你的理賠 AI 能完美辨識損害，卻不知道那損害是不是真的

我在一個螢幕上打開了同一輛銀色轎車的兩張照片。左邊那張，是停車場刮蹭造成的真實後葉子板凹陷。右邊那張，則從未出過事故——有人把一張乾淨的照片餵給一個擴散模型，要求它添加損傷。那道摺痕、車唇下方的陰影、烤漆捕捉光線的方式：全是生成出來的，沒有一處是實體存在的。

我把兩張都跑了一遍我們當時正在試行的損害評估模型。兩張都被判為真實損傷。兩張都拿到一個嚴重度分數。兩張都拿到一份維修估價。若真要說，那張假的甚至讀出來還稍微更乾淨一點，因為生成出來的損傷比真實世界的一團亂更整齊。

就在那天早上，我明白了：保險理賠 AI 與深偽偵測是兩個截然不同的問題，而市場上幾乎所有人都在解決第一個問題，同時默默地假設它也涵蓋了第二個。並非如此。損害評估模型問的是：這看起來像什麼？它不會問：這是真的嗎？而在 2026 年，這道缺口正是資金流失之處。

你的損害評估 AI 評估的是內容。詐欺存在於真實性之中。這兩者不在同一個維度上，在其中一個維度上的準確度，換不來另一個維度上的任何東西。

威脅模型悄然改變，工具卻沒有

大多數理賠 AI 設計於這樣一個時代，那時最糟的情況不過是算錯一個數字——一份高了或低了 400 美元的估價。這就是全部的風險面：估價的準確度。供應商在這一點上競爭，採購團隊為此評分，而每個人都在這方面越做越好。

接著，輸入變得可被攻擊。如今，任何有手機的人都可以拍下一輛未受損汽車的照片，然後要求一個免費可得的模型注入一個撞爛的保險桿，連同看似合理的光影與反射。這樣的規模並非紙上談兵。深偽詐欺的嘗試三年內上升了 2,137%，而如今它們佔了所有偵測到的身分詐欺的 6.5%，發生在金融與支付領域。而具體到保險業，美國由 AI 強化的詐欺案件從 2022 年的不到 20,000 件，增加到 2025 年的超過 80,000 件。

我見過最具體的數字來自英國。2025 年 4 月，當地的汽車保險公司披露，詐欺者正利用擴散模型將刮痕與裂縫注入無害的照片中，使平均理賠金額膨脹了大約每起案件 £13,000。這不是一份業務帳簿上的四捨五入誤差。這是一道結構性的漏洞。

而消費者也並非全然抗拒。Verisk 於 2026 年 3 月的詐欺研究發現，36% 的消費者會考慮竄改理賠影像，而在 Z 世代中，這個數字攀升至 55%。與此同時，如今有 98% 的保險公司回報，與 AI 工具相關的被操縱媒體正激增。工具的供給是無限的，道德風險如今已成主流，而另一端的評估模型正把內容當作真相在讀。

我把最初的一段時間花在打造錯的東西上

接下來是我並不引以為傲的部分。我們起步時，我把產品定位為一個更好的損害評估模型。市場領導者就是那道標竿，所以我想跨過它。Tractable 募得 1.85 億美元、處理逾十億美元的理賠，宣稱約 95% 的準確度。CCC Intelligent Solutions 在 125 家以上的保險公司間營運一條從估價到給付的流程，營收突破十億美元。顯而易見的做法，就是比它們準確一點點，並靠這個差距來銷售。

我帶著這套定位，去和一家中型保險公司的理賠主管對話，而得到的回應，是一個客氣版本的我們已經有一個那樣的東西了。而這是對的回應。損害評估準確度再多一個百分點，是維他命，不是止痛藥。讓那個團隊擔心的，不是他們的估價是 94% 準確還是 96% 準確。而是餵給那些估價的照片，一開始有多少是真的。

那次對話讓我損失了大約一個月的信念。我們完全朝著錯誤的維度在打造。那個為之後一切埋單的領悟，簡單卻有點令人難堪：一個更準確的內容模型會讓詐欺問題變得更糟，而不是更好，因為它為一張捏造的影像蓋上了一個更有信心的橡皮圖章。你的模型越擅長判讀損害，對假影像的理賠給付就越乾淨俐落。

