你的理赔AI能完美识别车损，却根本不知道这处损伤是不是真的
我在一块屏幕上同时打开了同一辆银色轿车的两张照片。左边那张是停车场剐蹭造成的真实后翼子板凹痕。右边那张则从未出过事故——有人把一张完好的照片喂给扩散模型，让它添加损伤。那道折痕、边缘下方的阴影、漆面反光的方式：全是生成出来的，没有一处是真实存在的。
我把两张都送进我们正在试点的定损模型。两张都被判定为真实损伤。两张都得到了严重程度评分。两张都得到了维修估价。要说有区别，那张假的读数反而更干净一些，因为生成出来的损伤比现实世界的一团糟更规整。
就是那天早上，我明白了：保险理赔AI和深度伪造检测是两个完全不同的问题，而市场上几乎所有人都在解决第一个问题，同时悄悄假定它已经涵盖了第二个。它并没有。定损模型问的是：这看起来像什么？它不会问：这是真的吗？而在2026年，这道鸿沟正是钱流失的地方。
你的定损AI评估的是内容。欺诈藏在真伪之中。这是两个不同的维度，在其中一个上的准确率，换不来另一个上的任何东西。
威胁模型悄然改变，工具却没有
大多数理赔AI都诞生于一个时代，那时可能发生的最糟情况不过是一个错误的数字——一份高了或低了400美元的估价。那就是全部的风险面：估价的准确性。厂商们围绕它竞争，采购团队围绕它打分，人人都在这方面越做越好。
然后，输入变得可被攻击了。如今任何有手机的人都能拍一张完好汽车的照片，让一个免费可得的模型注入一个撞烂的保险杠，连合乎情理的光照和反射都一应俱全。这种规模并非纸上谈兵。深度伪造欺诈企图增长了2,137%，跨越三年，如今它们已占到所有已检测身份欺诈的6.5%——在金融和支付领域。具体到保险业，美国AI增强型欺诈案件从2022年的不足两万起，增至2025年的八万多起。
我见过的最具体的数字来自英国。2025年4月，当地车险公司披露，欺诈者正利用扩散模型往正常照片中注入划痕和裂纹，使平均赔付额抬高了大约每起13,000英镑。这可不是一本业务账簿上的四舍五入误差。这是一处结构性泄漏。
而消费者也并非真的在抗拒。Verisk 2026年3月的欺诈研究发现，36%的消费者会考虑篡改理赔图像，而在Z世代中，这一比例攀升至55%。与此同时，如今98%的保险公司报告称，与AI工具相关的篡改媒体激增。工具的供给无穷无尽，道德风险如今已成主流，而另一端的评估模型正把内容当作真相来读取。
起步阶段，我一直在做错误的东西
有一部分我并不引以为豪。起步时，我把产品定位成一个更好的定损模型。市场领导者就是那道标杆，所以我想要越过它。Tractable融资1.85亿美元，处理的理赔额超过十亿美元，宣称准确率约为95%。CCC Intelligent Solutions运营着一条覆盖125多家保险公司的估价到赔付流水线，营收已突破十亿美元。显而易见的做法就是比它们准确那么一点点，然后靠这点差距来卖。
我带着这套定位，与一家中型车险公司的理赔负责人交谈，得到的回应是一句客气版的我们已经有一个那样的了。而这是个正确的回应。定损准确率再高一个百分点是维生素，不是止痛药。那个团队担心的，不是他们的估价是94%还是96%准确。而是喂给这些估价的照片中，究竟有多少一开始就是真实的。
那次交谈让我付出了大约一个月的信念代价。我们完全朝着错误的维度在建。那个为之后一切付出回报的领悟简单，却有点让人难堪：更准确的内容模型只会让欺诈问题变得更糟，而不是更好，因为它给一张伪造的图像盖上了一枚更自信的橡皮图章。你的模型越擅长读取损伤，那张假图上的赔付就越干净利落。
于是我们不再在准确率上竞争，转而为真伪而建。这意味着把每一张理赔照片不再当作待评分的数据，而是当作需要验真的证据——加以测量，并予以保存。
为什么“直接加个深度伪造检测器”行不通？
