Claims Evidence Firewall

Autentique a evidência do sinistro de seguro antes de avaliar o dano

Um portão de autenticação forense para sinistros de seguro auto. Ele ingere o pacote do sinistro, executa uma equipe forense multiagente, e um portão de política determinístico decide a rota: AUTO-PROCEED, SIU-REFERRAL, HUMAN-REVIEW ou ABSTAIN. O caso para o qual foi construído é aquele que o seu detector de deepfake deixa passar: uma foto real reciclada de um sinistro já liquidado. Agentes aconselham, o código decide, e cada decisão é gravada em um livro-razão à prova de adulteração.

35 / 35

Fraudes recicladas e com metadados falsificados capturadas, que um detector de sinal único deixa passar (0 / 35)

Benchmark sintético rotulado de 120 sinistros

0.0%

Taxa de acusação falsa: sinistros limpos encaminhados indevidamente ao SIU

0 de 47 sinistros limpos, o mesmo benchmark sintético

100%

Decisões que carregam um registro verificável encadeado por hash

Cobertura de integridade de auditoria, mostrada ao vivo pela quebra de cadeia

Uma demonstração executável do mecanismo em sinistros sintéticos e um índice histórico sintético. O pipeline completo e a execução na tela funcionam offline, sem chave de API; os analistas narrativos ao vivo são a parte opcional.

A fraude que vence o seu detector não é falsa. É reciclada.

Volume sem verificação, e uma cadeia de custódia que você não consegue defender em juízo.

As seguradoras estão sendo inundadas com evidências de sinistro manipuladas e recicladas, e a maior parte da detecção é fragmentada e a posteriori: um detector de deepfake de terceiro rodado depois do envio, não um portão dentro do pipeline. Um detector de autenticidade isolado tem duas fraquezas estruturais ao mesmo tempo. Ele envelhece no instante em que os geradores melhoram, e é cego à fraude mais antiga do livro: uma foto genuína de câmera extraída de um sinistro anterior já liquidado, porque essa foto passa em todo teste de autenticidade por ser real. Separadamente, se um passo generativo de "aprimoramento" ou upscale sobrescreve a imagem original do sinistro, a seguradora assume exposição a spoliation em litígio.

Os sinais de mercado são difíceis de ignorar. No State of Insurance Fraud de 2026 (Verisk, 2026), 98 por cento das seguradoras relatam um aumento de mídia manipulada, 36 por cento dos consumidores dizem que alterariam uma imagem de sinistro, e apenas 32 por cento das seguradoras se sentem muito confiantes em detectar deepfakes, ainda assim 65 por cento se apoiam em um detector de IA de terceiro e 44 por cento ainda dependem de revisão manual. Tentativas de fraude com deepfake subiram 2,137 por cento em três anos (Facia.ai), e uma seguradora de automóveis do Reino Unido viu um aumento de 300 por cento em imagens de veículos manipuladas por IA em um único ano (The Guardian e Milliman). Um único sinistro contestado que chega a litígio custa de 30,000 a 75,000 dólares.

A muralha regulatória chegou ao mesmo tempo. Um Boletim Modelo da NAIC sobre uso de IA foi adotado por 24 estados, o Colorado AI Act entra em vigor em 30 de junho de 2026, e o prazo de alto risco do EU AI Act cai em agosto de 2026, com penalidades de até 35 milhões de euros ou 7 por cento do faturamento global. Terceirizar a IA não terceiriza a responsabilidade. Isso faz da trilha de auditoria por trás de uma decisão automatizada a coisa que mantém a decisão defensável, não um extra opcional.

Uma equipe forense aconselha, um portão de política determinístico decide

Autenticação é um portão, não um relatório. A fronteira de confiança é código explícito, nunca um autorrelato de um LLM.

O pipeline é direto: um pacote de sinistro passa por extração determinística de sinais, uma equipe forense aconselha, um portão de política devolve a rota, e um livro-razão de evidências encadeado por hash registra isso. O princípio de desenho é que fluxos independentes de evidência se corroboram, e nenhum analista é confiável para avaliar a decisão sobre a qual ele próprio aconselhou.