於是我們不再在準確度上競爭，轉而為真實性而打造。這意味著把每一張理賠照片，不當作要評分的資料，而是當作要被鑑真的證據——加以測量，並予以保存。

為什麼「加個深偽偵測器就好」行不通？

每個人——包括我們——的第一直覺，都是在流程的最前端硬加上一個深偽偵測器。有一種眾所周知的鑑識技術叫做 PRNU，是「感光響應非均勻性」（photo-response non-uniformity）的縮寫。每個相機感光元件都有一個微弱而獨特的雜訊指紋，如果一張影像是被合成而非拍攝出來的，那個指紋就會缺失或不對。在實驗室裡，它很優雅。

在真實的理賠流程裡，單靠 PRNU 就崩潰了。手機照片在抵達你手上之前，會被壓縮、重新儲存、經過保單持有人用來傳送它們的通訊軟體、並被後製處理。這一切都會抹糊感光元件指紋，而且這項技術本身在計算上也很沉重。單憑它自己，根本無法與現代的生成技術匹敵。保險公司知道這很難，這也是為什麼只有 32% 的保險公司表示，他們對偵測深偽非常有信心，而 76% 回報，他們所看到的被操縱申報件正變得越來越精密。

偵測問題不在於「我們有沒有一個深偽模型」。問題在於，偵測與評估分屬兩個不同的產品，因此真實性檢查與損害檢查從來不曾真正對話。

這就是我會請任何一家保險公司留意的結構性缺口，也是我們為何打造涵蓋整條理賠證據流程的鑑識電腦視覺，而不是一個獨立的偵測器。Verisk 發表出色的詐欺研究，也經營強大的分析，但它的偵測是事後的——它在申報之後才觸發，與損害工具是分開的。VAARHAFT 做的是專門打造的影像詐欺評分，搭配元資料分析與理賠員熱區圖，但它不做損害評估，所以你等於在跑兩個不共用模型的供應商。Tractable 與 CCC 把評估做得漂亮，卻完全不提供深偽偵測。保險公司最終得跨供應商把真實性與評估縫在一起，而它們之間的接縫，正是一張捏造影像得以存活之處。

誠實的答案不是單一偵測器。而是一套組合——感光元件層級的鑑識，加上對損害是否在物理上一致進行推理的分割（那種檢查是：一次深度估計會標記出一個凹痕，其幾何形狀無法用光照來解釋，而這正是一個乾淨的擴散偽造露出馬腳之處），再加上一條真正的證據監管鏈——這一切都在產生估價的同一個系統之內。

我沒料到的威脅，是我們自己

有一陣子，我以為整個問題都是外部的——詐欺者在外面，我們的流程在裡面，兩者之間隔著一道牆。然後我們逮到自己也在製造損害。

一位保單持有人透過行動應用程式上傳了一張後葉子板凹陷的照片。我們的影像流程，和許多流程一樣，在評估前跑了一道「強化」處理，以清除手機相機的雜訊。那個放大器，被訓練來讓影像看起來更好，把凹痕解讀為雜訊，並將其中一部分抹平了。理賠員看到的，是一輛比保單持有人實際拍下的更乾淨、損壞更少的車。我們並沒有被攻擊。我們自己悄悄地竄改了證據。

就在那時，法律這個維度落到了我身上，而這正是我如今與每一家保險公司對話時，率先亮出的專業。根據美國法律，竄改與法律程序相關的證據就是證據滅失（spoliation），而意圖並不能救你。判準不是「你強化這張照片時是不是出於好意」。判準是，是否有合成像素——相機感光元件從未捕捉到的像素——在任何人保存原始檔之前就被引入了。如果一件被拒的理賠進入訴訟，而你的工作流程用一個被 AI 修改過的版本覆蓋了原始檔，你面對的將是不利推論指示、制裁，或即決判決。

任何讓生成式 AI 觸碰到理賠影像的流程——放大、去雜訊、「強化」——都帶有這種風險，而大多數保險公司從未為此稽核過。在我們的系統裡，修正的做法變成一條我們不打破的規則：原始的、由感光元件捕捉的影像會被保存、雜湊，且永不被覆蓋；每一次轉換都發生在一份帶有記錄下來的來源軌跡的副本上。強化仍然可以進行。它只是不能發生在法院唯一會索取的那份副本上。

監管機構不再接受「是供應商的黑盒子幹的」

這兩種威脅——外來的合成詐欺，以及內部正在發生的證據滅失——與一個迅速長出利齒的合規環境正面相撞。

NAIC 示範公告如今已為 24 個州所採納，要求有文件記載的 AI 治理、可解釋的理賠決策，以及持續的模型監控。科羅拉多州的《AI 法案》於 2026 年 6 月 30 日生效，違規將被視為不公平或欺騙性的商業行為。歐盟《AI 法案》將保險 AI 歸類為高風險，執法期限為 2026 年 8 月，罰則最高達 3,500 萬歐元或全球營業額的 7%。而 NAIC 預計將於今年提出一部關於第三方供應商監督的示範法。

