Uma IA "Consertou" um Carro Destruído e Negou o Sinistro. Foi Aí que Entendi o Problema da Indústria.

Fiquei olhando para duas fotos do mesmo carro.

A primeira foi tirada por um segurado após uma colisão traseira. Metal amassado, tinta arranhada até o aço nu, um para-choque que parecia ter sido usado como lombada. A segunda foto — supostamente o mesmo veículo, processada pela reluzente e nova ferramenta de IA da seguradora — mostrava uma traseira impecável. Linhas suaves, pintura perfeita, nem um arranhão. O mecanismo automatizado de sinistros olhou para essa segunda imagem e fez exatamente o que você esperaria: negou o sinistro. Zero de dano visível.

O segurado, parado na entrada da garagem ao lado de um carro que muito obviamente tinha um para-choque destruído, processou a seguradora por má-fé. E a seguradora ficou segurando uma prova digitalmente fabricada que contradizia a realidade física.

Esse é o incidente do "Para-choque Impecável", e quando li os detalhes pela primeira vez, senti uma mistura de horror e reivindicação. Horror porque uma IA havia efetivamente cometido destruição de provas — alterando um registro legal de um modo que prejudicou uma pessoa real. Reivindicação porque esse era exatamente o modo de falha sobre o qual minha equipe e eu vínhamos alertando havia meses, a razão pela qual construímos a Veriprajna do jeito que construímos.

A indústria de seguros não tem um problema de IA. Ela tem um problema de verdade. E as ferramentas que a maioria das seguradoras está correndo para adotar estão piorando isso.

A Noite em que a Amassadura Desapareceu

Deixe-me explicar o que de fato aconteceu naquele caso do para-choque, porque o mecanismo técnico importa.

A seguradora havia integrado uma ferramenta de IA generativa ao seu aplicativo móvel de sinistros. O objetivo declarado era inocente o suficiente: "melhorar" a qualidade das fotos enviadas pelos clientes para que os peritos pudessem ver os danos com mais clareza. Iluminação melhor, detalhes mais nítidos, esse tipo de coisa.

Mas eis o que os modelos de imagem generativa de fato fazem. Eles são treinados em bilhões de imagens para aprender como as coisas deveriam parecer. No universo matemático do modelo — seu espaço latente — um "carro" é predominantemente representado como um objeto liso e simétrico, com superfícies intactas. É assim que os carros parecem na grande maioria das fotos na internet.

Então, quando esse modelo encontrou uma amassadura, ele não viu dano. Viu ruído. Uma anomalia estatística. Um desvio do padrão esperado de "carro". E fez o que foi projetado para fazer: removeu o ruído. O modelo usou um processo chamado inpainting para digitalmente suavizar o metal amassado de volta a um para-lama perfeito, pixel por pixel.

Uma amassadura, para um modelo de difusão, parece ruído. O modelo a remove. Na arte, isso é um recurso. Em seguros, é a destruição automatizada de provas.

Isso não foi um bug. O modelo funcionou exatamente como projetado. Essa é a parte que me tira o sono à noite.

Por Que a IA Generativa Continua Errando Nisso?

Lembro-me de uma conversa com um potencial investidor no início — talvez uns seis meses após começar a construir a Veriprajna. Ele acabara de sair de uma demonstração de outra startup de InsurTech, uma que estava usando GPT-4 Vision para classificar danos em veículos a partir de fotos. "Por que você não está simplesmente envelopando o GPT?", ele perguntou. "É mais rápido. É mais barato. A demonstração ficou ótima."

Abri duas imagens no meu laptop. Uma era uma foto real de dano por granizo em um sedã preto — pequenas covinhas invisíveis ao olho não treinado, mas claramente distorcendo os reflexos no capô. A outra era um deepfake que eu havia gerado em cerca de quatro minutos usando uma ferramenta de imagem de nível consumidor: um carro impecável com uma rachadura digitalmente pintada no para-brisa.

Perguntei a ele: "Qual delas tem dano real?"

Ele apontou para o deepfake.