Extração determinística de sinais

Código explícito, sinais reais. Um SHA-256 do original é obtido na ingestão e anexado ao livro-razão encadeado por hash. Metadados EXIF e de captura são analisados, e um hash perceptual de 256 bits (um average hash 16 por 16, chamado pHash no código) executa uma busca de vizinho mais próximo sobre um índice histórico de sinistros de cerca de 200 registros. Os metadados são checados contra o sinistro quanto a consistência de dispositivo, GPS e data. O original nunca é mutado; apenas artefatos sidecar são escritos.

Livro-razão de evidências encadeado por hash

Cada decisão é gravada em um registro append-only, encadeado por hash, por sinistro: o SHA-256 original, cada achado do analista e a confiança, a regra que disparou, modelo, versão e timestamps, e um mapeamento de conformidade NAIC AIS-Program e EU AI Act. Exporta como JSON e HTML renderizado. A rotina verify-chain recomputa cada elo e re-hasheia cada original em disco, de modo que a adulteração aparece como uma cadeia quebrada.

A equipe forense: quatro analistas e um Challenger adversarial

Analista	Sobre o que raciocina	Base
Provenance Analyst	Consistência de metadados de captura, EXIF e atestação de dispositivo contra o registro do sinistro (dispositivo, GPS dentro do alcance do local da perda, data de captura).	sinais determinísticos, reais
Pixel-Forensics Analyst	Um escore de artefato de ruído de sensor e domínio de frequência. Este sinal é simulado, um substituto para um futuro modelo aprendido de artefato generativo, e está rotulado como simulado em todos os lugares em que aparece na tela.	sinal simulado
Reuse Analyst	Correspondências de hash perceptual contra o índice histórico de sinistros, o sinal que captura uma foto real reciclada extraída de um sinistro anterior.	pHash determinístico, real
Narrative-Consistency Analyst	Se o texto do FNOL, os metadados e o dano visível coerem, por exemplo uma narrativa que descreve um tipo de impacto enquanto a imagem mostra outro. Uma tarefa genuína de raciocínio cross-modal.	raciocínio de LLM
Adversarial Challenger	Um cético instruído a refutar cada sinalização e inocentar o segurado, de modo que só as sinalizações sobreviventes permaneçam e um titular de apólice legítimo não seja acusado falsamente.	raciocínio de LLM

O portão de política: o código decide

Fora dos agentes, código explícito agrega os vereditos tipados dos analistas e os sinais brutos contra os limiares configurados da seguradora em uma decisão de roteamento reproduzível: AUTO-PROCEED, SIU-REFERRAL, HUMAN-REVIEW ou ABSTAIN, em que ABSTAIN encaminha para HUMAN-REVIEW. O portão é a fronteira de confiança. É determinístico, então o mesmo sinistro produz a mesma decisão a cada execução, o que o torna defensável perante um regulador de um modo que um autorrelato de LLM não é. Os papéis de narrativa e challenger rodam por um adaptador intercambiável de provedor (Anthropic, OpenAI ou Gemini, padrão claude-opus-4-8); sem chave configurada, recuam para um stub offline determinístico, e o portão nunca muda de mãos.

Sinistros trabalhados, na tela

Todos os sinistros, imagens e o índice histórico são sintéticos, construídos para a demonstração. Nenhuma foto real de sinistro, titular de apólice, seguradora ou conta é usada.

A fila de intake do FNOL

Quatro sinistros sintéticos de first-notice-of-loss chegam aguardando verificação. O console formula o trabalho com clareza: um fraudador pode gerar por difusão um para-choque amassado ou reciclar uma foto real de um sinistro liquidado, e uma ferramenta de avaliação de danos pontuará qualquer um dos dois de bom grado. O portão verifica se a evidência de um sinistro pode ser confiável antes de ser avaliada ou paga.

A fila de intake FNOL do Claims Evidence Firewall listando quatro sinistros auto sintéticos, de CLM-A-1042 a CLM-D-1045, cada um com segurado, tipo de perda, escore de gravidade e um status Aguardando verificação. — A fila de intake: quatro sinistros entram no pipeline forense antes de qualquer avaliação de danos.