最後那一項，是一場無聲的地震。保險公司要為第三方 AI 的結果負責——「是我們的 SaaS 供應商的模型決定的」並不是監管機構或法院會接受的抗辯。一家用黑盒子分數去拒賠的保險公司，拿不出監管機構如今要求的解釋。一家其流程竄改了證據的保險公司，拿不出法院要求的原始檔。這兩者是同一種失敗穿著兩套戲服：你不掌控、無法解釋，也沒有保存。

這也是為什麼我對「由一家大型系統整合商包辦整件事」的路線抱持懷疑。那些大公司在 Guidewire 與 Duck Creek 的整合、以及撰寫風險框架上，確實很在行。但他們是推薦並整合平台供應商；他們不打造客製的鑑識電腦視覺。他們的 AI 工作是以 LLM 為中心的——副駕駛與代理式分流——而一次合作要價 50 萬到 500 萬美元，還要有六到十八個月的準備期，任何模型才會碰到一件真實的理賠。你可以花上一整年與一筆七位數的預算，最後手裡握著的，仍是一個你無法向科羅拉多州解釋的黑盒子。

「但這不會拖慢直通式處理嗎？」

這是我最常聽到的反對意見，而且它很公道。整個產業都在朝直通式處理推進——領先的汽車保險公司在基本個人汽車理賠上以 70–90% 的直通式處理率為目標，而 IDC 預測到今年為止，汽車與屋主險合計的直通式處理率將達 65%。理賠員很貴；AI 的重點就是讓人力遠離例行理賠。

人們假設鑑識鑑真是一種會把直通式處理率拖回去的摩擦。事實恰恰相反。最快能扼殺一個直通式方案的方法，就是一起被公開報導的詐欺集團案，或一次證據滅失的制裁——在那之後，每一件理賠都會「為了保險起見」再經一次人工複核，而你的自動化率就會直線墜落。鑑真正是讓你能夠讓閘門保持開啟的東西。當系統能夠證明一張影像是真實的、未被竄改的，且來源有記錄的，那才是你可以安全地自動核准的那件理賠。你並不是在增加一個檢查點；你是在贏得跳過一個檢查點的權利。

一件你能證明為真的理賠，就是一件你可以安全給付、無需任何人插手的理賠。

而這裡的經濟帳並不含蓄。汽車詐欺已經讓每位保單持有人的保費每年增加大約 900 美元，而做得對的電腦視覺，預計每年可削減 120 億美元的理賠處理成本。但如果送進來的影像是捏造的，送出去的原始檔又是被竄改的，這一切都無法實現。

理賠主管究竟該測試什麼？

一位理賠副總曾帶我看過她的供應商評估表——一張整齊的評分表，列著準確度、整合、部署、價格。「深偽偵測」那一欄，在每一家入圍供應商處都是空白的。不是低分。是空白。沒有人做出這項功能，所以沒有人在這一項上被評分，於是它就完全從評估中消失了。這正是陷阱所在：你可以跑一套嚴謹的採購流程，卻從未針對那個實際上正在成長的威脅測試過哪怕一次。

所以，我會加上的那一欄，問的是準確度分數問不出的東西：這個工具能不能告訴你，一張影像是否真實可信，而不只是它描繪了什麼？從那裡開始，問題就不再是關於效能，而開始是關於證明。它會攤開它的推理過程——分割遮罩、鑑識訊號——還是只丟給你一個要你信任的數字？原始的感光元件影像必須連同一條你能擺在法官面前的來源軌跡一起存活下來。而在這一切底下，坐著的是所有權的問題：你跑的是你自己的模型與資料，還是租用一個共用的、未經微調的模型——一個你既無法針對你的業務調校、也無法向你的監管機構解釋的模型？

能挺過接下來兩年的保險公司，不會是那些擁有最準確損害估價的公司。而會是那些能夠站在監管機構、理賠員、乃至最終站在法官面前，證明他們據以理賠的那個像素在快門按下的當下是真實的——而且他們事後從未動過它的公司。如果你想看看我們是如何打造正是為此而生的鑑識電腦視覺，一切都在那裡。

我把那兩張銀色轎車的照片留在我的桌面上。一張是真實的事故。一張從未發生過。模型分辨不出它們，而對這個產業的大多數人來說，至今仍分辨不出。原來，這整份工作，從來就不是關於把損害看得更清楚。而是關於能夠拿著證據說出，哪一張才是真的。