每个人——包括我们——的第一反应，都是在流水线前端硬装一个深度伪造检测器。有一项知名的取证技术叫PRNU，是photo-response non-uniformity（光响应不均匀性）的缩写。每个相机传感器都有一枚微弱而独特的噪声指纹，如果一张图像是合成的而非拍摄的，这枚指纹就会缺失或出错。在实验室里，它很优雅。
在真实的理赔流水线里，单靠PRNU就撑不住了。手机照片在到达你手上之前，会被压缩、重新保存、经过投保人用来发送它的即时通讯应用，还会被后期处理。所有这些都会抹糊传感器指纹，而且这项技术本身计算量还很大。单枪匹马，它根本无法与现代生成技术抗衡。车险公司知道这很难，这正是为什么只有32%的保险公司表示，他们对检测深度伪造非常有信心，而76%的公司报告称，他们看到的被篡改的提交材料正变得越来越精巧。
检测问题并不在于“我们有没有一个深度伪造模型”。而在于检测与评估分处于两个不同的产品中，因此真伪核验与损伤核验之间从来没有真正对过话。
这就是我会指给任何一家车险公司看的结构性缺口，也是我们打造面向整条理赔证据流水线的取证计算机视觉、而非一个独立检测器的原因。Verisk发布着出色的欺诈研究，也运营着强大的分析能力，但它的检测是事后的——在提交之后才触发，与定损工具彼此分离。VAARHAFT做的是专门打造的图像欺诈评分，配有元数据分析和查勘员热力图，但它不做任何定损，所以你等于在同时使用两家不共享模型的厂商。Tractable和CCC把评估做得漂亮，却完全不附带深度伪造检测。车险公司最终不得不在多家厂商之间把真伪与评估硬缝在一起，而它们之间的接缝，正是一张伪造图像存活下来的地方。
诚实的答案不是一个检测器。而是一套组合方案——传感器级的取证，加上能推断损伤在物理上是否自洽的分割（这类核验中，一次深度估计会标记出某个凹痕，其几何形状是光照无法解释的，而这恰恰是一张干净的扩散造假露馅的地方），再加上一条真正的证据保管链——全都置于生成估价的同一个系统之内。
我没料到的威胁，是我们自己
有一阵子我以为整个问题都来自外部——欺诈者在外面，我们的流水线在里面，中间隔着一堵墙。后来我们逮到了自己正在造成损害。
一位投保人通过手机应用上传了一张后翼子板凹陷的照片。我们的图像流水线，和许多流水线一样，会在评估前跑一遍“增强”处理，以清理手机相机的噪点。这个超分辨率工具经过训练，目的是让图像看起来更好看，于是把凹痕当成噪点，抹平了其中一部分。查勘员看到的，是一辆比投保人实际拍到的更干净、损伤更轻的车。我们并没有遭到攻击。是我们自己悄悄篡改了证据。
就在那时，法律层面的问题砸到了我头上，而这正是如今我在每一次与车险公司对话时都率先摆出的专长。根据美国法律，篡改与法律诉讼相关的证据即构成证据损毁，而主观意图救不了你。检验标准不是“你增强照片时是不是出于好意”。检验标准是，在有人保存原件之前，是否引入了合成像素——那些相机传感器从未捕捉到的像素。如果一起被拒赔的理赔进入诉讼，而你的工作流用一个经AI修改的版本覆盖了原件，那你面对的将是不利推定指示、制裁，或即决判决。
任何让生成式AI触碰理赔图像的流水线——超分、去噪、“增强”——都背负着这种风险敞口，而大多数车险公司从未为此做过审计。我们系统里的解决办法变成了一条我们绝不违反的规则：原始的、由传感器捕捉的图像会被保存、哈希，并且永不被覆盖；每一次变换都在一个带有记录溯源轨迹的副本上进行。增强照样可以做。只是不能对法庭唯一会索要的那份副本去做。
监管者不再接受“是厂商的黑箱干的”
这两种威胁——外部涌入的合成欺诈、内部正在发生的证据损毁——正与一个迅速长出牙齿的合规环境正面相撞。
NAIC示范公告如今已被24个州采纳，要求有文件记录的AI治理、可解释的理赔决策，以及持续的模型监测。科罗拉多州的《AI法案》于2026年6月30日生效，违规将被视为不公平或欺骗性商业行为。欧盟《AI法案》把保险AI归类为高风险，执法截止期为2026年8月，罚款最高可达3,500万欧元或全球营业额的7%。此外，预计NAIC将在今年推出一部关于第三方厂商监督的示范法。