A foto real reciclada que um detector único libera

O sinistro CLM-C-1044 é o caso para o qual o firewall foi construído. Sua imagem é uma foto genuína de câmera, então proveniência e pixel-forensics ambos passam, que é exatamente onde um detector de deepfake isolado para e o libera. O Reuse Analyst corresponde o hash perceptual a um sinistro anterior liquidado e o Narrative Analyst vê que o relato e a imagem discordam, então o portão de política determinístico o encaminha para SIU-REFERRAL com confiança 0.96, com um marcador Duplicate image, matches prior claim na evidência. A detecção de sinal único passa nisto; a perícia cross-signal captura, e este resultado não depende do sinal simulado.

Sinistro CLM-C-1044 expandido mostrando a imagem de evidência carimbada Flagged SIU com um marcador Duplicate image, matches prior claim, os detalhes do first-notice-of-loss, o pipeline forense de nove estágios e um veredito Referred to Special Investigations com confiança 0.96 decidido pelo portão de política determinístico. — CLM-C-1044: uma foto real, reciclada. O portão de política a encaminha ao SIU pelos sinais de reuso e narrativa.

Por que a equipe vence um classificador

A análise da decisão torna a corroboração visível. Provenance lê consistente e Pixel-Forensics lê consistente e está rotulado como simulado, ambos verdes. Reuse e Narrative-Consistency estão sinalizados, e o Challenger adversarial testou duas sinalizações e ambas sobreviveram. O motivo da rota é nomeado em termos claros: o hash perceptual corresponde ao sinistro anterior HIST-4019 (Maple Mutual, 2025-11-29) com distância de Hamming 0. Um detector de deepfake único perfeito não teria capturado isto, porque nada na foto é falso.

O painel Decision analysis de CLM-C-1044 mostrando quatro vereditos de analista: Provenance Analyst consistente, Pixel-Forensics Analyst consistente e simulado com escore de artefato 0.06, Reuse Analyst sinalizado, e Narrative-Consistency Analyst sinalizado porque a narrativa e a foto discordam, com uma nota de que o challenger adversarial testou duas sinalizações e duas sobreviveram, e uma linha why-this-route citando uma correspondência de hash perceptual com o sinistro anterior HIST-4019. — Quatro vereditos de analista, uma checagem adversarial e um motivo nomeado. A prova por trás do encaminhamento ao SIU.

A lacuna de cobertura, em benchmark

Rodar cada sinistro no conjunto sintético rotulado de 120 sinistros evidencia o resultado durável. Das 35 fraudes que não carregam artefato de autenticidade — os 20 recycled-real e os 15 metadata-spoofed —, uma linha de base de autenticidade de sinal único captura 0 e o firewall captura todas as 35, porque essas são fotos reais que um detector isolado libera e a perícia cross-signal é o que fecha a lacuna. Sinistros limpos passam direto com taxa de acusação falsa de 0 por cento, cada decisão carrega um registro de auditoria verificável, e o recall de roteamento de fraude contra os rótulos de ground-truth lê 1.00. São cifras em um conjunto sintético fixo e rotulado cujas classes de fraude carregam assinaturas detectáveis por construção, não uma garantia em mundo aberto, então o número a liderar é a lacuna de cobertura contra o incumbente que um detector isolado representa.

O painel de benchmark sobre 120 sinistros rotulados mostrando cartões de métrica para 100 por cento de limpos em passagem direta, 100 por cento de decisões com registro de auditoria verificável, taxa de acusação falsa de 0 por cento, e recall de roteamento de fraude 1.00, acima de uma linha de lacuna de cobertura lendo 0 de 35 capturados por um detector de sinal único versus 35 de 35 capturados pelo firewall, com uma nota de que essas são fotos reais que um detector de autenticidade isolado libera. — 0 de 35 versus 35 de 35: a lacuna de cobertura que uma linha de base de sinal único deixa aberta, fechada pela equipe.

Spoliation, transformada em uma linha vermelha

Cada decisão vincula a imagem original a uma cadeia append-only, à prova de adulteração. Editar um original armazenado, que é o que um aprimoramento generativo ou uma fraude faz, quebra essa cadeia. Adultere um original liberado e re-verifique, e a linha de CLM-A-1042 fica vermelha como Altered, spoliation, enquanto as linhas seladas permanecem verdes, e o verificador reporta chain broken, tampering detected. Um risco de litígio que costuma ser abstrato vira algo que o comprador pode ver acontecer.