Esse é o problema. Os modelos de IA generativa — os que alimentam a grande maioria das startups de "sinistros com IA" agora — operam com base na plausibilidade semântica, não na realidade forense. Eles são treinados para entender como as coisas parecem, não o que as coisas são. Um modelo que é brilhante em gerar imagens fotorrealistas de carros é, exatamente pelo mesmo mecanismo, péssimo em determinar se um dano em uma foto é real, sintético ou foi digitalmente apagado.

E as empresas que constroem em cima desses modelos? A maioria delas é o que a indústria chama de wrappers — finas camadas de interface sobre a API de outra pessoa. Elas não são donas do modelo. Não controlam os dados de treinamento. Não conseguem explicar por que uma decisão foi tomada. Se a OpenAI atualizar os pesos do seu modelo amanhã para serem mais "esteticamente agradáveis", a ferramenta de avaliação de danos de um wrapper pode começar a consertar carros com mais entusiasmo, e a empresa de InsurTech nem saberia que isso aconteceu.

A seguradora, enquanto isso, retém 100% da responsabilidade.

Escrevi sobre esse problema de dependência com mais profundidade na versão interativa da nossa pesquisa, mas a versão curta é: se você não é dono do cérebro que toma as decisões sobre seus sinistros, você não controla o seu risco.

O Que Acontece Quando os Fraudadores Recebem as Mesmas Ferramentas?

Eis a reviravolta que torna isso ainda pior.

Enquanto as seguradoras estão acidentalmente usando IA para apagar danos, os fraudadores estão usando a mesma tecnologia para fabricá-los. A barreira de entrada para a fraude em seguros basicamente ruiu.

Alguém pode agora fotografar um veículo perfeitamente intacto, abrir uma ferramenta de geração de imagem de nível consumidor e pedir para ela "adicionar um para-choque dianteiro amassado" ou "simular dano por incêndio". O inpainting moderno lida com iluminação, sombras e reflexos com um realismo aterrorizante. Um classificador de imagem de IA padrão — do tipo que a maioria das seguradoras usa — olhará para esse deepfake e confirmará: sim, este é um carro amassado. Ele falha porque avalia o conteúdo, não a impressão digital estrutural de como a imagem foi gerada.

Fica mais sombrio. Quadrilhas criminosas estão usando IA generativa para criar identidades sintéticas — rostos hiper-realistas de pessoas que não existem, carteiras de motorista falsas, registros médicos fabricados. Esses fantasmas digitais compram apólices, pagam prêmios por alguns meses para construir legitimidade e então abrem sinistros catastróficos. Em seguros de vida, obituários e laudos de necropsia gerados por IA. Em seguros de saúde, raios-X mostrando fraturas que nunca aconteceram.

E as defesas tradicionais estão falhando. As imagens geradas por IA frequentemente têm metadados apagados ou sintetizados. Revisores humanos? Pesquisas mostram que eles têm um desempenho pouco melhor do que um cara ou coroa na detecção de deepfakes de alta qualidade.

A mesma tecnologia que permite a uma seguradora "melhorar" uma foto permite a um fraudador fabricar uma. E a maioria das ferramentas de IA no mercado não consegue distinguir a diferença.

Essa é a corrida armamentista sobre a qual ninguém na InsurTech quer falar com honestidade.

A Lupa, Não o Pincel

Houve um momento específico em que a filosofia por trás da Veriprajna se cristalizou para mim. Minha equipe e eu estávamos discutindo — discutindo de verdade, com vozes exaltadas — sobre nossa abordagem técnica.

Um dos nossos engenheiros queria fazer o ajuste fino de um grande modelo de linguagem-visão para classificação de danos. Teria sido mais rápido de construir, mais fácil de demonstrar e, francamente, teria parecido mais impressionante para os investidores. "O mercado quer generativo", ele disse. "É onde está o financiamento."

Abri o caso do Para-choque Impecável na tela da sala de reuniões. "É aonde o generativo te leva", eu disse. "A um processo judicial e a um registro fabricado."

A sala ficou em silêncio. Então nosso pesquisador-chefe de visão computacional — que havia passado anos em inspeção industrial antes de se juntar a nós — disse algo que nunca esqueci: "Um perito não precisa de um pincel. Ele precisa de uma lupa."