最后这一条是一场无声的地震。车险公司要为第三方AI的结果承担责任——“是我们SaaS厂商的模型决定的”并不是监管者或法庭会接受的抗辩理由。一家用黑箱评分去拒赔的车险公司，拿不出监管者如今要求的解释。一家流水线篡改了证据的车险公司，拿不出法庭要求的原件。这两者其实是同一种失败换了两身戏服：你不掌控、无法解释、也没有保存。
这也是为什么我对由一家大型系统集成商包办一切的路线持怀疑态度。这些大公司确实精于Guidewire和Duck Creek的集成，也擅长撰写风险框架。但他们推荐并集成平台厂商；他们并不构建定制的取证计算机视觉。他们的AI工作以大语言模型为中心——副驾和agentic分诊——而一个项目的价格在50万到500万美元之间，在任何模型触碰真实理赔之前，还有六到十八个月的准备期。你可以花上一年时间和七位数的预算，最后手里攥着的仍是一个你没法向科罗拉多州解释的黑箱。
“但这不会拖慢直通式处理吗？”
这是我最常听到的反对意见，而且它很合理。整个行业都在朝直通式处理推进——领先的车险公司在基础个人车险理赔上瞄准70–90%的STP，IDC预测到今年，车险和房主险的STP率将达到65%。查勘员很贵；AI的意义就在于让人不必去碰那些常规理赔。
人们以为取证式验真是一种拖着STP往回走的阻力。恰恰相反。要扼杀一个直通式处理项目，最快的方式就是一起被曝光的欺诈团伙或一次证据损毁处罚——在那之后，每一起理赔都会“为了保险起见”再被人工看一遍，你的自动化率就此崩塌。验真才是让你把闸门继续开着的东西。当系统能够证明一张图像是真实的、未经篡改的、并有溯源记录时，那才是你可以安全地自动批准的理赔。你不是在增加一道关卡；你是在赢得跳过一道关卡的权利。
一起你能证明为真的理赔，才是一起你无需任何人经手就能安全赔付的理赔。
而这笔经济账并不含糊。车险欺诈已经让每位投保人每年的保费增加了大约900美元，而做对了的计算机视觉预计每年可削减120亿美元的理赔处理成本。可如果进来的图像是伪造的、出去的原件是被篡改的，这一切都不会成真。
理赔负责人到底该考核什么？
一位理赔副总裁曾带我看过她的厂商评估表格——一张整齐的评分表，列着准确率、集成、部署、价格。“深度伪造检测”那一栏，在每一家入围厂商那里都是空白。不是分数低。是空白。没人建过它，所以没人在这上面被打分，于是它就彻底从评估里掉了出去。这正是陷阱所在：你可以做一次严谨的采购，却一次都没有去考核那个真正在增长的威胁。
所以我会加的那一栏，问的是准确率评分问不出来的东西：这个工具能否告诉你一张图像是否真实可信，而不仅仅是它描绘了什么？从这里开始，问题不再关乎性能，而开始关乎证明。它会不会展示自己的推理过程——分割掩码、取证信号——还是只丢给你一个数字让你去信？原始的传感器图像必须留存下来，并带着一条你能摆到法官面前的溯源轨迹。而在这一切之下，还压着所有权的问题：你运行的是自己的模型和数据，还是租用一个共享的、未经微调的模型——一个你既无法针对自家业务调优、也无法向监管者解释的模型？
能挺过接下来两年的车险公司，不会是那些定损估价最准确的。而会是那些能够站在监管者、查勘员、乃至最终站在法官面前，证明他们所赔付的那一像素在快门按下的那一刻是真实的——并且此后他们从未碰过它的公司。如果你想看看我们是如何打造专为此而生的取证计算机视觉，一切都在那里。
我把那辆银色轿车的两张照片一直留在桌面上。一张是真实的事故。一张从未发生过。模型分辨不出它们，而对这个行业的大多数人来说，它至今仍分辨不出。原来，这整份工作从来都不是为了把损伤看得更清楚。而是为了能够拿出证据说出，哪一张才是真的。