A visão de cadeia de custódia do Evidence Certificate após adulterar o original de CLM-A-1042: sua linha está vermelha lendo Altered e spoliation com o original em disco marcado Altered, spoliation, enquanto as linhas de CLM-B, CLM-C e CLM-D leem Sealed e Unaltered, e uma linha de status lê chain broken, tampering detected. — A quebra de cadeia: verify-chain re-hasheia cada original em disco e sinaliza o alterado como spoliation.

Onde o firewall se posiciona, e onde não se posiciona

Ele roda antes da avaliação de danos e à frente de ferramentas como Tractable e CCC. Autentica o que elas avaliam; não compete com elas.

Preocupação	Um detector de deepfake de sinal único	Claims Evidence Firewall
Foto real reciclada	Liberada, porque a foto é genuína	Capturada pelos sinais de reuso de hash perceptual e de narrativa
Quem decide a rota	Um limiar sobre um único escore de modelo	Um portão de política determinístico fora do modelo
Evidência fraca ou conflitante	Forçado a um passa ou falha	Abstém-se para HUMAN-REVIEW em vez de blefar
Acusar falsamente um segurado	Sem checagem embutida	Um Challenger adversarial libera apenas sinalizações sobreviventes
Cadeia de custódia	Não abordada	Livro-razão encadeado por hash, adulteração aparece como cadeia quebrada
Trilha de auditoria	Um escore, não um registro	Um registro de evidência em JSON e HTML com um mapeamento NAIC e EU AI Act

O que esta demonstração não faz

Ela não se conecta a sistemas vivos de seguradoras. Os conectores Guidewire ClaimCenter e Duck Creek, um SDK móvel de captura guiada, um verificador C2PA real e um banco de dados real de impressão digital de câmera PRNU estão como stubs ou adiados.
O sinal de pixel-forensics é simulado e rotulado como tal na tela, um substituto para um futuro modelo aprendido de artefato generativo. O diferenciador de foto reciclada não depende dele.
Ela não avalia danos, estima custo de reparo nem substitui Tractable ou CCC. O escore de gravidade da seguradora é aceito como um campo de entrada, não computado aqui.
Cada sinistro, imagem, titular de apólice, seguradora e o índice histórico é sintético. Nenhuma foto real de sinistro, sistema vivo de seguradora ou conta externa é usada.
As cifras de benchmark estão em um conjunto sintético fixo e rotulado de 120 sinistros cujas classes de fraude carregam assinaturas detectáveis por construção. As afirmações honestas são a lacuna de cobertura sobre uma linha de base de sinal único, acusação falsa de 0 por cento e 100 por cento de integridade de auditoria nesse conjunto, não fraude zero nem detecção perfeita no mundo aberto.
O mapeamento NAIC e EU AI Act é um registro de conformidade que o sistema produz, não uma certificação, um visto de auditoria nem uma garantia jurídica.

Perguntas que os compradores fazem

Como isso é diferente do detector de deepfake que já rodamos?

Um detector de autenticidade de sinal único faz uma pergunta: esta imagem foi gerada ou alterada. Ele envelhece à medida que os geradores melhoram, e é estruturalmente cego a uma foto real reciclada de um sinistro anterior, porque essa foto passa em todo teste de autenticidade por ser genuína. O firewall corrobora quatro sinais independentes em vez disso — proveniência, reuso histórico por hash perceptual, coerência narrativa e um sinal simulado de pixel-forensics —, então a foto real reciclada que um detector isolado libera ainda é capturada pelos sinais de reuso e narrativa. No benchmark sintético rotulado de 120 sinistros, uma linha de base de sinal único capturou 0 das 35 fraudes sem sinal e o firewall capturou todas as 35.

Isso substitui Tractable ou CCC na avaliação de danos?

Não. Ele autentica a evidência antes da avaliação de danos; não estima custo de reparo nem substitui um avaliador. O escore de gravidade já existente da seguradora é aceito como um campo de entrada, não recomputado aqui. Pense nele como um portão que decide se a evidência de um sinistro pode ser confiável, à frente das ferramentas que avaliam o que a evidência mostra.

A IA está emitindo um veredito de fraude. Como defendemos isso perante um regulador?

