentes rapidamente.

O NAIC Model Bulletin, agora adotado por 24 estados, exige governança de IA documentada, decisões de sinistro explicáveis e monitoramento contínuo dos modelos. O AI Act do Colorado entra em vigor em 30 de junho de 2026, e uma violação é tratada como prática comercial desleal ou enganosa. O EU AI Act classifica a IA de seguros como de alto risco, com prazo de aplicação em agosto de 2026 e penalidades de até €35 milhões ou 7% do faturamento global. E espera-se que o NAIC apresente uma lei-modelo sobre supervisão de fornecedores terceirizados este ano.

Esse último é o terremoto silencioso. Uma seguradora é responsável pelos resultados de uma IA de terceiros — "o modelo do nosso fornecedor de SaaS decidiu isso" não é uma defesa que um regulador ou um tribunal aceite. Uma seguradora que usa uma pontuação de caixa-preta para negar um sinistro não consegue produzir a explicação que os reguladores agora exigem. Uma seguradora cujo pipeline alterou a evidência não consegue produzir o original que um tribunal exige. Ambos são a mesma falha usando duas fantasias: você não controla, não consegue explicar e não preservou.

É também por isso que sou cético em relação ao caminho em que uma grande integradora de sistemas opera tudo. As grandes empresas são genuinamente boas em integração de Guidewire e Duck Creek e em escrever estruturas de risco. Mas elas recomendam e integram fornecedores de plataforma; não constroem visão computacional forense sob medida. O trabalho de IA delas é centrado em LLM — copilotos e triagem agêntica — e um contrato custa de US$ 500 mil a US$ 5 milhões, com uma preparação de seis a dezoito meses antes que qualquer modelo toque um sinistro real. Você pode gastar um ano e um orçamento de sete dígitos e ainda estar segurando uma caixa-preta que não consegue explicar ao Colorado.

"Mas Isso Não Torna o Processamento Direto Mais Lento?"

Essa é a objeção que mais recebo, e é uma objeção justa. O setor inteiro está avançando em direção ao processamento direto (straight-through processing) — as principais seguradoras de automóveis miram em 70–90% de STP em sinistros básicos de automóvel pessoal, e a IDC projeta uma taxa de 65% de STP em automóvel e residencial até este ano. Reguladores de sinistros são caros; o objetivo da IA é manter os humanos fora dos sinistros de rotina.

As pessoas presumem que a autenticação forense é um atrito que puxa o STP de volta para baixo. É o oposto. A maneira mais rápida de matar um programa de processamento direto é uma quadrilha de fraude divulgada ou uma sanção por destruição de provas — depois disso, todo sinistro ganha uma segunda olhada humana "só por precaução", e sua taxa de automação despenca. A autenticação é o que permite manter o portão aberto. Quando o sistema consegue certificar que uma imagem é real, inalterada e com proveniência registrada, esse é o sinistro que você pode aprovar automaticamente com segurança. Você não está adicionando um ponto de verificação; está conquistando o direito de pular um.

Um sinistro que você consegue provar que é real é um sinistro que você pode pagar com segurança sem que nenhum humano jamais toque nele.

E a economia não é sutil. A fraude em automóveis já adiciona cerca de US$ 900 por ano ao prêmio de cada segurado, e projeta-se que a visão computacional bem feita corte os custos de processamento de sinistros em US$ 12 bilhões anualmente. Nada disso se concretiza se as imagens que entram são fabricadas e os originais que saem são alterados.

O Que um Líder de Sinistros Deveria Realmente Testar?

Uma VP de sinistros uma vez me mostrou sua grade de avaliação de fornecedores — um cartão de pontuação organizado com precisão, integração, implantação, preço. A coluna de "detecção de deepfake" estava em branco em todos os fornecedores pré-selecionados. Não com pontuação baixa. Em branco. Ninguém a havia construído, então ninguém foi avaliado nisso, então isso caiu inteiramente da avaliação. Essa é a armadilha: você pode conduzir uma compra rigorosa e nunca uma única vez testar a ameaça que está de fato crescendo.

Então a coluna que eu adicionaria pergunta algo que a pontuação de precisão não consegue: a ferramenta consegue dizer se uma imagem é autêntica, não apenas o que ela retrata? A partir daí, as perguntas deixam de ser sobre desempenho e passam a ser sobre prova. Ela vai expor seu raciocínio — a máscara de segmentação, os sinais forenses — ou apenas te entregar um número para confiar? A imagem original do sensor precisa sobreviver com uma trilha de proveniência que você poderia colocar diante de um juiz. E, por baixo de tudo isso, está a questão da propriedade: você está operando seu próprio modelo e seus próprios dados, ou alugando um modelo compartilhado, sem ajuste fino, que você não pode ajustar à sua carteira nem explicar ao seu regulador?

As seguradoras que atravessarem os próximos dois anos não serão as que têm as estimativas de danos mais precisas. Serão as que conseguirem ficar diante de um regulador, de um regulador de sinistros e, eventualmente, de um juiz, e provar que o pixel sobre o qual pagaram era real quando o obturador disparou — e que nunca o tocaram depois. Se você quiser ver como construímos visão computacional forense exatamente para isso, está tudo lá.

Guardo aquelas duas fotos do sedã prateado na minha área de trabalho. Uma foi um acidente real. A outra nunca aconteceu. O modelo não conseguiu distingui-las, e, para a maior parte do setor, ainda não consegue. Todo o trabalho, acontece, nunca foi sobre enxergar o dano melhor. Era sobre ser capaz de dizer, com prova, qual das duas era verdadeira.