Isso se tornou nosso princípio de design. Não geramos nada. Não modificamos um único pixel. Nós medimos.

Nossa arquitetura tem três camadas, e cada uma trata a imagem como prova, não como matéria-prima:

A segmentação semântica identifica os danos no nível do pixel. Não "este carro está danificado" — isso é inútil. Nossos modelos classificam cada pixel individual: este pixel é pintura não danificada, este pixel é um arranhão, este pixel é uma amassadura, este pixel é ferrugem. A saída é uma máscara precisa sobreposta à imagem original e intocada. Como conhecemos as dimensões físicas de peças específicas do carro — um para-choque de um Toyota Camry 2024 tem 180 cm de largura — podemos calcular a área exata de dano em centímetros quadrados. Esse número alimenta diretamente o software de estimativa de reparos.

A estimativa monocular de profundidade resolve o problema que arruinou o caso do para-choque: entender a geometria 3D a partir de uma foto plana. Ao treinar em conjuntos de dados massivos de geometrias de carros com dados de referência de LiDAR, nossos modelos aprendem como a curvatura de um arco de roda deveria parecer, o que significa a planura de um painel de porta. Uma amassadura aparece como um buraco no mapa de profundidade. Calculamos gradientes — um gradiente acentuado significa um vinco afiado que provavelmente precisa de troca de painel; um gradiente suave significa uma amassadura leve, reparável com reparo de amassaduras sem pintura. Podemos estimar o volume de metal deslocado. Não um palpite. Uma medição.

A análise de reflexão especular é a camada da qual mais me orgulho, porque ela capta o que todo o resto deixa passar. Os carros modernos são brilhantes. Suas superfícies agem como espelhos. Uma amassadura em um carro preto brilhante pode não mudar em nada a cor dos pixels — mas distorce o reflexo. Linhas retas no ambiente (horizontes, fios de energia, bordas de prédios) deveriam seguir a curvatura da carroceria do carro quando refletidas. Uma amassadura age como um espelho de casa de diversões, fazendo com que essas linhas se apertem, girem ou se quebrem. Treinamos nossos modelos para separar a cor da pintura dos padrões de reflexo e reconstruir o mapa de normais da superfície — um vetor 3D representando o ângulo da superfície em cada pixel. Isso detecta danos por granizo invisíveis a olho nu, flambagem estrutural longe do ponto de impacto e até reparos anteriores, onde marcas de lixamento perturbam a especularidade do verniz.

Para o detalhamento técnico completo das três camadas, veja nosso artigo de pesquisa.

Por Que as Seguradoras Simplesmente Não Conseguem Explicar as Decisões da Sua IA?

Essa é a pergunta que os reguladores estão fazendo agora, em alto e bom som, e a maioria das seguradoras não tem uma boa resposta.

A NAIC — a Associação Nacional de Comissários de Seguros dos EUA — emitiu um Boletim Modelo que mudou fundamentalmente o cenário de conformidade. Ele coloca a responsabilidade pelos resultados da IA diretamente sobre a seguradora, mesmo quando a IA é uma ferramenta de terceiros. Você não pode se esconder atrás da desculpa do wrapper. Se o modelo do seu fornecedor alucina ou discrimina, você é o responsável. O boletim exige programas de governança por escrito, due diligence sobre a linhagem de dados e a arquitetura do modelo do fornecedor e — criticamente — a capacidade de explicar qualquer decisão movida por IA a um segurado.

Tente explicar uma negativa de sinistro movida por um modelo generativo. "A distribuição probabilística do modelo preferiu um para-choque liso" não vai sobreviver a um tribunal.

Agora compare isso com o que o nosso sistema produz: "O sinistro foi processado com base na detecção de dano no painel traseiro esquerdo. O sistema identificou um arranhão medindo 14 cm de comprimento e uma amassadura com uma área de superfície de 45 cm², validada por análise de mapa de profundidade." Isso é empiricamente verificável. Isso é admissível.