Os agentes apenas aconselham. A decisão de roteamento é tomada por um portão de política determinístico escrito em código explícito, fora do modelo de linguagem, que agrega os vereditos tipados dos analistas e os sinais brutos contra os seus limiares configurados em um único resultado reproduzível. O mesmo sinistro produz a mesma decisão a cada execução, e cada decisão é gravada em um livro-razão de evidências append-only, encadeado por hash, com modelo, versão e timestamps e um mapeamento de conformidade NAIC e EU AI Act. Esse mapeamento é um registro que o sistema produz, não uma certificação nem um visto jurídico.

O que ele faz quando a evidência é fraca demais para decidir?

Ele se abstém para um humano em vez de blefar um passa ou uma acusação. Uma imagem de baixa resolução com metadados parciais é roteada para ABSTAIN, depois HUMAN-REVIEW, marcada como precisando de prova. Um Challenger adversarial também roda em todo sinistro, instruído a refutar cada sinalização e inocentar o segurado, de modo que só as sinalizações que sobrevivem ao escrutínio permaneçam e um titular de apólice legítimo não seja acusado falsamente. No benchmark, 0 dos 47 sinistros limpos foram encaminhados ao SIU.

Dá para conectar ao Guidewire ClaimCenter ou ao Duck Creek hoje?

Não nesta demonstração. Os conectores Guidewire ClaimCenter e Duck Creek, um SDK móvel de captura guiada, um verificador C2PA real e um banco de dados real de impressão digital de câmera PRNU estão como stubs ou adiados. O sinal de pixel-forensics é simulado e rotulado como tal na tela, um substituto para um futuro modelo aprendido de artefato generativo. O que roda hoje é a lógica forense real: a cadeia SHA-256, o parse de EXIF, a busca de reuso por hash perceptual, o raciocínio narrativo, o portão de política e o livro-razão, tudo em sinistros sintéticos e um índice histórico sintético.

Esses números de benchmark são acurácia no mundo real?

Não, e temos o cuidado de dizer isso. As cifras de cobertura 35 de 35, acusação falsa de 0 por cento e integridade de auditoria de 100 por cento estão em um benchmark sintético fixo e rotulado de 120 sinistros cujas classes de fraude carregam assinaturas detectáveis por construção, então o roteamento perfeito nesse conjunto é uma propriedade desse conjunto construído, não uma garantia em mundo aberto. O número que vale liderar é a lacuna de cobertura contra uma abordagem já estabelecida de verdade: uma linha de base de sinal único captura 0 das 35 fraudes recycled-real e metadata-spoofed, e o firewall cross-signal captura todas as 35. As afirmações duráveis são a acusação falsa de 0 por cento e a integridade de auditoria de 100 por cento, ambas as quais se sustentam em qualquer qualidade de modelo.

Pesquisa técnica

A pesquisa por trás desta demonstração — a arquitetura, o desenho de verificação e o blueprint empresarial.

The Forensic Imperative: Deterministic Computer Vision for Insurance Claims (whitepaper interativo)

Solução completa

Conheça a solução Insurance Claims AI & Deepfake Detection →

Autentique a evidência antes de avaliar o dano

Um portão forense para evidência de sinistro, com uma trilha de auditoria que se sustenta.

Se as suas equipes de sinistros e SIU estão ponderando como autenticar evidência de sinistro sem acusar falsamente titulares de apólice legítimos, e como manter a decisão automatizada defensável sob os boletins da NAIC e o EU AI Act, gostaríamos realmente de ouvir como vocês estão pensando nisso. O problema é de todo o setor e as respostas também serão.

Avaliação de integridade da evidência

✓ Mapear onde evidência reciclada e manipulada entra no seu intake
✓ Definir os limiares de roteamento para AUTO-PROCEED, SIU e abstain
✓ Revisar a exposição a spoliation e cadeia de custódia em litígio
✓ Um portão de política reproduzível que o seu jurídico de compliance pode assinar

Construa conosco

✓ Uma equipe forense cross-signal e um portão de política determinístico
✓ Um livro-razão de evidências encadeado por hash com detecção de adulteração verify-chain
✓ Um registro de evidência pronto para o tribunal com um mapeamento NAIC e EU AI Act
✓ Conectores e um modelo de artefato aprendido no roadmap, não fingidos como se já existissem

Conecte-se via WhatsApp Envie um e-mail à nossa equipe