A Lei de IA da UE vai além. A IA usada para avaliação de risco em seguros envolvendo pessoas físicas é classificada como de alto risco, acionando exigências obrigatórias de governança de dados, registro automático de eventos e supervisão humana. Nossa tecnologia de sobreposição de máscara — em que o perito vê a foto original com uma camada de análise que pode ser ativada e desativada — é especificamente projetada para isso. Não substituímos o humano. Nós o aumentamos. Ele continua sendo o tomador de decisão, o que é um porto seguro crítico sob a Lei.

E então há a destruição de provas. No sistema legal dos EUA, alterar provas relevantes para um processo judicial — mesmo que involuntariamente — pode resultar em sanções, instruções de inferência adversa (em que se diz ao júri para presumir que a prova perdida era prejudicial a você) ou julgamento sumário. Quando uma ferramenta de IA generativa introduz pixels sintéticos em uma foto de sinistro, isso é tecnicamente uma alteração. Se o original foi sobrescrito, isso é destruição de provas.

Fazemos o hash de cada imagem original com SHA-256 no instante em que ela chega. Nossa IA lê o buffer da imagem, mas nunca escreve nele. Toda a análise — máscaras, mapas de profundidade, relatórios — é salva como arquivos sidecar separados, vinculados ao hash original. Cada acesso é registrado. A prova permanece impecável.

Se a sua IA não consegue provar que não alterou a prova, você já perdeu o caso antes mesmo de ele começar.

A Corrida Armamentista para a Qual Ninguém se Preparou

As pessoas às vezes me perguntam se a visão computacional determinística é "suficiente" — se estamos sendo conservadores demais ao nos recusarmos a usar modelos generativos.

Acho que elas estão fazendo a pergunta errada.

A pergunta certa é: o que acontece quando o seu sistema de sinistros não consegue distinguir entre uma foto real e uma sintética? O que acontece quando o deepfake de um fraudador passa pelo seu classificador de IA com mais confiança do que um sinistro legítimo? O que acontece quando a sua ferramenta de "melhoramento" silenciosamente fabrica provas em um caso que acaba em um tribunal federal?

Isso não são hipóteses. Estão acontecendo agora. E as seguradoras que usam modelos generativos de propósito geral como sua primeira linha de defesa estão levando um pincel para uma investigação forense.

Nossos modelos são determinísticos. Você não pode fazer injeção de prompt em uma rede de segmentação semântica. Você não pode convencer com lábia um modelo de estimativa de profundidade a ignorar uma amassadura. Esses sistemas operam com gradientes de intensidade de pixel e análise de textura — eles extraem características das propriedades físicas da luz atingindo um sensor de câmera. Não há mecanismo de seguir instruções a ser explorado.

Isso não é conservadorismo. Isso é engenharia para um mundo em que o adversário tem acesso às mesmas ferramentas generativas que você.

A Tela do Perito

Quero terminar com uma imagem — não uma foto, mas um retrato de como acho que o futuro será.

Um perito abre seu painel. Ele não vê um carro "consertado". Ele não vê o melhor palpite de uma IA sobre como o carro poderia ter sido antes do acidente. Ele vê a foto real, tirada pelo segurado, com uma máscara de danos que pode ser ativada e desativada, mostrando exatamente onde a IA detectou arranhões, amassaduras e ferrugem. Ele vê um mapa de calor de profundidade revelando que a amassadura no painel traseiro tem 12 mm de profundidade com um gradiente acentuado — vinco afiado, provavelmente precisa de troca. Ele vê a análise de reflexo sinalizando uma flambagem sutil a sete centímetros do ponto de impacto que nenhum olho humano perceberia.

Ele vê uma trilha de auditoria explicando cada constatação. E ele toma a decisão.

A IA não decidiu. Ela iluminou. A prova não foi alterada. Ela foi revelada.

Essa é a diferença entre um sistema que cria ficções plausíveis e um que mede verdades inconvenientes. A indústria de seguros foi construída sobre o princípio de que você paga pelo que de fato aconteceu — não pelo que um modelo acha que provavelmente aconteceu. Cada pixel em uma foto de sinistro é uma prova. No momento em que você deixa uma IA alterar até mesmo um deles, você deixou o domínio da verdade e entrou no domínio da probabilidade.

E probabilidade, em um tribunal, é apenas outra palavra para dúvida razoável.